기술 요약: ToolMol

문제 정의

소분자 신약 개발은 높은 결합 친화도, 약물 유사성 (QED), 합성 용이성 (SA) 등 여러 중요한 속성을 동시에 만족해야 하는 자원이 많이 소요되는 과정입니다. 대규모 언어 모델 (LLM) 은 과학 텍스트에 대한 사전 학습을 활용하여 약물 유사 분자를 생성하는 데 유망한 성과를 보여왔지만, 기존 LLM 기반 접근법은 문법적으로 유효하지 않은 분자 문자열 (SMILES) 이 높은 비율로 발생하는 치명적인 한계를 겪고 있습니다. 강력한 추론 모델조차 시도 중 30% 이상에서 유효한 구조를 생성하지 못해, 종종 프레임워크가 더 약한 비-LLM 연산자로 대체되게 만듭니다. 이러한 문법적 실패는 LLM 의 고유한 화학 지식을 유효한 분자 변형으로 신뢰성 있게 전환하지 못하게 하여, 속성 기반 최적화의 효율적인 수행을 방해합니다.

방법론

저자들은 LLM 의 직접 생성이 가진 문법적 한계를 극복하면서도 그 화학적 추론 능력을 활용하도록 설계된 진화적 에이전트 프레임워크인 ToolMol을 소개합니다. ToolMol 은 다목적 유전 알고리즘 (MOGA) 과 RDKit 기반의 결정론적 도구 상자를 활용하는 에이전트형 LLM 연산자를 통합합니다.

핵심 구성 요소

1. 다목적 유전 알고리즘 (MOGA):

   • 초기화: ZINC 250K 데이터셋에서 샘플링된 60 개의 분자 집단으로 프로세스가 시작됩니다.
   • 선택: 부모 분자는 결합 친화도, QED, SA 로 구성된 스케일된 목적 함수의 가중 합으로 정의된 적합도에 비례하는 확률로 샘플링됩니다.
   • 최적화 목표: 이 알고리즘은 임의의 가중치 선택을 피하고 엄격하게 우위를 정의 ($m'$이 모든 목적에서 $m$보다 우수할 때 $m' \succ m$) 하여 화학 부분 공간 내에서 비우세 파레토 프론트 ($M^*$) 를 찾습니다.
   • 종료: 고정된 "오라클 예산"(1,000 회 결합 친화도 평가) 이 소진될 때까지 프로세스가 실행됩니다.

2. 에이전트형 LLM 연산자 (AGENTGEN):

   • 도구 호출 메커니즘: ToolMol 은 LLM 에게 원시 SMILES 문자열을 출력하도록 요청하는 대신, RDKit 으로 뒷받침되는 7 개의 결정론적 함수 세트를 LLM 에게 제공합니다. 여기에는 원자 추가, 원자 교체, 기능기 추가, 부분 구조 추가, 부분 구조 교체, 부분 구조 제거, 분자 교차가 포함됩니다.
   • 맥락 입력: 각 도구 호출 전에 LLM 은 입력 분자에 대한 상세한 구조 정보 (원자 인덱스, 원자가, 중심성, 인접 원자) 와 속성 지표 (QED, SA, LogP) 를 받습니다.
   • 반복적 프로세스: 에이전트는 분자를 수정하기 위해 도구 호출 시퀀스 (최대 10 단계, 일반적으로 그보다 적음) 를 수행합니다. 교차를 먼저 수행한 후 돌연변이를 수행하도록 권장됩니다.
   • 유효성 보장: 수정이 텍스트 생성이 아닌 RDKit Mol 객체의 결정론적 그래프 공간에서 발생하므로, 도구 호출 자체가 문법적으로 정확하다면 결과 분자는 유효한 SMILES 인코딩을 갖는 것이 보장됩니다.

3. 평가 파이프라인:

   • 친화도 예측: 결합 친화도 ($\Delta G$) 는 골드 스탠다드 절대 결합 자유 에너지 (ABFE) 계산과 높은 상관관계를 보이는 생체 분자 기반 모델인 Boltz-2를 사용하여 추정됩니다.
   • 지표: 성능은 결합 친화도 (BA), 필터링된 친화도 (FA, QED > 0.5 및 SA < 3.0 인 분자만 고려), 그리고 파레토 프론트의 초부피 (HV) 로 측정됩니다.
   • 검증: 최상위 분자의 일부는 분자 역학 (OpenMM) 을 사용한 엄격한 ABFE 계산을 거쳐 예측된 친화도를 검증합니다.

주요 기여

• 프레임워크 설계: 다목적 신약 개발을 위한 진화적 프레임워크 내에서 LLM 도구 호출을 활용한 첫 번째 연구인 ToolMol 의 제시입니다. 이는 분자 수정 프로세스를 성공적으로 추상화하여 LLM 이 텍스트 생성기가 아닌 정밀한 구조 편집기로 작용하도록 합니다.
• 문법적 견고성: 직접 문자열 생성에서 도구 호출로 전환함으로써 ToolMol 은 이전 LLM 기반 방법들 (예: MOLLEO) 을 괴롭혀 온 높은 비율의 유효하지 않은 SMILES 문자열 문제를 제거합니다.
• 추론 정렬: 이 프레임워크는 LLM 의 "생각의 사슬" 추론 흔적이 분자에 가해진 실제 구조적 수정과 정확하게 일치하도록 보장하며, 이는 LLM 의 계획이 종종 결과와 달라지는 기존 방법들에 비해 큰 개선입니다.

결과

ToolMol 은 세 가지 단백질 표적인 c-MET, BRD4, 그리고 LLM 에게 사전 학습 데이터가 제한된 표적인 ACAA1에 대해 평가되었습니다.

• 다목적 성능: ToolMol 은 세 가지 표적 모두에서 최첨단 (SOTA) 결과를 달성했습니다. Pocket2Mol, TAGMol, PAFlow, Graph-GA, MOLLEO 를 포함한 베이스라인들을 능가했습니다.
  • 결합 친화도: ToolMol 리간드는 기존 방법들보다 10% 이상 강한 예측 결합 친화도를 보여주었습니다.
  • 필터링된 친화도 및 초부피: ToolMol 은 일관되게 필터링된 친화도 (FA) 와 초부피 (HV) 에서 최고의 점수를 달성하여, 높은 친화도와 약물 유사성/합성 용이성을 모두 갖춘 분자를 생성하는 데 뛰어난 능력을 나타냈습니다.
• 골드 스탠다드 검증: 결합 친화도의 골드 스탠다드인 ABFE 평가에서 ToolMol 리간드는 검색 과정에서 명시적으로 ABFE 를 최적화하지 않았음에도 불구하고 SOTA 방법인 MF-LAL 보다 ABFE 점수에서 35% 이상 더 높은 성과를 거두었습니다.
• 절대 실험 (Ablation Studies):
  • MOLLEO 의 직접 생성을 ToolMol 의 도구 상자로 대체하면 결과가 크게 개선되어 도구 호출 접근법의 가치를 확인했습니다.
  • 단순히 MOLLEO 에게 유효하지 않은 생성을 재시도하게 하는 것은 성능을 개선하지 못했으며, 이는 출력의 유효성보다는 수정 논리의 품질(도구에 의해 가능해짐) 이 더 중요함을 시사합니다.
  • ToolMol 의 추론 흔적은 MOLLEO 에 비해 실제 분자 변화와 훨씬 높은 일치도를 보였습니다 (p = 0.02).

중요성과 주장

이 논문은 ToolMol 이 구조화된 도구 사용을 통해 LLM 의 고유한 화학 지식을 효과적으로 활용함으로써 de novo 약물 설계에 대한 LLM 의 실용적 유용성을 입증한다고 주장합니다. 저자들은 LLM 의 주요 이점이 문자열 생성에 있는 것이 아니라, 화학적 변환과 휴리스틱 (예: 힌지 결합 모티프, 대사 안정성) 에 대한 추론 능력에 있다고 논합니다. 도구를 통해 LLM 을 유효한 화학 공간으로 제한함으로써 ToolMol 은 LLM 의 추론 능력과 분자 생성의 엄격한 요구 사항 사이의 간극을 메웁니다.

이 연구는 결합 친화도와 약물 유사성 및 합성 용이성 사이의 균형을 맞추는 데 종종 어려움을 겪는 최근의 생성 모델 (확산, 흐름 기반) 에 비해 이 에이전트 접근법이 뚜렷한 이점을 제공한다고 시사합니다. 저자들은 ToolMol 이 의약 화학자의 추론과 일치하는 분자를 생성하는 능력 (높은 ABFE 점수로 입증됨) 이 효율적이고 해석 가능하며 고품질의 컴퓨팅 신약 개발을 향한 중요한 단계라고 주장합니다.

지적된 한계: 저자들은 Boltz-2 오라클의 정확도가 새로운 분포 외 (out-of-distribution) 스캐폴드에서는 저하될 수 있음을 인정하지만, AutoDock Vina 에 비해 ABFE 와의 상관관계가 우수하다는 증거를 제시합니다. 또한 현재 구현은 단순화된 유전 알고리즘 설정을 사용하므로, 더 복잡한 진화 전략에 대한 향후 탐구의 여지가 있음을 지적합니다.