Lianghong Chen Dongkyu Eugene Kim Mike Domaratzki Pingzhao Hu

초록

목표 성질을 갖춘 새로운 3차원(3D) 분자를 설계하는 것은 약물 발견 및 분자 공학 분야에서 여전히 핵심적인 도전 과제로 남아 있다. 확산 모델은 고품질의 3D 분자 구조 생성에 있어 뛰어난 능력을 보여주었지만, 실제 응용에서 필수적인 복잡한 다중 목적 제약 조건을 효과적으로 제어하는 데 어려움을 겪는 경우가 많다. 본 연구에서는 다중 성질 목표를 향해 3D 분자 확산 모델의 최적화를 안내하면서 생성된 분자의 전반적인 품질을 향상시키기 위해 불확실성 인식 기반 강화학습(RL) 프레임워크를 제안한다. 본 방법은 예측 불확실성 추정 기능을 갖춘 서rogate 모델을 활용하여 보상 함수를 동적으로 조정함으로써, 여러 최적화 목표 간의 균형을 도모한다. 제안한 프레임워크는 세 가지 벤치마크 데이터셋과 다양한 확산 모델 아키텍처를 대상으로 종합적으로 평가되었으며, 분자 품질 및 성질 최적화 측면에서 일관되게 기존 베이스라인을 상회하는 성능을 보였다. 또한, 상위 생성 후보 분자에 대해 분자 역학(MD) 시뮬레이션과 ADMET 프로파일링을 수행한 결과, 기존의 표피 성장 인자 수용체(EGFR) 억제제와 유사한 약물 유사성 및 결합 안정성을 보이며, 잠재적인 약물 후보로서의 가능성을 시사하였다. 본 연구 결과는 RL 기반의 생성 확산 모델이 자동화된 분자 설계를 촉진하는 데 큰 잠재력을 지니고 있음을 입증한다.