기술 요약: ShallowBench

문제 정의

생성형 AI 모델은 구조 기반 약물 설계(SBDD), 특히 깊고 구조적으로 정의된 결합 포켓을 가진 타겟에 대해 화학적으로 유효하고 친화도가 높은 리간드를 생성하는 데 있어 상당한 성공을 거두었습니다. 이러한 깊은 공동(cavity)은 명확한 기하학적 제약과 반데르발스 상호작용을 위한 광범한 표면적을 제공하여, 생성된 좌표를 효과적으로 고정(anchoring)합니다. 그러나 결정적인 취약점이 남아 있습니다: 이 모델들은 얕거나 본질적으로 무질서한 단백질 표면을 위한 효과적인 리간드를 생성하는 데 어려움을 겪습니다.

KRAS 및 MYC와 같은 많은 우선순위 높은 치료 타겟들은 전통적인 고오목도(high-concavity) 결합 포켓이 결여되어 있습니다. 평평한 인터페이스에 결합하려는 리간드는 벌크 용매(bulk solvent)와의 경쟁이 심화되고, 잘 정의된 구조적 포위(enclosure)가 부족하며, 접촉 면적이 희소해지는 문제에 직면합니다. 더욱이, 표준 벤치마크 데이터셋(예: CrossDocked2020, PDBbind)은 깊은 포켓 타겟에 의해 지배되어, 모델이 왜곡된 분포를 학습하게 되는 훈련 및 평가 편향을 초래합니다. 결과적으로, 얕은 표면에 대한 최첨단 SBDD 모델의 성능 저하가 정량화되지 않은 채 남아 있으며, 이는 이러한 "약물 투여 불가능한(undruggable)" 타겟들을 다룰 수 있는 아키텍처 개발을 저해하고 있습니다.

방법론

데이터셋 큐레이션: ShallowBench

얕은 타겟을 위한 전용 벤치마크의 부재를 해결하기 위해, 저자들은 CrossDocked2020 데이터셋에서 추출한 5,780개의 얕은 포켓 타겟으로 구성된 ShallowBench를 큐레이션했습니다. 큐레이션 과정은 낮은 오목도를 가진 인터페이스를 격리하면서도 결합에 충분한 표면적을 확보하기 위해 엄격한 2단계 부피 접근 방식을 사용했습니다:

1. 부피 계산: 각 단백질-리간드 복합체에 대해, 네이티브 리간드의 질량 중심(COM)으로부터 8.0Å 반경 내에 있는 단백질 원자들을 추출하여 국소 결합 환경을 정의했습니다.
2. 오목도 지표: 저자들은 두 부피의 차이로 오목도를 정의했습니다:
   • $V_{atom}$: 3D 복셀 그리드(1.0Å 복셀 크기)에 매핑된 단백질 원자가 엄격하게 점유하는 부피.
   • $V_{lid}$: 인터페이스 위에 시뮬레이션된 "뚜껑(lid)" 역할을 하는 Alpha Shape 메쉬($\alpha = 0.15$ 사용)에 의해 생성된 경계 부피.
   • 공식: $\text{Concavity} = V_{lid} - V_{atom}$.
3. 필터링 기준: 타겟은 Concavity < 500.0 ų**의 엄격한 상한선과 **Surface Area > 50.0 Ų(2.0Å 복셀 그리드를 사용하여 계산)의 하한선을 충족하는 경우에만 선택되었습니다. 이 과정을 통해 초기 166,500개의 타겟이 5,780개로 감소했습니다.

데이터 분할 및 대조군

• Train/Test 분할: 데이터 누수를 방도하기 위해, 데이터셋은 30% 서열 유사도 클러스터링을 기반으로 분할되었습니다. 이는 4,995개의 훈련 타겟과 785개의 테스트 타겟을 생성하였으며, 테스트 타겟이 훈련 세트와 유의미한 상동성을 공유하지 않도록 보장했습니다.
• 대조군 데이터셋: 라운드 로빈 층화 샘플링(round-robin stratified sampling)을 사용하여 CrossDocked2020으로부터 구조적으로 다양한 대조군 세트 5,780개를 생성했습니다. 이 세트는 ShallowBench와 크기는 동일하지만, 표준적인 깊은 포켓 타겟 분포를 나타내어 일대일 비교 평가를 가능하게 합니다.

평가 프레임워크

저자들은 세 가지 최첨단 생성형 SBDD 모델인 DiffSBDD, SimpleSBDD, TargetDiff를 파인튜닝 없이 ShallowBench와 대조군 데이터셋 모두에서 평가했습니다. 평가는 다음 지표를 활용했습니다:

• 화학적 유효성(Chemical Validity): RDKit을 통한 원자가, 방향족성 및 정제(sanitization) 검사를 통과한 분자의 비율.
• 평균 QED: 약물 유사성 정량적 추정치(Quantitative Estimate of Druglikeness).
• Vina 친화도(Vina Affinity): AutoDock Vina를 통한 예측 결합 에너지(kcal/mol).
• 형상 보완성(Shape Complementarity, Sc): 리간드와 단백질 사이의 기하학적 적합도(SCASA 알고리즘 사용). 이는 얕은 표면 필터링의 성공을 확인하기 위한 음성 대조군 역할을 합니다.

주요 결과

평가 결과, 깊은 포켓 대조군에서 얕은 포켓 타겟으로 전환될 때 모델 성능이 체계적으로 하락함이 드러났습니다:

• 결합 친화도의 체계적 감소: 모든 모델이 ShallowBench에서 더 약한 예측 결합 친화도를 보였습니다. 예를 들어, TargetDiff의 평균 Vina 친화도는 대조군에서의 -7.33 kcal/mol에서 ShallowBench에서는 -5.26 kcal/mol로 떨어졌습니다. SimpleSBDD 역시 -7.52에서 -6.47 kcal/mol로 감소했습니다.
• SimpleSBDD의 트레이드오프: SimpleSBDD는 두 데이터셋 모두에서 가장 강력한 Vina 친화도를 달로 달성했으나, 낮은 형상 보완성(Sc)과 화학적 유효성(~85%)을 대가로 했습니다. 이 모델의 성능은 순수한 de novo 3D 생성기라기보다 약물 유사 라이브러리에 대한 스코어링 필터로서 기능함을 시사합니다.
• DiffSBDD의 약한 조건부 신호: DiffSBDD는 높은 화학적 유효성(98%)을 유지했으나, 거의 제로에 가까운 형상 보완성과 낮은 QED 점수(0.25)를 가진 분자들을 생성했습니다. 이는 모델이 유효한 분자를 생성하더라도 얕은 포켓의 기하학적 구조에 효과적으로 고정(anchor)되지 못하는, 즉 조건부 신호가 약함을 나타냅니다.
• TargetDiff의 유효성 저하: TargetDiff는 대조 데이터셋에서의 87.51%에서 ShallowBench에서의 **79.71%**로 화학적 유효성이 급격히 하락했습니다. 이는 확산(diffusion) 과정이 3D 단백질 제약이 희소할 때 근본적인 분자 조립을 강제하는 데 어려움을 겪음을 시사합니다.
• 형상 보완성 이상 현상: DiffSBDD와 SimpleSBDD가 얕은 표면에서 거의 제로에 가까운 Sc를 보인 반면, TargetDiff는 상대적으로 높은 Sc(0.6088)를 유지했습니다. 이는 TargetDiff가 화학적 유효성을 희생하더라도 표면 토폴로지에 더 공격적으로 순응하려고 시도함을 의미합니다.

의의 및 기여

본 논문은 ShallowBench를 통해 현재의 생성형 생물학 모델의 한계를 드러내는 필수적인 도구로서 이를 위치시킵니다. 저자들은 다음과 같은 기여를 주장합니다:

1. 벤치마크 구축: 저오목도 타겟을 위한 엄격하게 큐레이션된 5,780개의 얕은 포켓 타겟 벤치마크를 도입하여, 기존에 존재하지 않았던 저오목도 타겟을 위한 대규모 전용 데이터셋의 공백을 메웠습니다.
2. 방법론적 혁신: 결합 관련 표면적을 보존하면서도 낮은 오목도의 인터페이스를 효과적으로 격리하기 위해 Alpha Shape "뚜껑" 계산을 사용하는 2단계 부피 접근법을 개발했습니다.
3. 리소스 제공: 상동성 누수를 방지하도록 설계된 엄격하게 분할된 훈련 및 테스트 데이터셋을 Hugging Face를 통해 공개하여, 연구자들이 도전적인 타겟을 위해 모델을 특정하여 파인튜닝할 수 있도록 했습니다.
4. 취약성에 대한 실증적 증거: 최첨단 SBDD 모델들이 평평한 표면에서 체계적인 성능 저하를 겪는다는 것을 입증했습니다. 결과는 현재의 깊은 포켓 편향에 따라 훈련된 아키텍처들이 비전통적인 결합 부위를 탐색하는 데 어려움을 겪고 있음을 강조하며, 새로운 아키텍처 혁신이나 손실 함수(loss function)의 필요성을 역설합니다.

저자들은 ShallowBench가 생성형 모델을 평가하기 위한 엄격한 베이스라인을 제공하며, 얕은 포켓 타겟의 독특한 물리적 제약을 처리할 수 있는 아키텍처적 발전의 시급성을 강조한다고 결론짓습니다.