🤖 machine learning

Generative Molecular Morphing for Flexible-Size Design via Unbalanced Optimal Transport

이 논문은 불균형 최적 운송(unbalanced optimal transport)을 기반으로 하여 기존 확산 방식의 고정된 원자 제한을 극복함으로써 우수한 특성 제어와 분포 외(out-of-distribution) 3D 분자 설계를 가능하게 하는 유연한 크기의 생성 모델인 Morph를 소개한다.

원저자: Malte Franke, Stefan P. Schmid, Zarko Ivkovic, Kjell Jorner, Andreas Krause

게시일 2026-06-08

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Malte Franke, Stefan P. Schmid, Zarko Ivkovic, Kjell Jorner, Andreas Krause

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 새로운 건물(분자)을 설계하려는 숙련된 건축가라고 상상해 보십시오. 과거의 가장 진보된 건축가들(AI 모델)에게는 엄격한 규칙이 하나 있었습니다. 바로 정해진 개수의 방을 가진 건물만 설계할 수 있다는 규칙이었습니다.

만약 그들이 집을 짓고 싶다면, 미리 "이 집은 정확히 4개의 방을 가질 것이다"라고 결정해야 했습니다. 만약 고층 빌딩을 짓고 싶다면, "이 고층 빌딩은 정확히 50개의 방을 가질 것이다"라고 결정해야 했습니다. 그들은 2개짜리 방을 가진 오두막 스케치에서 시작해 마법처럼 저택으로 확장하거나, 저택을 작은 오두막으로 줄일 수 없었습니다. 그들은 처음에 정한 방의 개수에 갇혀 있었습니다.

이 논문은 새로운 AI 건축가인 Morph를 소개합니다. Morph는 특별합니다. 왜냐하면 방의 개수에 신경 쓰지 않기 때문입니다. Morph는 빈 도화지(또는 작은 스케치)에서 시작하여, 건물이 안정적이고 보기 좋게 유지되도록 보장하면서 설계를 그리는 동안 동적으로 방을 추가하거나 제거할 수 있습니다.

Morph가 어떻게 작동하는지 간단한 개념으로 나누어 설명하겠습니다.

1. 문제점: "고정된 방 개수"의 함정

현재 대부분의 분자 설계 AI 모델은 이러한 경직된 건축가들과 같습니다. 그들은 원자(방)의 개수가 처음부터 고정되어 있다고 가정합니다.

문제점: 분자의 중요한 특성 중 많은 것(예: 지방에 얼마나 잘 녹는지 또는 얼마나 강한지)은 그 크기와 직접적으로 연결되어 있습니다. 크기를 바꿀 수 없다면, 특정 속성을 가진 분자를 만들기 위해 AI를 쉽게 유도하기 어렵습니다.
결과: 만약 고정된 크기의 모델에게 거대한 분자를 설계하라고 요청하면, 그 모델이 작은 분자들로만 학습되었을 경우 실패할 수 있습니다. 이는 마치 창고만 지을 줄 아는 모델에게 갑자기 대성당을 지으라고 요구하는 것과 같습니다. 모델은 규모를 키우는 법을 모릅니다.

2. 해결책: 점토처럼 "변형하기(Morphing)"

Morph는 분자 설계를 점토로 조각하는 것처럼 다룹니다.

과정: 단순히 정적인 그림을 그리는 대신, Morph는 대략적인 형태에서 시작합니다. 설계를 정교화하는 과정에서 다음과 같은 작업을 수행할 수 있습니다.
- 삽입(Insert): 새로운 원자를 추가합니다 (새로운 방을 추가함).
- 삭제(Delete): 불필요한 원자를 제거합니다 (벽을 허묾).
- 교체(Substitute): 원자의 종류를 바꿉니다 (나무 문을 철제 문으로 바꿈).
- 이동(Move): 구조가 완벽하게 들어맞도록 원자들을 이동시킵니다.
마법: Morph는 이 모든 것을 동시에 수행합니다. 단순히 방을 추가하는 것이 아니라, 필요한 방의 개수를 결정하면서 구조 전체를 재배치하는 것입니다.

3. 핵심 비결: "불균형 최적 운송(Unbalanced Optimal Transport)"

시작 스케치의 원자가 최종 분자의 어떤 원자와 대응되는지, 특히 숫자가 일치하지 않을 때 Morph는 어떻게 알 수 있을까요?

저자들은 **불균형 최적 운송(Unbalanced Optimal Transport)**이라는 수학적 기법을 사용합니다.

비유: 당신에게 빨간 벽돌 더미(시작 스케치)와 파란 벽돌 더미(목표 설계)가 있다고 상상해 보십시오. 두 더미의 크기는 서로 다릅니다.
기존 방식: 모든 빨간 벽돌을 파란 벽돌 하나하나와 완벽하게 매칭하려고 시도합니다. 만약 더미의 크기가 다르면 수학적 계산이 깨집니다.
Morph의 방식: "좋습니다, 최대한 많은 벽돌을 매칭해 봅시다. 남는 파란 벽돌은 공중에서 생성하고(삽입), 남는 빨간 벽돌은 그냥 버립시다(삭제)."라고 말합니다.
이를 통해 AI는 작고 엉성한 스케치로부터 완벽하고 복잡한 분자로 매끄럽게 전환될 수 있습니다.

4. Morph가 할 수 있는 일 (결과)

논문은 두 가지 주요 작업에 대해 Morph를 테스트했습니다.

무에서 유를 창조하기 (De-novo Design): Morph는 최고의 고정 크기 모델들만큼이나 유효하고 안정적인 분자를 만들어낼 수 있습니다. 유연성을 얻기 위해 품질을 희생하지 않습니다.
설계 유도하기 (Steering the Design): 이것이 Morph가 빛을 발하는 부분입니다.
- 시나리오: 당신은 매우 "기름진(높은 친지성)" 분자를 원합니다. 보통 기름진 분자는 크기가 큽니다.
- 고정 모델: 만약 고정 크기 모델에게 큰 기름진 분자를 만들라고 요청했는데, 그 모델이 작은 분자들로만 학습되었다면, 모델은 오류를 일으키거나 형편없는 결과물을 내놓을 수 있습니다.
- Morph: 당신이 "기름진 분자를 만들어줘"라고 말하면, Morph는 "알겠습니다, 기름지려면 더 커져야겠군요"라고 판단하고, 생성 과정 중에 더 많은 원자를 추가합니다. Morph는 학습 데이터에서 본 것보다 40% 더 큰 분자를 성공적으로 만들어냈습니다.
스캐폴드 장식 (Scaffold Decoration): 특정 레고 베이스(스캐폴드)를 가지고 있고 그 위에 독특한 구조를 쌓고 싶다고 가정해 봅시다. Morph는 그 베이스를 가져와서 분자를 완성하기 위해 적절한 부품들을 지능적으로 추가할 수 있습니다. 반면 다른 모델들은 베이스를 온전히 유지하면서 구조의 크기를 수정하는 데 어려움을 겪습니다.

5. 한계점 (Catch)

논문은 단점에 대해서도 솔직하게 밝히고 있습니다.

학습이 더 어렵습니다: Morph는 추가, 삭제, 이동을 동시에 학습해야 하기 때문에 학습하는 데 더 많은 시간과 컴퓨팅 자원이 필요합니다 (다른 모델들보다 약 2.5배 더 오래 걸립니다).
생성이 더 느립니다: 고정된 그림을 한 번에 그리는 것이 아니라, 많은 작은 결정들(예: 원자를 하나씩 추가하는 것)을 내려야 하므로, 하나의 분자를 완성하는 데 더 많은 단계가 필요합니다.

요약

Morph는 분자 설계에서 "고정된 크기"라는 규칙을 깨뜨리는 새로운 AI 도구입니다. 정해진 원자 개수에 갇혀 있는 대신, 실시간으로 분자를 키우거나 줄일 수 있습니다. 이를 통해 과학자들은 특정 속성(크기나 용해도 등)을 가진 분자를 요청할 수 있고, AI는 이를 구현하기 위해 적절한 원자 개수를 스스로 찾아낼 수 있습니다. 이는 기존의 AI 모델들이 도달할 수 없었던 완전히 새로운 유형의 화학 물질을 발견하는 길을 열어줍니다.

기술 요약: 불균형 최적 운송을 통한 가변 크기 설계를 위한 생성적 분자 모핑 (Generative Molecular Morphing)

1. 문제 정의

3D 분자 설계, 특히 확산(diffusion) 및 흐름 기반(flow-based) 접근 방식의 현재 생성 모델들은 고정된 원자 수( $n$ )를 다룬다는 결정적인 알고리즘적 한계에 직면해 있습니다. 이러한 제약은 모델이 분자의 특성과 분자 크기의 결합 분포를 학습하는 것을 방해합니다. 많은 화학적 특성이 원자 수와 본질적으로 연결되어 있기 때문에, 크기를 고정하는 것은 모델의 표현력을 인위적으로 제한합니다. 결과적으로, 이러한 모델들은 구조와 특성 사이의 복잡한 관계를 탐색하는 데 어려움을 겪으며, 구조적 사전 지식(예: 스캐폴드)을 효과적으로 통합하지 못하고, 크기 측면에서 훈련 분포 외(OOD)의 유효한 분자를 생성하지 못합니다.

2. 방법론

저자들은 기하학적 그래프의 유연한 크기 생성을 위한 모델인 Morph를 소개합니다. 이 모델은 생성 과정 중에 노드(원자)의 수를 동적으로 조정합니다. 이 방법론은 연속적인 역학(continuous dynamics)을 이산적 점프(discrete jumps)와 결합하여 **점프-플로우 프로세스(jump-flow process)**로 정식화합니다.

핵심 구성 요소:

상태 공간(State Space): 모델은 다양한 크기의 기하학적 그래프에 대한 몫 공간(quotient spaces)의 서로 소인 합집합 위에서 작동하며, $SE(3) $(평행 이동/회전) 및$ S_n$ (치환) 대칭성을 고려합니다.
생성 역학(Generative Dynamics): 프로세스는 다음을 결합합니다:
1. 연속 흐름(Continuous Flow): 원자의 위치를 이동시키는 속도장(velocity field) $v_t$ 에 의해 제어됩니다.
2. 이산 점프(Discrete Jumps): 노드 삽입, 삭제 및 유형 치환을 가능하게 하는 속도 밀도 $u_t$ 를 가진 연속 시간 마르코프 연쇄(CTMC)에 의해 제어됩니다.
조건부 생성 매칭(Conditional Generator Matching, CGM)을 통한 훈련: 주변 생성자(marginal generator)의 계산 불가능성을 피하기 위해, 모델은 CGM을 사용합니다. 이는 쌍을 이룬 엔드포인트 $(g_0, g_1)$ 사이의 경로를 따라 조건부 속도 및 점프율을 회귀하도록 학습합니다. 여기서 $g_0$ 는 사전 그래프(prior graph)이고 $g_1$ 은 타겟 분자입니다.
정렬을 위한 불균형 최적 운송(Unbalanced Optimal Transport, UOT): 서로 다른 크기( $n_0 \neq n_1$ $n_{0} \neq = n_{1}$ )의 기하학적 그래프를 정렬하여 보간 경로를 정의하기 위한 핵심 혁신은 UOT의 사용입니다.
- UOT 목적 함수는 운송 비용, 질량 삭제 페널티( $w_{del}$ ), 질량 삽입 페널티( $w_{ins}$ )를 포함하는 비용 함수를 최소화합니다.
- 에지 편집 비용(edge edit costs)은 0으로 설정되었는데, 이는 3D 구조와 원자가(valency)로부터 결합 토폴로지를 추론할 수 있다는 점에 근거합니다.
- 결과적인 운송 플랜은 정확한 편집 집합(매칭, 삽입, 삭제)을 결정하기 위해 증강된 공간에서의 헝가리안 알고리즘(Hungarian algorithm)을 사용하여 이산화됩니다.
- 매칭된 위치는 $SE(3)$ 불변성을 보장하기 위해 카브 알고리즘(Kabash algorithm)을 통해 회전 정렬됩니다.
보간 경로(Interpolation Paths): UOT 매칭을 바탕으로, 모델은 세 가지 양상(modality)에 대한 조건부 확률 경로를 정의합니다:
- 매칭된 노드: 위치는 가우시안 경로를 따르며, 유형은 스케줄러를 따릅니다.
- 삽입된 노드: 특정 이벤트 시간에 샘플링되며, 위치는 타겟을 중심으로 하는 가우시안에서 추출됩니다.
- 삭제된 노드: 특정 이벤트 시간까지 유지된 후, 해당 노드와 에지가 제거됩니다.
손실 함수: 예측된 조건부 생성자와 타겟 간의 브레그만 발산(Bregman divergence)을 최소화하는 훈련 목적 함수는 이동(MSE), 치환(cross-entropy), 삽입(Poisson NLL 및 GMM), 삭제(binary cross-entropy) 및 전하 예측 항으로 구성됩니다.

3. 주요 기여

3D 기하학적 그래프로의 확장: 이 연구는 유연한 크기 시퀀스 생성 기술을 3D 기하학적 그래프로 확장하여, 생성 과정에 구조적 사전 지식(예: 스캐폴드)을 원활하게 통합할 수 있게 합니다.
UOT 기반 매칭 알고리즘: 저자들은 서로 다른 크기의 기하학적 그래프를 정렬하여 훈련을 위한 타겟 확률 경로를 정의하는 불균형 최적 운송 기반의 매칭 알고리즘을 제안하며, 이를 통해 차원 변환(trans-dimensional) 문제를 처리합니다.
향상된 조종 가능성(Steerability) 및 OOD 생성: 논문은 Morph가 무조건적 생성(unconditional generation)에서 최첨단(SOTA) 고정 크기 모델과 대등한 성능을 보이면서도, 특성 조종 가능성 측면에서는 우수한 성능을 제공함을 입증합니다. 결정적으로, 이전 모델들이 실패하는 영역(예: 더 큰 분자 크기)에서도 성공적인 OOD 생성을 가능하게 합니다.

4. 결과

데 노보(De-novo) 설계: QM9 데이터셋에서 Morph는 SOTA 고정 크기 모델들(FlowMol, MiDi, EQGAT-diff, SemlaFlow)과 비교하여 경쟁력 있는 지표(원자 안정성, 분자 안정성, 유효성, 고유성)를 달 나타내며, 종종 더 적거나 동일한 함수 평가 횟수(NFE)를 사용합니다. 또한 더 복잡한 GEOM-Drugs 데이터셋에서도 우수한 성능을 보입니다.
특성 조종(Property Steering):
- 크기 컨디셔닝: 훈련 분포보다 원자 수가 현저히 높은 경우(OOD)에도 Morph는 높은 유효성을 유지하며, 가장 큰 훈련 예시보다 최대 40% 더 많은 원자를 가진 분자를 생성합니다. 고정 크기 모델은 이 영역에서 외삽(extrapolate)에 실패합니다.
- LogP 컨디셔닝: 모델은 로그 분배 계수(logP)에 따라 생성되는 분자의 크기를 성공적으로 조종하며, 훈련 분포의 크기 주변 분포를 복구하고 지원(support)이 낮거나 OOD인 logP 영역에서도 유효한 분자를 생성합니다.
스캐폴드 장식(Scaffold Decoration): 리드 최적화 작업에서 Morph는 작은 화학적 스캐폴드를 완전한 분자로 성공적으로 확장하면서 핵심 하위 구조를 보존하며, 높은 유효성과 고유성을 달성합니다.

5. 의의 및 주장

본 논문은 Morph가 현재의 생성적 분자 설계의 근본적인 한계인 '생성 중 분자 크기 적응 불가능성'을 해결한다고 주장합니다. Morph를 통해 다음과 같은 성과가 가능해집니다:

비할 데 없는 샘플링 유연성: 단일 모델로부터 다양한 크기의 분자를 생성할 수 있는 능력.
발견 잠재력 향ৰ: 특정 미지의 특성을 가진 새로운 분자를 발견하는 데 필수적인, 훈련 분포 외(OOD)의 화학 공간을 탐색할 수 있는 능력.
구조적 사전 지식 통합: 유연한 확장이 필요한 약물 발견의 일반적인 요구 사항인 스캐폴드를 시작점으로 사용하는 능력.

저자들은 조합적 복잡성으로 인한 증가된 훈련 비용, SOTA 성능에 도달하기 위해 더 많은 에포크(epoch)가 필요하다는 점, 그리고 CTMC 모델의 특성상 높은 적분 단계에 의존해야 한다는 점 등 한계점을 인정합니다. 이들은 Morph를 화학 과학 분야의 발견을 가속화하기 위한 유망한 빌딩 블록, 특히 유연한 크기 생성이 필요한 과업을 위한 도구로 포지셔닝합니다.