3D 분자 생성 제어 위한 오토인코딩 확산 모델 개발

주장기존 등변 확산 모델은 3D 분자 생성에서 우수한 성능을 보이지만, 여러 분자 특성을 동시에 정밀하게 제어하는 데 한계가 있습니다. 연구진은 이를 해결하고자 의미론적 임베딩을 학습하는 새로운 오토인코딩 확산 모델을 제안했습니다.

주장제안 모델은 보조 인코더를 통해 3D 분자의 의미론적 정보를 분리하여 학습합니다. 이 과정을 거쳐 생성 단계에서 분자의 구성과 형태, 물리화학적 특성을 직접 조작합니다.

교차검증기존 확산 모델은 명시적인 잠재 공간이 부족하여 특정 속성을 타겟팅하여 수정하는 작업에 어려움을 겪었습니다. 이번 연구는 보조 인코더를 도입하여 이러한 구조적 한계를 극복했습니다.

팩트연구진은 검색 증강 생성 기법을 도입하여 생성 품질을 높였습니다. 임베딩을 쿼리로 사용하여 원하는 특성을 가진 분자를 효율적으로 검색하고 생성합니다.

팩트실험 결과, 이 모델은 타겟팅하지 않은 분자 특성을 보존하면서도 특정 속성을 정밀하고 데이터 효율적으로 제어함을 입증했습니다. 이는 약물 설계 시 핵심 구조와 결합 기하학을 유지하는 데 유리합니다.

교차검증본 모델은 다중 속성을 동시에 조작할 때 분리된 임베딩을 통해 상당한 이점을 제공합니다. 다만 복잡한 분자 구조에서의 일반화 가능성에 대해서는 추가적인 검증이 필요합니다.

팩트이번 연구는 네이처 커뮤니케이션즈에 게재되었으며, 정션 트리 변이형 오토인코더, 모플로우, 지오디프 등 기존 연구 성과를 기반으로 발전했습니다.

팩트연구에 사용된 지오엠 데이터는 몰디프 저장소에서, 크로스도크드 데이터는 타겟디프 저장소에서 확보했습니다. 알디케이킷 특성 및 디알디투 결합 예측 데이터는 요청 시 제공합니다.

팩트모델 소스 코드는 깃허브 저장소에 공개되어 있습니다. 해당 코드는 엔이씨 래버러토리스 아메리카가 부여한 비상업적 라이선스에 따라 배포합니다.

출처네이처 커뮤니케이션즈 게재 논문 및 해당 논문의 참고문헌 목록을 교차 검증했습니다.