기술 요약: ReliaMol-3D

문제 정의

포켓 조건부 3차원(3D) 분자 생성기는 특정 수용체에 대해 수많은 리간드 후보를 생성할 수 있습니다. 그러나 결정적인 병목 현상은 생성 후 선별(post-generation triage) 단계에 남아 있습니다. 즉, 생성된 풀(pool) 내의 후보들 중 어떤 것이 도킹 정밀화(docking refinement), 합성 계획 또는 전문가 검토와 같은 비용이 많이 드는 다운스트림 프로세스를 정당화할 만큼 의도된 수용체 좌표계 내에서 충분히 사용 가능한지를 결정하는 문제입니다.

기존의 평가 신호들은 이 특정 결정을 내리기에 불충분합니다:

• 리간드 전용 지표(예: QED, 합성 가능성)는 화학적 바람직함은 포착하지만 수용체 배치를 무시합니다.
• 도킹 점수(예: Vina, GNINA)는 친화력과 유사한 추정치를 제공하지만, 변형된 기하 구조, 충돌 또는 좌표 불일치와 공존할 수 있습니다.
• 물리적 타당성 검사(예: PoseBusters)는 내부적 타당성은 검증하지만, 생존한 후보들의 순위를 매기거나 수용체 특유의 맥락을 고려하지는 않습니다.

핵심 과제는 외부 오라클(예: 도킹 점수)을 숨겨진 입력값으로 포함하거나 친화력 예측과 혼동하지 않으면서, 고정된 생성 3D 후보 풀을 **컴퓨터 기반 수용체 프레임 사용성(computational receptor-frame usability)**에 따라 순위를 매기는 것입니다.

방법론: ReliaMol-3D

ReliaMol-3D는 **점수 없는 증거(score-free evidence)**를 기반으로 후보의 우선순위를 정하도록 설계된, 감사 가능하고 생성기 불가지론적인(generator-agnostic) 생성 후 재순위화 워크플로입니다. 이 워크플로는 생성, 선택, 검증의 역할을 분리합니다.

1. 좌표 거버넌스 및 감사

워크플로는 엄격한 수용체 좌표 출처 감사로 시작됩니다. 후보들은 근사적인 공개 구조가 아닌, 정확한 수용체 좌표계(구체적으로 정확한 CrossDocked 헤비-수용체 좌표)에서 평가됩니다. 이는 좌표 출처 오류가 생성기의 실패로 오인되는 것을 방지합니다.

2. 점수 없는 특징 추출

주요 모델은 도킹 점수, 생성기 정체성, 직접적인 실패 지표 및 PoseBusters 결과를 명시적으로 제외한 세 가지 화학적 해석 가능 계열에서 유도된 41개 특징 벡터를 사용합니다:

• 리간드 화학: 분자량, logP, TPSA, QED, 회전 가능한 결합 수, 고리 수, 헤테로 원자 수, 형식 전하, 희귀 원소 수 및 원자 유형 비율.
• 내부 3D 기하 구조: 포즈 원자 수, 포즈 반경 및 최근접 이웃 거리 분위수(5%–90%).
• 리간드-포켓 맥락: 리간드-포켓 최소 거리 분위수 및 수용체 포켓에 대한 쉘 점유율 분율(0–2Å, 2–4Å 등).

3. 신뢰성 엔드포인트 정의

타겟 변수는 이진 컴퓨터 기반 수용체 신뢰성 라벨($y_i$)입니다. 후보는 다음 다섯 가지 사전 지정된 실패 지표를 동시에 통과해야만 신뢰할 수 있는 것으로 간주됩니다:

1. 화학적 타당성 ($z_{chem}$)
2. 내부 기하 구조 타당성 ($z_{geom}$)
3. 포켓 접촉 존재 여부 ($z_{pocket}$)
4. 수용체 충돌 부재 ($z_{clash}$)
5. 합성 복잡성 제한 ($z_{syn}$)

이 라벨은 결합 친화력이나 생물학적 활성과는 구별됩니다. 이는 "수용체 프레임 내에서의 사용성"을 위한 감사 가능한 엔드포인트 역할을 합니다.

4. 재순위화 모델

• 주요 모델 (RF-ReliaMol): 신뢰성 기준을 통과할 확률을 예측하도록 훈련된 랜덤 포레스트 분류기입니다. 이는 투명하고 재현 가능하며, 생성 후 선별을 위해 설계되었습니다.
• 변형 모델: 성능 확인을 위한 HGB-ReliaMol (Histogram Gradient Boosting); 특징 그룹의 민감도 및 캘리브레이션을 테스트하기 위한 MLP-ReliaMol 및 RCEF (Reliability-Calibrated Evidence Fusion) 진단 모델.
• 외부 도구: 도킹 점수(Vina/GNINA)와 PoseBusters(PB)는 주요 재순위 모델의 입력값이 아닌, 별도의 비교 베이스라인 또는 선택적 엄격 허가 게이트로 취급됩니다.

5. 선택 프로토콜

후보들은 예측된 신뢰도 확률($\hat{p}_i$)에 따라 각 포켓 내에서 순위가 매겨집니다. 고정된 예산의 숏리스트(예: 상위 10%)가 선택됩니다. 풀이 불충분할 경우 백필(backfill)을 수행하지 않는 옵션인 엄격한 PB-게이트 정책을 적용할 수 있습니다.

주요 결과

메인 벤치마크 (DiffSBDD)

100개의 정확한 CrossDocked 포켓에서 추출한 10,000개의 후보를 대상으로 평가했습니다:

• 신뢰성: 10% 커버리지에서 RF-ReliaMol은 0.9990의 상위 10% 신뢰도를 달리는 반면(시드 간 표준 편차 0), QED/SA 베이스라인은 0.9660을 기록했습니다. HGB-ReliaMol은 0.9993에 도달했습니다.
• 절제 연구(Ablation): 이 이득은 주로 내부 3D 기하 구조와 리간드-포켓 맥락에 의해 주도됩니다. 리간드 기술자(descriptor)만 사용하면 신뢰도가 0.9727로 개선되지만, 포켓 기하 구조를 추가하면 0.9990까지 높아집니다.
• 강건성: 모델은 20% 및 50% 커버리지 수준에서도 높은 신뢰성(0.9959–0.9988)을 유지하며, 좌표 섭동(0.25 Å) 및 노이즈가 있는 증거 하에서도 안정적입니다.

스트레스 테스트 및 전이

• 생성기 변화: 높은 실패율을 보이는 것으로 알려진 홀드아웃 CVAE 생성기 분할에 대해, RF-ReliaMol은 신뢰도를 0.7868 (Vina-minimize)에서 0.9800으로 향상시켰습니다.
• 생성기 제외 평가 (Leave-Generator-Out): 교차 생성기 평가에서 RF-ReliaMol은 0.9950의 신뢰도를 달성하여, 다양한 생성기 패밀리(TargetDiff, Pocket2Mol, AR)에 대한 전이성을 입증했습니다.
• 제어된 실패 (DUD-E): 실패가 주입된 DUD-E 스트레스 테스트에서 MLP-ReliaMol은 Vina(0.5966)를 크게 상회하는 0.9981의 ROC-AUC를 달착했습니다.

화학적 유용성 및 다양성

ReliaMol은 화학적 다양성을 붕괴시키지 않으면서 신뢰성을 개선합니다:

• 스캐폴드 다양성: RF-ReliaMol은 포켓당 9.88개의 고유한 Murcko 스캐폴드를 유지합니다 (QED/SA의 9.90 대비).
• 의약 화학: 선택된 후보들은 높은 Lipinski/Veber 통과율과 낮은 PAINS 경고율을 유지합니다.
• PB 게이팅: 엄격한 PoseBusters 게이트와 결래될 때, 선택된 세트는 1.0000의 신뢰도와 1.0000의 PB 통과율을 달성합니다.

의의 및 주장

본 논문은 ReliaMol-3D를 새로운 분자 생성기나 친화력 예측기가 아니라, 구조 기반 약물 설계(SBDD)를 위한 재현성에 초점을 맞춘, 역할이 분리된 선별 레이어로 포지셔닝합니다.

1. 감사 가능한 선별: 친화력과 구별되는 특정 "수용체 프레임 신뢰성" 엔드포인트를 정의함으로써, 후보 선택과 다운스트림 검증 사이의 명확한 분리를 허용합니다.
2. 점수 없는 증거: 주요 모델에서 도킹 점수와 생성기 정체성을 제외함으로써, 순환 논리를 방지하고 선택이 해석 가능한 화학적 및 기하학적 증거에 기반하도록 보장합니다.
3. 생성기 불가지론: 이 워크플로는 실패율이 높은 생성기(예: CVAE)를 포함한 다양한 생성기 패밀리 전반에서 효과적이며, 이는 이질적인 생성 풀에 대한 강건성을 보여줍니다.
4. 실용적 워크플로: 고처리량 생성과 전문가 검토 사이의 간극을 메우며, 비용이 많이 드는 재점수화(rescoring)나 합성 전에 후보의 우선순위를 정하는 구체적인 프로토콜을 제공합니다.

저자들은 현대적인 생성기들이 그럴듯한 후보들을 만들어내지만, 그 중 사용 가능한 하위 집합을 선택하는 다운스트림 병목 현상은 점수 없는, 화학적으로 해석 가능한 특징을 통해 수용체 프레임 사용성을 명시적으로 모델링하는 전용의 감사 가능한 재순위화 레이어를 통해 가장 잘 해결될 수 있다고 결론짓습니다.