동기: 화합물-단백질 상호작용(Compound-protein interaction, CPI)은 신약 개발에서 필수적인 역할을 하며, 분자 도킹 시뮬레이션을 통해 수행되는데 이는 비용이 많이 듭니다. 이러한 목적을 위해 많은 인공지능 기반 접근법이 제안되어 왔습니다. 최근에는 분자 정보를 활용하는 데 있어 유망한 결과를 보인 두 가지 유형의 모델이 보고되었습니다. 첫째는 그래프 구조(원자와 결합)로부터 학습된 분자 표현을 구성하는 그래프 합성곱 신경망(graph convolutional neural networks)이고, 둘째는 분자의 기술자(descriptors) 또는 지문(fingerprints)에 대해 연산을 수행할 수 있는 신경망입니다. 그러나 두 방법 중 어느 쪽이 우수한지는 아직 정해지지 않았습니다. 현대의 여러 연구는 화합물과 단백질로부터 추출된 정보를 통합하여 CPI 과제를 구성하려고 시도해 왔습니다. 그럼에도 불구하고, 이러한 접근법들은 단순 연결(concatenation)을 사용해 정보를 결합해 왔으며, 이는 그러한 정보 간 상호작용을 충분히 포착할 수 없습니다. 결과: 우리는 약물-표적 상호작용의 표현 학습 능력을 향상시키기 위해 교차-주의(cross-attention) 메커니즘을 채택하고, 확장 연결성 지문(extended-connectivity fingerprints)으로부터 얻는 풍부한 정보를 활용하여 성능을 개선하는 Perceiver CPI 네트워크를 제안합니다. 제안한 방법은 기존의 최신 방법들과 비교하기 위해 세 가지 주요 데이터셋(Davis, KIBA, Metz)에서 Perceiver CPI를 평가했습니다. 제안된 방법은 만족스러운 성능을 달성했으며, 모든 실험에서 이전 접근법들에 비해 유의한 개선을 보였습니다. 이용 가능성 및 구현: Perceiver CPI는 https://github.com/dmis-lab/PerceiverCPI 에서 이용할 수 있습니다. 추가 정보: 보충 데이터는 Bioinformatics online에서 이용 가능합니다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.