신약 후보 예측을 위한 분자-생체 상호작용 모델링과 역합성 계획

Molecular interaction prediction and retrosynthetic planning for drug discovery

연구 내용

화합물-단백질 상호작용과 다단계 역합성 경로를 딥러닝으로 예측·평가하여 합성 가능성을 개선하는 연구

신약개발 과정에서 분자 도킹은 비용이 큰 절차이며, 이를 대체하거나 보완하기 위해 컴퓨터 기반 예측 모델이 활용됩니다. 본 연구는 화합물과 단백질 정보를 단순 결합하는 접근을 넘어 cross-attention 기반 상호작용 학습과 3D/다중 해상도 특징을 통합합니다. Perceiver CPI 계열에서는 extended-connectivity fingerprints의 정보를 활용하고, MulinforCPI에서는 transfer learning과 함께 원자 수준 특징을 흡수하도록 설계합니다. 또한 단일단계 역합성 예측 모델을 계획 알고리즘과 결합해 다단계 경로 생성의 solvability와 실험 가능성 지표를 함께 평가하는 방향으로 확장합니다.

관련 프로젝트

0건

연구 흐름

초기에는 화합물-단백질 관계를 학습할 때 정보 결합 방식이 표현 한계를 만들 수 있음을 전제로, cross-attention 구조로 상호작용 표현력을 높이는 모델을 구축했습니다. 이후 분자와 단백질의 3D 정보와 다중 해상도 표현을 사용해 예측 정확도를 개선하고, 데이터 기반 접근과 1차원 계산 계열의 차이를 해석 가능한 관점에서 정리했습니다. 최근에는 단일단계 역합성 모델의 출력이 다단계 경로 생성으로 이어지는 과정에서 계획 알고리즘 조합에 따른 성능 차이를 체계적으로 분석하고, 실험 실행 가능성까지 고려해 평가 체계를 강화하는 연구로 이어지고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

화합물-단백질 결합 가능성 스크리닝
신약 후보 우선순위 평가
다중 해상도 분자 표현 학습
3D 기반 결합 예측
역합성 경로 생성 보조
경로 solvability-실행가능성 동시 평가
합성 전략 비교 자동화
분자 설계 반복 루프 가속
실험 계획 후보 축소
데이터셋 기반 모델 성능 검증