| 번호 | 청구항 |
|---|---|
| 1 | 단백질-리간드 도킹 예측 장치에 있어서,단백질-리간드 도킹 예측 프로그램을 저장한 메모리; 및상기 단백질-리간드 도킹 예측 프로그램을 실행하는 프로세서를 포함하되,상기 단백질-리간드 도킹 예측 프로그램은, 단백질-리간드 복합체의 3차원 구조를 나타내는 그래프 기반의 그래프 신경망을 이용하여 학습된 제 1 스코어링 함수, 상기 제 1 스코어링 함수의 학습이 완료된 시점의 훈련 세트와 검증 세트를 포함하는 학습 데이터를 이용하여 학습된 제 2 스코어링 함수, 상기 제 1 스코어링 함수와 제 2 스코어링 함수의 평균값을 산출하는 제 3 스코어링 함수 및 단백질과 리간드 포즈간의 다양한 결합 모드를 나타내는 형태 공간으로부터 단백질-리간드 복합체 후보를 탐색하는 검색 알고리즘을 포함하고, 상기 단백질-리간드 도킹 예측 프로그램은 상기 검색 알고리즘으로서 글로벌 최적화 알고리즘을 사용하여 상기 단백질-리간드 복합체 후보를 탐색하고, 상기 제 1 스코어링 함수를 이용하여 상기 탐색된 단백질-리간드 복합체 후보에 대한 에너지 점수를 산출하고, 수렴 조건 만족시의 제 1 스코어링 함수를 이용한 도킹 결과를 이용하여 상기 제 2 스코어링 함수를 학습하고,상기 제 1 스코어링 함수에 단백질-리간드 복합체의 3차원 구조를 나타내는 그래프로 표현된 입력 데이터를 입력하여 단백질-리간드 도킹 스코어를 출력하되, 상기 제 1 스코어링 함수는 그래프로 표현된 학습 데이터들을 이용하여 구축된 것이고, 상기 학습 데이터는 니어-네이티브(near-native) 포즈와 미끼(decoy)포즈를 포함하는 것인, 단백질-리간드 도킹 예측 장치. |
| 2 | 제 1 항에 있어서,상기 그래프 신경망의 그래프는 단백질 원자노드, 리간드 원자 노드, 공유 결합 엣지 및 비공유 결합 엣지로 구성된 무지향 그래프의 형태로 형성된 것인, 단백질-리간드 도킹 예측 장치. |
| 3 | 제 1 항에 있어서,상기 제 1 스코어링 함수는,(a) 훈련 세트와 검증 세트를 포함하는 학습 데이터를 사용하여 1차적으로 학습하는 단계; (b) 1차 학습된 제 1 스코어링 함수의 출력과 상기 검색 알고리즘을 이용하여 기본 도킹을 수행하는 단계 및(c) 성능 수렴 조건을 만족할때까지 상기 (b) 단계를 통해 획득된 리간드 포즈를 이용하여 상기 학습 데이터를 업데이트하고, 상기 (a) 단계를 반복하는 단계를 통해 생성되는 것이고,상기 성능 수렴 조건은 상기 검증 세트에서의 도킹시 성공율이 포화상태에 해당하는 경우인 것인, 단백질-리간드 도킹 예측 장치. |
| 4 | 삭제 |
| 5 | 삭제 |
| 6 | 제 3 항에 있어서,상기 제 1 스코어링 함수 또는 제 2 스코어링 함수의 학습시에 사용되는 손실함수는 니어-네이티브 포즈의 평균 제곱근 편차(RMSD)가 임계값 이하가 되고, 미끼 포즈의 평균 제곱근 편차는 임계값을 초과하도록 설계된 것인, 단백질-리간드 도킹 예측 장치. |
| 7 | 단백질-리간드 도킹 예측 장치의 스코어링 함수 학습 방법에 있어서,(a) 단백질-리간드 복합체의 3차원 구조를 나타내는 그래프 기반의 그래프 신경망을 기초로 훈련 세트와 검증 세트를 포함하는 학습 데이터를 사용하여 제 1 스코어링 함수를 1차적으로 학습하는 단계; (b) 단백질과 리간드 포즈간의 다양한 결합 모드를 나타내는 형태 공간으로부터 단백질-리간드 복합체 후보를 탐색하는 검색 알고리즘과 1차 학습된 제 1 스코어링 함수의 출력을 이용하여 기본 도킹을 수행하는 단계;(c) 성능 수렴 조건을 만족할때까지 상기 (b) 단계를 통해 획득된 리간드 포즈를 이용하여 상기 학습 데이터를 업데이트하고, 상기 (a) 단계를 반복하는 단계;(d) 제 1 스코어링 함수의 학습이 완료된 시점의 훈련 세트와 검증 세트를 포함하는 학습 데이터를 이용하여 제 2 스코어링 함수를 학습하는 단계; 및(e) 상기 제 1 스코어링 함수와 제 2 스코어링 함수의 평균값을 산출하는 제 3 스코어링 함수를 생성하는 단계를 포함하되,상기 (b)단계는 상기 검색 알고리즘으로서 글로벌 최적화 알고리즘을 사용하고, 상기 성능 수렴 조건은 상기 검증 세트에서의 도킹시 성공율이 포화상태에 해당하는 경우인 것인, 스코어링 함수 학습 방법. |
| 8 | 삭제 |
| 9 | 삭제 |
| 10 | 제 7 항에 있어서,상기 제 1 스코어링 함수 또는 제 2 스코어링 함수의 학습시에 사용되는 손실함수는 니어-네이티브 포즈의 평균 제곱근 편차(RMSD)가 임계값 이하가 되고, 미끼 포즈의 평균 제곱근 편차는 임계값을 초과하도록 설계된 것인, 스코어링 함수 학습 방법. |
| 11 | 제 7 항에 따르는 스코어링 함수 학습 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 비일시적 컴퓨터 판독가능 기록매체. |
