프로세서에 의해 동작하는 결합 친화도 예측 장치가 수행하는 방법에 있어서, 결합 친화도 예측 대상인 화합물의 분자 정보와 단백질의 서열 정보를 획득하는 동작; 3D Infomax 모델을 기초로 상기 화합물의 분자 정보로부터 상기 화합물의 3차원 정보를 추출하고, 상기 화합물의 3차원 정보로부터 PNA 그래프 뉴럴 네트워크 모델을 사용하여 추출한 상기 화합물의 화학적 특성 정보와, 상기 화합물의 3차원 정보로부터 모건 핑거프린트 알고리즘을 사용하여 추출한 상기 화합물의 공간적 배열 정보를 크로스 어텐션 매커니즘으로 결합하여 제1 특징 벡터를 생성하는 동작; ESM Fold 모델을 기초로 상기 단백질의 서열 정보로부터 상기 단백질의 3차원 정보를 추출하고, 상기 단백질의 3차원 정보로부터 1DCNN(1-Dimensional Convolutional Neural Network) 모델을 사용하여 추출한 상기 단백질의 화학적 특성 정보와, 상기 단백질의 3차원 정보로부터 2DCNN(2-Dimensional Convolutional Neural Network) 모델을 사용하여 추출한 상기 단백질의 공간적 배열 정보를 크로스 어텐션 매커니즘으로 결합하여 제2 특징 벡터를 생성하는 동작; 및 제1 특징 벡터와 제2 특징 벡터로부터 화합물과 단백질 간의 결합 친화도를 예측하도록 학습된 딥러닝 기반 신경망에, 상기 화합물의 화학적 특성 정보와 공간적 배열 정보의 특징이 크로스 어텐션 매커니즘 기반으로 결합된 제1 특징 벡터와, 상기 단백질의 화학적 특성 정보와 공간적 배열 정보의 특징이 크로스 어텐션 매커니즘 기반으로 결합된 제2 특징 벡터를 함께 입력하여 최종적으로 상기 화합물과 상기 단백질의 결합 친화도를 출력하는 동작을 포함하는, 방법.

삭제

제1항에 있어서, 상기 화합물의 3차원 정보는 화합물을 구성하는 원자가 노드로 구성되고 원자 간의 결합이 간선으로 구성된 그래프 구조, 및, 화합물을 구성하는 각 원자를 중심으로 특정 반지름 내의 원자의 결합 정보를 기반으로 생성된 서브구조 데이터를 포함하는 이진 벡터를 포함하는, 방법.

제3항에 있어서,상기 화합물의 화학적 특성 정보 및 공간적 배열 정보를 추출하는 동작은 PNA 그래프 뉴럴 네트워크 모델을 사용하여 상기 그래프 구조로부터 상기 화합물의 화학적 특성 정보를 추출하는 동작; 및 모건 핑거프린트 알고리즘을 사용하여 상기 이진 벡터로부터 상기 화합물의 공간적 배열 정보를 추출하는 동작을 포함하는, 방법.

제4항에 있어서,상기 제1 특징 벡터를 생성하는 동작은 크로스 어텐션 매커니즘을 기초로 상기 화합물의 화학적 특성 정보를 크로스 어텐션 매커니즘의 키와 값으로 설정하고, 상기 화합물의 공간적 배열 정보를 크로스 어텐션 매커니즘의 쿼리로 설정하여, 화합물의 키, 값 및 쿼리를 결합한 제1 특징 벡터를 생성하는 동작을 포함하는,방법.

삭제

제1항에 있어서, 상기 단백질의 3차원 정보는 상기 단백질을 구성하는 각 원자 정보, 및, 상기 단백질의 아미노산의 알파 탄소 원자의 좌표로부터 각 잔기의 유클리드 거리를 계산하여 생성된 잔기 간 거리맵을 포함하는, 방법.

제7항에 있어서,상기 단백질의 화학적 특성 정보 및 공간적 배열 정보를 추출하는 동작은1DCNN(1-Dimensional Convolutional Neural Network) 모델을 사용하여 상기 단백질을 구성하는 각 원자 정보로부터 상기 단백질의 화학적 특성 정보를 추출하는 동작; 및 2DCNN(2-Dimensional Convolutional Neural Network) 모델을 사용하여 상기 단백질의 잔기 간 거리맵으로부터 상기 단백질의 공간적 배열 정보를 추출하는 동작을 포함하는,방법.

제8항에 있어서,상기 제2 특징 벡터를 생성하는 동작은크로스 어텐션 매커니즘을 기초로 상기 단백질의 화학적 특성 정보를 크로스 어텐션 매커니즘의 키와 값으로 설정하고, 상기 단백질의 공간적 배열 정보를 크로스 어텐션 매커니즘의 쿼리로 설정하여, 단백질의 키, 값 및 쿼리를 결합한 제2 특징 벡터를 생성하는 동작을 포함하는,방법.

명령어를 포함하는 메모리; 및상기 명령어를 기초로 소정의 동작을 수행하는 프로세서를 포함하고, 상기 프로세서의 동작은,결합 친화도 예측 대상인 화합물의 분자 정보와 단백질의 서열 정보를 획득하는 동작; 3D Infomax 모델을 기초로 상기 화합물의 분자 정보로부터 상기 화합물의 3차원 정보를 추출하고, 상기 화합물의 3차원 정보로부터 PNA 그래프 뉴럴 네트워크 모델을 사용하여 추출한 상기 화합물의 화학적 특성 정보와, 상기 화합물의 3차원 정보로부터 모건 핑거프린트 알고리즘을 사용하여 추출한 상기 화합물의 공간적 배열 정보를 크로스 어텐션 매커니즘으로 결합하여 제1 특징 벡터를 생성하는 동작; ESM Fold 모델을 기초로 상기 단백질의 서열 정보로부터 상기 단백질의 3차원 정보를 추출하고, 상기 단백질의 3차원 정보로부터 1DCNN(1-Dimensional Convolutional Neural Network) 모델을 사용하여 추출한 상기 단백질의 화학적 특성 정보와, 상기 단백질의 3차원 정보로부터 2DCNN(2-Dimensional Convolutional Neural Network) 모델을 사용하여 추출한 상기 단백질의 공간적 배열 정보를 크로스 어텐션 매커니즘으로 결합하여 제2 특징 벡터를 생성하는 동작; 및 제1 특징 벡터와 제2 특징 벡터로부터 화합물과 단백질 간의 결합 친화도를 예측하도록 학습된 딥러닝 기반 신경망에, 상기 화합물의 화학적 특성 정보와 공간적 배열 정보의 특징이 크로스 어텐션 매커니즘 기반으로 결합된 제1 특징 벡터와, 상기 단백질의 화학적 특성 정보와 공간적 배열 정보의 특징이 크로스 어텐션 매커니즘 기반으로 결합된 제2 특징 벡터를 함께 입력하여 최종적으로 상기 화합물과 상기 단백질의 결합 친화도를 출력하는 동작을 포함하는, 결합 친화도 예측 장치.