초록
분자 과학은 다양한 유형과 크기의 분자 및 그 복합체를 포함하는 광범위한 문제를 다룹니다. 최근 기하학적 딥러닝, 특히 그래프 신경망(Graph Neural Networks)이 분자 과학 응용 분야에서 희망적인 성능을 보여주고 있습니다. 그러나 기존 대부분의 연구는 특정 분자 시스템에 대해 특정한 유도 편향(inductive biases)을 도입하는 경향이 있으며, 매크로분자나 대규모 작업에 적용할 경우 효율성이 떨어져 실세계 문제에의 적용 범위가 제한됩니다. 이러한 문제를 해결하기 위해, 본 연구에서는 어떤 분자 시스템에서도 다양한 크기와 유형의 3차원(3D) 분자의 표현을 정확하고 효율적으로 학습할 수 있는 보편적 프레임워크인 PAMNet을 제안합니다. 분자 역학(molecular mechanics)에 영감을 받아 PAMNet은 국소적 및 비국소적 상호작용과 그 조합 효과를 명시적으로 모델링하기 위해 물리학 기반의 편향을 도입합니다. 그 결과 PAMNet은 비용이 큰 연산을 줄일 수 있어 시간 및 메모리 측면에서 효율적입니다. 광범위한 벤치마크 실험에서 PAMNet은 소분자 물성, RNA 3D 구조, 단백질-리간드 결합 친화도 등 세 가지 서로 다른 학습 과제에서 정확도와 효율성 측면에서 최첨단 기준보다 뛰어난 성능을 보였습니다. 본 연구 결과는 PAMNet이 분자 과학 분야의 다양한 응용 분야에서 큰 잠재력을 지닌다는 점을 시사합니다.