딥러닝 기반 단백질-리간드 도킹·가상 스크리닝·도메인 도킹 연구

Deep learning docking and virtual screening for protein–ligand and domain interactions

연구 내용

딥러닝 학습 스코어링과 전역 최적화를 결합해 단백질-리간드 포즈를 예측하고 가상 스크리닝·화학공간 탐색을 수행하는 연구

단백질 복합체의 구조 예측과 상호작용 예측을 위해, 전통 도킹의 탐색 전략에 딥러닝 기반 에너지/스코어링 함수를 결합하는 방법론을 개발합니다. 단백질 구조의 유연성과 기능 상태를 모델링에 반영하고, near-native 포즈와 decoy 포즈를 구분하도록 학습한 스코어링으로 포즈 안정화를 유도합니다. 또한 템플릿 정보와 conformational space annealing 정렬을 활용해 포즈 탐색 효율을 개선하며, 그래프 신경망 기반 평가함수를 이용해 화학공간에서 목적함수 최적 분자를 생성하는 경로로 확장합니다. 더 나아가 인간 3D 프로테옴에서 결합 부위와 리간드를 예측해 표적 탐색 활용성을 높이는 연구를 수행합니다.

관련 프로젝트

7건

연구 흐름

단백질 복합체 상호작용을 대상으로, 포즈 탐색과 스코어링의 결합을 중심 축으로 연구를 시작했습니다. 2022년에는 결합 포즈를 다루는 구조 정렬 및 도킹 서버 형태로 방법을 정리하고, 다양한 GPCR 복합체를 대상으로 기능 상태 모델링과 수용체 유연성 반영이 성패에 미치는 영향을 점검했습니다. 이후 2023~2024년에는 학습된 스코어링 함수와 전역 최적화를 결합한 도킹 프레임(에너지 함수 학습, near-native 안정화)을 강화하고, 템플릿과 전역 최적화를 연결한 정렬·도킹 절차를 확립했습니다. 2024년에는 화학공간 탐색을 위한 가상합성과 목적함수 기반 최적화를 제안했으며, 2025년에는 인간 프로테옴 기반 결합 부위 예측과 결합 포즈 제공으로 활용 범위를 확장했습니다.

활용 가능성

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

단백질-리간드 도킹 파이프라인
가상 스크리닝 후보 선별
GPCR 표적 약물 탐색
템플릿 기반 포즈 정렬
수용체 유연성 반영 도킹
학습 기반 스코어링 함수
도메인-도메인 도킹 모델링
결합 부위 및 리간드 예측
목적함수 기반 화학공간 생성
디지털 사이토카인 조절물질 설계