DiffDock: 분자 도킹을 위한 확산 단계, 비틀림, 그리고 회전

단백질에 소분자 리간드의 결합 구조를 예측하는 작업, 즉 분자 도킹(molecular docking)은 약물 설계에서 매우 중요합니다. 최근의 딥 러닝 방법들은 도킹을 회귀 문제로 다루어 전통적인 탐색 기반 방법보다 실행 시간을 단축시켰지만, 정확도 측면에서는 아직 실질적인 개선을 제공하지 못하고 있습니다. 우리는 대신 분자 도킹을 생성 모델링 문제로 접근하여 DiffDock이라는 비유클리디안 맨ifold(리간드 포즈의 공간) 위의 확산 생성 모델을 개발하였습니다. 이를 위해, 도킹 과정에서 관련되는 자유도(이동, 회전, 토션)의 곱공간으로 이 맨ifold를 매핑하고, 이 공간 위에서 효율적인 확산 프로세스를 개발하였습니다. 경험적으로, DiffDock은 PDBBind에서 RMSD<2Å 조건 하에 38%의 최상위 1위 성공률을 달성하여, 전통적인 도킹 방법(23%)과 딥 러닝 방법(20%)보다 크게 우수한 성능을 보였습니다. 또한, 이전 방법들이 계산적으로 접힌 구조에서 도킹을 수행할 수 없었던 것과 달리(DiffDock의 최대 정확도 10.4%), DiffDock은 상당히 높은 정밀도(21.7%)를 유지하였습니다. 마지막으로, DiffDock은 빠른 추론 시간과 높은 선택적 정확성을 제공하는 신뢰성 평가를 제공합니다.