프리트레인 NLP 기반 약물-표적 상호작용 및 효능 예측 연구

Pretrained NLP-Based Drug–Target Interaction and Efficacy Prediction Research

연구 내용

화합물 SMILES와 단백질 서열 표현을 프리트레인 모델로 학습하고 drug–target interaction 및 PROTAC 효능을 예측하는 연구

ChemBERTa(화합물 SMILES)와 ProtBert(단백질 서열) 프리트레인 표현을 기반으로 BERT 계열 모델을 fine-tuning하고, BIOSNAP·DAVIS·BindingDB 등 다중 데이터베이스를 통합 학습해 drug–target interaction을 예측합니다. 예측 단계에서는 상호작용 패턴을 데이터 기반으로 학습하도록 구성합니다. 또한 PROTAC 효능은 deep-learning–QSP 결합 모델을 통해 정량적 구조-활성 및 과정 기반 정보를 함께 반영하고, 구조 데이터의 범위와 표준화가 성능에 미치는 영향을 분석합니다. 이를 통해 후보물질 우선순위 예측으로 연결합니다.

관련 프로젝트

1건

연구 흐름

2022년에는 ChemBERTa와 ProtBert의 사전학습 표현을 활용해 BERT 기반 DTI 예측 모델을 구축하고, BIOSNAP·DAVIS·BindingDB의 통합 학습으로 상호작용 예측 성능을 향상시키는 방향으로 연구를 진행했습니다. 이후 모델 기반 예측을 효능 영역으로 확장하여 PROTAC을 대상으로 deep-learning–QSP 결합 모델을 적용했습니다. 2026년에는 학습 데이터의 구조적 정보가 예측 정확도에 미치는 영향을 분석하고, 표준화된 실험 데이터의 필요성을 제시했습니다. 최근에는 QSP와 딥러닝의 결합을 통해 후보 검증 단계에서의 활용성을 높이는 흐름입니다.

활용 가능성

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

약물-표적 상호작용 선별
약리학적 성질 다차원 예측
DTI 데이터 기반 후보 랭킹
프리트레인 NLP 미세조정 파이프라인
PROTAC 효능 예측
QSP 연계 예측 모델
대규모 통합 데이터 학습
구조 데이터 품질 관리
실험 우선순위 결정
신약개발 스크리닝 가속