기술 요약: Q-Score: 분자 도킹을 위한 양자 네이티브 스코어링 함수

문제 정의

분자 도킹은 약물 발견 과정에서 소분자(리간드)가 단백질 표적에 어떻게 결합하는지를 예측하는 데 있어 핵심적인 병목 구간입니다. 워크플로은 후보 결합 포즈의 순위를 매기기 위해 경험적 스코어링 함수(Vina, Glide 등)에 크게 의존합니다. 이러한 도구들은 원자 쌍 간의 상호작용(반데르발스 힘, 수소 결합, 용매화 등)을 합산하여 점수를 산출합니다.

저자들은 이러한 고전적 접근 방식에서 두 가지 근본적인 한계를 식별했습니다:

1. 크기 편향(Size Bias): 점수가 원자 쌍에 대한 가산적 합계이기 때문에, 상호작작용의 질과 상관없이 분자가 커질수록 단순히 원자 수가 많아짐에 따라 더 높은 점수를 얻게 됩니다.
2. 양자 역학적 충실도 부족: 경험적 함수는 결합 특이성에 필수적인 입체 전자 효과(예: $n \to \sigma^*$, $\pi \to \pi^*$와 같은 궤도 수준의 전하 이동, 하이퍼컨쥬게이션, $\pi$-스태킹)를 포착하지 못합니다. 이러한 효과들은 종종 일반적인 범주로 혼동되거나 완전히 무시됩니다.

또한, 이전의 연구들은 도킹을 조합 최적화 문제(Maximum-Weight Vertex Clique Problem, MWVCP)로 재정의했으나, 기존의 정식화는 수동적인 파마코포어 주석과 거친 입도(coarse-grained)의 룩업 테이블에 의존하여 화학적 해상도와 자동화 측면에서 한계가 있었습니다.

방법론: Q-Score 프레임워크

본 논문은 경험적 합계를 양자 화학 기반의 궤도 상호작용 에너지로 대체하고, 이를 양자 최적화를 통해 해결하는 하이브리드 AI-양자 프레임워크인 Q-Score를 소개합니다. 이 파이프라인은 네 단계로 구성됩니다:

1. 결합 부위 추출 (Binding Site Extraction)

현재의 노이즈가 있는 중규모 양자(NISQ) 장치의 큐비트 제약을 수용하기 위해, 시스템은 거리 컷오프($d_{cut} = 5.0$ Å)를 사용하여 단백질-리간드 복합체에서 결합 부위 $B$를 추출합니다. 이는 필수적인 상호작용 환경을 보존하면서 시스템을 100~250개의 원자로 축소합니다.

2. 궤도 상호작용 예측 (AI 단계)

수동 주석 대신, 본 프레임워크는 SIMG*라고 불리는 그래프 신경망(GNN)을 채택합니다.

• 입력: 복합체의 3D 좌표 및 연결성.
• 메커니즘: SIMG*는 자연 결합 궤도(Natural Bond Orbital, NBO) 상호작용과 그 2차 섭동 에너지 $E^{(2)}$를 예측합니다.
• 출력: 공여체-수용체 안정화(예: 비공유 전자쌍에서 반결합 궤도로의 이동)를 정량화하는 물리 법칙에 근거한 연속적 에너지 랜드스케이프.
• 집계: 궤도 수준의 상호작용은 특정 리간드 원자와 단백질 원자 사이의 모든 궤도 쌍에 대한 $E^{(2)}$의 절대값을 합산함으로써 가중치가 부여된 원자 쌍 앵커 $W(a_L, a_P)$로 집계됩니다.

3. 궤도 상호작용 그래프 (OIG) 구축

집계된 앵커들은 무방향 가중치 그래프 $G=(V, E, w)$를 형성합니다:

• 노드 ($V$): 선택된 원자 쌍 앵커. 탐욕적 다양성 선택 전략을 통해 고유성을 보장하며(하나의 원자가 여러 노드에 나타나지 않음), 장거리 상호작용을 필터링합니다($d_{max} = 5.0$ Å).
• 가중치 ($w$): 집계된 상호작용 에너지 $W(a_L, a_P)$.
• 에지 ($E$): 기하학적으로 호환되는 노드들을 연결합니다. 두 노드는 리간드 원자 간의 유클리드 거리가 대응하는 단백질 원자 간의 거리와 허용 오차 $\tau$ 내에서 일치할 때 연결됩니다(강체 일관성).

4. 양자 최적화 (DC-QAOA)

도킹 문제는 **최대 가중치 정점 클리크 문제(Maximum-Weight Vertex Clique Problem, MWVCP)**로 매핑됩니다: 즉, 상호 호환 가능한 노드들의 부분 집합 중 총 가중치가 가장 높은 집합을 찾는 것입니다.

• 정식화: 제약 조건이 있는 MWVCP는 제약 위반에 대한 페널티 항 $P$를 추가하여 이차 비제약 이진 최적화(QUBO) 문제로 변환됩니다.
• 솔버: 저자들은 **디지털 역대각 드리프트 QAOA (Digitized-Counterdiabatic QAOA, DC-QAOA)**를 사용합니다.
  • 표준 QAOA와 달리, DC-QAOA는 타겟 상태로부터의 전이를 억제하기 위한 역대각 드리프트(추가적인 단일 큐비트 회전)를 포함합니다.
  • 이를 통해 낮은 회로 깊이에서도 고품질의 솔루션을 얻을 수 있으며, 이는 NISQ 하드웨어에서 매우 중요합니다.
  • 회로는 비용 유니터리(해밀토니안 인코딩), 믹서 유니터리($R_X$), 그리고 역대각 유니터리($R_Y$)를 교대로 수행합니다.
• 출력: 최적의 클리크는 Q-Score(가중치의 합)를 정의하며, 카브슈(Kabsch) 알고리즘을 통한 포즈 재구성을 위한 앵커 세트를 제공합니다.

주요 결과

1. 재도킹 검증 (11개 타겟)

저자들은 11개의 단백질-리간드 공동 결정 구조에 대해 DC-QAOA를 테스트했습니다.

• 정확한 회복: 10 큐비트 및 3 레이어 설정에서, DC-QAOA는 11개 타겟 중 8개에 대해 고전적 최적해를 정확히 회복했습니다.
• 근사 비율 (Approximation Ratio, AR): 구성 전반에 걸친 평균 AR은 높았으며, 10q/3L 모델이 가장 좋은 트레이드오프를 제공했습니다.
• 포즈 정확도: 재구성된 포즈는 모든 원자 수준의 RMSD가 3.34–3.45 Å를 기록했으며, 리간드의 100% 원자가 결정 구조로부터 5 Å 이내에 위치했습니다.
• 페널티 민감도: 연구 결과 페널티 파라미터 $P$는 인스턴스 의존적임이 나타났습니다. 대부분의 경우 $P=6$이 적절했으나, 특정 난도가 높은 타겟의 경우 $P=10$이 필요했으나 이는 다른 타겟에서의 성능을 저하시키기도 했습니다.

2. 스코어링 비교 (1,000개의 AI 생성 분자)

Q-Score를 10개의 타겟에 대해 3D 생성 모델(Pocket2Mol)로 생성된 1,000개의 분자에 대해 Vina 스코어링 함수와 비교했습니다.

• 직교성 (Orthogonality): Q-Score와 Vina는 통계적으로 상관관계가 없었습니다 (평균 Spearman $\rho = 0.05 \pm 0.04$). 두 모델이 상위 25개 선택에서 일치하는 경우는 12~28% 미만이었습니다.
• 궤도 선택성:
  • Vina는 분자 크기(무게, 무거운 원자 수)와 강하게 상관되며, 궤도 품질과는 상관관계가 없습니다.
  • Q-Score는 분자 크기와 거의 상관관계가 없는 반면, 궤도 상호작용 품질과는 매우 강한 상관관계($\rho = 0.90$ with mean $E^{(2)}$)를 보였습니다.
• 농축도 (Enrichment): Q-Score는 무작위 선택보다 두 배 빠른 속도로 높은 궤도 에너지를 가진 분자를 농축했습니다 (상호작용 품질 농축 계수 $\approx 1.96$), 반면 Vina는 농축 효과가 없었습니다 ($\approx 0.93$).

3. 하드웨어 실행 (IBM Eagle)

저자들은 127 큐비트 IBM Eagle r3 프로세서에서 1,000개의 회로를 실행했습니다.

• 6-큐비트 인스턴스: 하드웨어는 시뮬레이터의 가장 확률 높은 비트스트링을 **65%**의 실행 횟수에서 일치시켰으며, 평균 AR은 0.72였습니다.
• 10-큐비트 인스턴스: 노이즈로 인해 성능이 급격히 저하되었습니다. 일치율은 **13%**로 떨어졌고, 성공 확률은 0.08로 감소했습니다.
• 결론: 이는 현재의 하드웨어에서 보정되지 않은 NISQ 실행의 구체적인 확장 경계를 설정하며, 6 큐비트 이상으로 확장하기 위해서는 오류 완화(error mitigation)가 필요함을 시사합니다.

4. 계산 비용

• 시뮬레이션: 고전적 정확해(exact solver)는 10개 노드에서 0.1 ms, 250개 노드에서 102 초가 소요되는 반면, 10개 노드에서의 MWVCP는 사소하게 해결됩니다. QAOA 파라미터는 다항 시간(polynomial time)으로 확장됩니다.
• 하드웨어: 트랜스파일된 회로 깊이는 약 90(6q)에서 ~566(10q)으로 증가하며, 이는 관찰된 노이즈 격차와 직접적으로 상관됩니다.

의의 및 주장

본 논문은 Q-Score가 다음과 같은 이유로 분자 도킹 스코어링의 패러다임 전환을 나타낸다고 주장합니다:

1. 양자 화학 통합: 경험적 쌍별 합계가 아닌, 궤도 수준의 공여체-수용체 에너지(NBO $E^{(2)}$)를 명시적으로 인코딩하고 최적화하는 최초의 스코어링 함수입니다.
2. 크기 편향 제거: 원자의 양이 아닌 상호 호환 가능한 상호작용의 질에 집중함으로써, Q-Score는 고전적 스코어링에서 발견되는 작은 고친화도 분자에 대한 체계적 편향을 피합니다.
3. 직교 정보 제공: 고전적 도킹 점수와 근본적으로 상관관계가 없는 화학적 정보(입체 전자 효과)를 포착하여, 약물 발견 파이프라인에 보완적인 필터를 제공합니다.
4. NISQ 실현 가능성: 본 연구는 DC-QAOA가 현재의 하드웨어에서 조합론적 도킹 문제를 해결할 수 있음을 입증했습니다. 시뮬레이션에서는 최대 10 큐비트, 하드웨어에서는 최대 6 큐비트 규모의 중간 규모 인스턴스에서 최적해를 성공적으로 회복했으며, 현재 프로세서의 노이즈 제한 사항을 명확히 규명했습니다.

저자들은 하드웨어 결과에 대해 겸허한 태도를 유지하며, 10 큐비트 인스턴스의 경우 현재의 NISQ 장치가 노이즈에 취약하다는 점을 인정했습니다. 또한, 실질적인 양자 이득을 실현하기 위해서는 향후 연구가 오류 완화 및 적응형 페널티 스케줄링에 집중되어야 함을 강조했습니다.