🧬 biology

TerraBind: Fast and Accurate Binding Affinity Prediction through Coarse Structural Representations

TerraBind는 단백질의 $C_\beta$ 원자와 리간드의 중원자만을 사용하는 저해상도 구조 표현 방식을 통해, 기존 확산 모델(diffusion model) 대비 추론 속도는 26배 높이면서도 결합 친화도(binding affinity) 예측 정확도는 약 20% 향상시킨 새로운 파운데이션 모델입니다.

원저자: Matteo Rossi, Ryan Pederson, Miles Wang-Henderson, Ben Kaufman, Edward C. Williams, Carl Underkoffler, Owen Lewis Howell, Adrian Layer, Stephan Thaler, Narbe Mardirossian, John Anthony Parkhill

게시일 2026-02-10

📖 2 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Matteo Rossi, Ryan Pederson, Miles Wang-Henderson, Ben Kaufman, Edward C. Williams, Carl Underkoffler, Owen Lewis Howell, Adrian Layer, Stephan Thaler, Narbe Mardirossian, John Anthony Parkhill

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

💊 신약 개발이라는 '퍼즐 맞추기'

새로운 약을 만드는 과정은 아주 복잡한 **'자물쇠(단백질)'**에 딱 맞는 **'열쇠(약물 분자)'**를 찾는 과정과 같습니다.

지금까지 과학자들은 이 열쇠가 자물쇠에 얼마나 잘 맞는지 확인하기 위해 두 가지 방법을 썼습니다.

전통적인 방식: 아주 정밀하지만 시간이 너무 오래 걸리는 수작업 (마치 열쇠를 하나하나 깎아서 직접 끼워보는 것)
기존 AI 방식: 아주 똑똑하지만 계산량이 너무 많아 컴퓨터가 끙끙대며 한참을 고민해야 하는 방식 (마치 열쇠의 모든 미세한 흠집까지 3D 스캔해서 시뮬레이션하는 것)

문제는 신약 후보 물질이 수십억 개나 된다는 점입니다. 기존 AI 방식으로는 이 수십억 개의 열쇠를 다 검사하는 데 수백 년이 걸릴지도 모릅니다.

🚀 TerraBind: "핵심만 콕 집어내는 '스마트 스캐너'"

이 논문에서 발표한 TerraBind는 이 문제를 아주 기발한 방식으로 해결했습니다.

1. "전신 스캔 대신 '손가락'만 본다!" (Coarse Representation)

기존 AI는 열쇠의 모든 원자 하나하나를 다 그리느라 시간을 다 썼습니다. 하지만 TerraBind는 이렇게 생각했습니다.

"열쇠가 자물쇠에 들어가는 핵심은 '열쇠의 모양'과 '자물쇠 입구의 틈'이지, 열쇠 표면의 미세한 먼지까지 다 알 필요는 없잖아?"

그래서 TerraBind는 모든 원자를 다 그리는 대신, **핵심적인 뼈대(Cβ 원자 및 무거운 원자들)**만 추려서 봅니다. 마치 사람의 전신을 정밀 촬영하는 대신, 자물쇠 구멍에 들어가는 '열쇠의 톱니 모양'만 빠르게 스캔하는 것과 같습니다. 덕분에 속도가 무려 26배나 빨라졌습니다!

2. "정답만 맞히는 게 아니라, '자신감'도 말해준다!" (Uncertainty Quantification)

기존 AI는 "이 열쇠는 잘 맞을 것 같아요"라고 말하면서도, 그게 얼마나 확실한지는 말해주지 않았습니다.
TerraBind는 "이 열쇠는 90% 확률로 잘 맞아요" 혹은 **"이건 좀 애매한데, 다시 확인해 보세요"**라고 자신의 **'확신도(Uncertainty)'**를 함께 알려줍니다. 덕분에 과학자들은 AI가 확신하는 후보들만 골라서 집중적으로 연구할 수 있습니다.

3. "공부할수록 똑똑해지는 '학습형 학생'" (Continual Learning)

TerraBind는 실험 결과가 나오면 그 데이터를 즉시 흡수해서 다음 예측에 반영합니다. 마치 시험을 치고 오답 노트를 만들어서 다음 시험을 더 잘 준비하는 우등생처럼, 실험 데이터가 쌓일수록 점점 더 정확하게 약물을 골라냅니다.

🌟 요약하자면?

TerraBind는 **"정밀도는 유지하면서, 불필요한 디테일은 과감히 생략해 속도를 엄청나게 높인 똑똑한 신약 탐색기"**입니다.

속도는 26배 빨라졌고,
정확도는 오히려 20% 더 좋아졌으며,
자신이 얼마나 잘 맞히는지까지 스스로 판단합니다.

이 기술 덕분에 인류는 수십억 개의 후보 물질 중에서 진짜 효과가 있는 '마법의 열쇠(신약)'를 찾는 시간을 획기적으로 단축할 수 있게 되었습니다.

[기술 요약] TerraBind: 조밀하지 않은 구조 표현을 통한 빠르고 정확한 결합 친화도 예측

1. 문제 정의 (Problem Statement)

현재 신약 개발 분야의 구조 기반 약물 설계(SBDD)는 딥러닝 모델(예: AlphaFold3, Boltz-2)의 발전으로 큰 전환점을 맞이했습니다. 그러나 기존의 최첨단(SOTA) 모델들은 다음과 같은 치명적인 한계를 가집니다:

계산 비용 및 속도 병목: 최신 모델들은 모든 원자(all-atom)의 3D 좌표를 생성하기 위해 고비용의 **확산 모델(Diffusion model)**을 반복적으로 사용합니다. 이는 복합체당 약 20초가 소요되어, 수십억 개의 화합물을 스크리닝해야 하는 산업적 규모의 가상 스크리닝(Virtual Screening)에는 적용하기 어렵습니다.
불확실성 정량화의 부재: 구조적 타당성(pLDDT 등)은 측정할 수 있지만, 실제 약물의 결합 친화도(Binding Affinity)에 대한 신뢰도(Uncertainty)를 제공하는 메커니즘이 부족합니다.
효율성과 정확도의 트레이드오프: 속도가 빠른 서열 기반 모델은 데이터가 부족한 타겟에서 성능이 급격히 떨어지며, 구조 기반 모델은 정확하지만 너무 느립니다.

2. 핵심 가설 및 방법론 (Methodology)

본 논문은 **"결합 친화도와 리간드 포즈(Pose)를 정확히 예측하는 데 있어 모든 원자의 해상도(All-atom resolution)가 반드시 필요한 것은 아니다"**라는 가설을 세우고, 이를 검증하기 위해 TerraBind를 제안합니다.

A. 핵심 아키텍처 (Architecture)

TerraBind는 확산 모델을 제거하고 조밀하지 않은(Coarse-grained) 표현을 사용하는 4가지 주요 모듈로 구성됩니다:

Frozen Pretrained Encoders (사전 학습된 인코더):
- COATI-3: 리간드의 SMILES, 2D 그래프, 3D 점구름(Point cloud)을 통합한 멀티모달 인코더.
- ESM-2: 단백질 서열의 진화적 정보를 포착하는 언어 모델. (MSA 생성 과정 생략으로 속도 향상)
Structure Module (구조 모듈):
- 48층의 Pairformer(PF) 트렁크를 사용하여 단백질 $C\beta$ 원자와 리간드 중원자(Heavy atom) 간의 거리 분포(Distogram)를 예측합니다.
- 확산 모델 대신 **거리 기반 최적화(Coordinate Optimization)**를 사용하여 3D 좌표를 생성합니다.
Pose Module (포즈 모듈):
- 예측된 거리 분포를 바탕으로 경사 하강법(Gradient-based optimization)을 통해 리간드의 3D 포즈를 생성합니다.
Affinity Module (친화도 모듈):
- 구조적 특징을 직접 매핑하여 결합 친화도( $pIC_{50}$ )를 회귀(Regression)하고 결합 가능성(Likelihood)을 분류(Classification)합니다.
- Epinet (Epistemic Neural Network): 결합 친화도 예측에 대한 정량화된 불확실성(Uncertainty)을 제공합니다.

B. 주요 학습 전략

Multi-stage Curriculum Learning: 다양한 인터페이스 학습 $\rightarrow$ 리간드 중심의 결합 부위 집중 학습 $\rightarrow$ 실험적 PDB 데이터 기반 미세 조정(Fine-tuning)의 3단계를 거칩니다.
Pocket-level Representation: 전체 단백질이 아닌 리간드 주변 15Å 이내의 결합 포켓(Pocket)에 집중하여 계산 복잡도를 $O(N^3)$ 에서 획기적으로 줄였습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 성능 및 속도 (Speed & Accuracy)

26배 빠른 추론 속도: Boltz-2 대비 약 26.6배 빠른 추론 속도를 달성하여 고처리량 스크리닝이 가능해졌습니다.
친화도 예측 정확도 향상: 공공 벤치마크(CASP16) 및 Terray의 독자적인 데이터셋(18개 타겟)에서 Boltz-2보다 Pearson 상관계수가 약 20% 향상되었습니다.
구조 예측 정확도 유지: 확산 모델을 사용하지 않음에도 불구하고 FoldBench, PoseBusters 등 주요 벤치마크에서 기존 모델과 대등한 리간드 포즈 정확도를 보였습니다.

B. 신뢰성 및 최적화 (Reliability & Optimization)

내장된 구조적 신뢰도: 거리 분포의 엔트로피( $H_{LP}$ )를 통해 모델이 스스로 구조 예측의 불확실성을 측정할 수 있음을 입증했습니다.
불확실성 기반 화합물 선택: Epinet을 통해 계산된 불확실성을 활용하여, 단순 탐욕적(Greedy) 방식보다 6배 더 높은 친화도 개선 효과를 보이는 배치 선택 전략(EMAX acquisition function)을 제시했습니다.
지속적 학습(Continual Learning): 새로운 실험 데이터를 모델에 빠르게 통합하여 예측력을 높이는 프레임워크를 구현했습니다.

4. 연구의 의의 (Significance)

TerraBind는 신약 개발의 패러다임을 다음과 같이 변화시킵니다:

실용적 스크리닝 가능성: 기존 모델이 '정확하지만 느려서' 불가능했던 수십억 규모의 화합물 라이브러리 스크리닝을 고정밀 모델로 수행할 수 있는 길을 열었습니다.
효율적 설계: 모든 원자를 계산하는 대신 결합 부위의 핵심 기하학적 정보(Coarse-grained)만으로도 충분히 강력한 예측이 가능함을 증명했습니다.
산업적 적용성: 불확실성 정량화와 지속적 학습 기능을 통해, 실제 실험(DMTA 사이클)과 AI 모델이 유기적으로 결합되어 신약 후보 물질을 빠르게 최적화할 수 있는 실질적인 도구를 제공합니다.