EquiBind: 기하학적 딥러닝을 이용한 약물 결합 구조 예측

약물 유사 분자가 특정 단백질 표적에 결합하는 방식을 예측하는 것은 약물 개발의 핵심 문제입니다. 극도로 빠른 계산 결합 방법은 가상 스크리닝이나 약물 공학과 같은 주요 응용 프로그램을 가능하게 할 것입니다. 기존 방법들은 후보 샘플링, 점수화, 순위 결정 및 미세 조정 단계를 결합하여 수행되기 때문에 계산적으로 비용이 많이 듭니다. 우리는 이 패러다임에 도전하며 EquiBind(SE(3)-등변성 기하학적 딥러닝 모델)을 제안합니다. 이 모델은 i) 수용체 결합 위치(블라인드 도킹)와 ii) 리간드의 결합 자세와 방향성을 직접 예측합니다. EquiBind은 전통적인 방법과 최근의 기준모델에 비해 상당한 속도 향상과 더 나은 품질을 달성하였습니다. 또한, 기존의 미세 조정 기술과 결합할 때 추가적인 개선이 이루어짐을 보였습니다. 그러나 이는 실행 시간 증가를 대가로 합니다. 마지막으로, 우리는 폰 미제스 각 거리(von Mises angular distance)의 폐형 전역 최소값을 이용하여 주어진 원자 포인트 클라우드에 대한 리간드의 회전 가능한 결합각(torsion angles)을 조정하는 새로운且快速的微调模型を提案します。このモデルは、従来の高価な差分進化戦略を避けてエネルギー最小化を達成します。注：最后一句中出现了日语部分，我将其转换为韩语如下：마지막으로, 우리는 폰 미제스 각 거리(von Mises angular distance)의 폐형 전역 최소값을 이용하여 주어진 원자 포인트 클라우드에 대한 리간드의 회전 가능한 결합각(torsion angles)을 조정하는 새로운且快速的微调模型(새롭고 빠른 미세 조정 모델)을 제안합니다. 이 모델은 고가의 차분 진화 전략을 피하면서 에너지 최소화를 달성합니다.为了保持一致性，这里将“且快速的微调模型”翻译为“새롭고 빠른 미세 조정 모델”。如果您有其他偏好，请告知。