🧬 biology

Learning Canonical Representations for Unified 3D Molecular Modeling

이 논문은 전역 포즈를 표현 학습으로부터 분리하기 위한 정준 프레임을 학습함으로써, 단일 통합 모델이 물성 예측, 좌표 생성, 구조 기반 최적화와 같은 다양한 태스크를 효과적으로 처리할 수 있게 하고 회전 안정성과 잠재 공간 구조를 개선하는 3D 분자 표현 프레임워크인 TheMol을 소개한다.

원저자: Sanghyun Park, Seungyeon Choi, Hwanhee Kim, yoonju kim, seungyong lee, inpyo hong

게시일 2026-07-22

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sanghyun Park, Seungyeon Choi, Hwanhee Kim, yoonju kim, seungyong lee, inpyo hong

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

당신이 로봇에게 분자의 모양, 마치 아주 작고 복잡한 레고 구조 같은 것을 이해하는 법을 가르치려 한다고 상상해 보세요. 신약 개발의 세계에서 과학자들은 이 로봇들이 세 가지 매우 다른 일을 수행하기를 원합니다: 분자가 얼마나 강한지 추측하는 것(마치 무게를 예측하는 것처럼), 완전히 새로운 분자를 처음부터 만들어내는 것, 그리고 기존의 분자를 생물학적 자물쇠에 완벽하게 들어맞도록 미세하게 조정하는 것입니다. 까다로운 점은 분자가 마치 회전하는 팽처럼 공간 속에서 회전하고 돌 수 있다는 것입니다. 만약 당신이 로봇에게 왼쪽을 향하고 있는 분자를 건네준 뒤, 똑같은 분자가 오른쪽을 향하고 있는 것을 건네준다면, 로봇은 이것들이 서로 다른 두 개의 물체가 아니라 동일한 하나의 물체라는 것을 알아야 합니다.

오랫동안 과학자들은 이 "회전 문제"를 해결하기 위해 세 가지 주요한 방식을 시도해 왔습니다. 어떤 로봇들은 방향을 완전히 무시하여 분자를 점들의 구름처럼 취급합니다(무게를 예측하는 데는 훌륭하지만, 분자를 만드는 데는 좋지 않습니다). 또 다른 방식은 분자가 회전할 수 있는 모든 가능한 각도를 암기하려고 노력합니다(만드는 데는 훌륭하지만, 최적화를 시도할 때 로봇이 혼란을 겪게 됩니다). 세 번째 그룹은 로봇에게 무작위로 회전된 분자들을 반복해서 보여주며, 단순한 반복을 통해 로봇이 방향을 무시하는 법을 배우기를 기대합니다(단순하지만, 로봇은 여전히 새로운 각도에서 발을 헛디딜 수 있습니다). 여기서 큰 질문은, 이 세 가지 일을 모두 수행하면서도 회전 때문에 혼란을 겪지 않는 단 하나의 초지능적인 로봇 두뇌를 만들 수 있는가 하는 점입니다.

이것이 바로 연세대학교의 연구진이 THEMOL이라는 시스템을 소개하며 다룬 과제입니다. THEMOL을 로봇을 가르치는 영리한 새로운 기술이라고 생각해 보세요. THEMOL은 로봇에게 모든 회전을 암기하도록 강요하거나 방향을 완전히 무시하게 만드는 대신, 로봇이 분자를 보기 전부터 분자가 스스로 "똑바로 서도록" 가르칩니다.

그 작동 원리는 이렇습니다: 당신에게 흔들거리며 회전하는 장난감이 있다고 상상해 보세요. 당신이 그것을 묘사하거나 복제품을 만들기 전에, 당신은 그것을 살짝 잡아서 특정 표준 자세로 테이블 위에 올려놓습니다. 예를 들어, "머리"는 북쪽을 향하고 "발"은 남쪽을 향하게 하는 식입니다. THEMOL은 이를 디지털 방식으로 수행합니다. 이 시스템은 어떤 분자라도 즉시 이 완벽한 "정준(canonical, 표준)" 자세로 회전시키는 특별한 규칙을 학습합니다. 일단 분자가 이 표준 자세로 똑바로 서게 되면, (사실 꽤 단순해서 더 이상 회전을 걱정할 필요가 없는) 로봇의 두뇌는 분자의 진정한 모양과 화학적 비밀을 쉽게 배울 수 있습니다.

이 논문은 이러한 접근 방식이 "회전" 문제와 "학습" 문제를 분리함으로써 게임 체인저가 될 수 있다고 제안합니다. 방향을 먼저 정리함으로써, 이 시스템은 분자들이 도착했을 때 어느 방향을 향하고 있었느냐가 아니라, 그 화학적 성질에 따라 정리되는 단일한 공유 메모리 공간을 만들어냅니다.

연구진은 이 아이디어를 테스트했고 흥сно로운 결과를 찾아냈습니다. 그들은 THEMOL이 기존의 가장 우수한 모델들만큼이나 화학적 특성을 잘 예측할 수 있다는 것을 보여주었을 뿐만 아니라, 물리적으로 실재하는 듯한 새로운 3D 구조를 생성하는 데 훨씬 더 뛰어난 능력을 갖추고 있음을 입증했습니다. 아마도 가장 중요한 점은, 분자를 "최적화"(더 잘 작동하도록 미세 조정)하려고 할 때, THEMOL은 분자를 빙글빙글 돌리는 데 시간을 낭비하지 않고 순수하게 화학적 변화에만 집중했다는 것입니다. 테스트에서 THEMOL은 9개의 표준 화학 예측 데이터셋 중 6개에서 최고 점수를 기록했으며, 99.9%의 유효성을 가진 분자를 생성했습니다. 즉, 그들이 만든 거의 모든 분자가 화학적으로 가능한 형태였다는 뜻입니다.

저자들은 이 방법이 3D 분자를 다루는 데 있어 더 안정적이고 효율적인 방법을 제공한다고 제안합니다. 비록 극도로 대칭적이거나 흐물거리는 분자의 경우 완벽한 "표준 자세"를 찾는 것이 여전히 조금 까다로울 수 있음을 인정하지만, 결과는 모델에게 먼저 정렬하는 법을 가르치는 것이 미래의 신약 개발 도구를 위한 훨씬 더 강력한 토대를 만든다는 것을 보여줍니다. 이는 마치 완벽한 집을 짓기 위해서 설계도가 놓인 각도를 모두 외울 필요가 없다는 것을 깨닫는 것과 같습니다. 그저 설계도를 테이블 위에 평평하게 펼쳐 놓기만 하면 되는 것입니다.

기술 요약: 통합 3D 분자 모델링을 위한 정형 표현(Canonical Representations) 학습

문제 정의

3차원 분자 파운데이션 모델은 스칼라 속성 예측, 좌표 생성, 구조 기반 최적화를 포함한 다양한 작업을 지원할 수 있도록 점점 더 요구되고 있습니다. 그러나 이러한 작업들은 학습된 표현에 대해 서로 상충하는 기하학적 대칭성 요구사항을 부과합니다:

스칼라 예측은 일반적으로 전역 포즈(global pose)를 제거하는 불변(invariant) 표현의 이점을 얻습니다.
좌표 생성 및 힘 예측은 변환 구조를 보존하는 동변(equivariant) 표현을 필요로 합니다.
**회전 증강 비동변 모델(Rotation-augmented non-equivariant models)**은 통계적으로 강건함을 학습하려고 시도하지만, 단일 뷰 안정성을 보장하지 못하거나 값비싼 다중 뷰 추론을 요구하는 경우가 많습니다.

기존 접근 방식은 일반적으로 한 가지 전략을 선택하며, 이는 단일 사전 학습된 잠재 공간(latent space)을 이질적인 작업에 재사용할 때 특정한 트레이드오프를 발생시킵니다. 불변 모델은 카이랄성(chirality) 민감 신호를 버리게 되며 좌표 재구성을 위해 복잡한 리프팅(lifting) 메커니즘을 요구합니다. 동변 모델은 전역 방향성과 화학적 변이를 얽히게 만들어, 게이지 변화(gauge changes)와 의미 있는 구조적 변화를 혼합함으로써 잠재 공간의 생성과 최적화를 어렵게 만듭니다. 회전 증강 모델은 모든 방향에 대한 보장된 안정성이 부족합니다. 또한, 다운스트림 벤치마크 점수만을 통해 표현 품질을 평가하는 것은 작업별 헤드(head) 및 미세 조정 프로토콜에 의해 결과가 왜곡될 수 있으므로 불충분합니다.

방법론: THEMOL

저자들은 THEMOL을 소개하며, 이는 **학습된 정형화(learned canonicalization)**를 통해 전역 포즈 처리와 표현 학습을 분리하는 프레임워크입니다.

핵심 아키텍처

정형 프레임 학습 (Canonical Frame Learning): 인코딩 전에, THEMOL은 회전된 복사본들을 공유된 **정형 포즈(canonical pose)**로 매핑합니다. 이는 중심화된 좌표 $x_c$ $x_{c}$ 를 일관된 프레임에 정렬하는 회전 선택기 $\hat{R}_\theta(x, h) \in SO(3)$ $\hat{R}_{θ} (x, h) \in S O (3)$ 를 학습함으로써 달성됩니다.
- 정형화된 좌표는 $A_\theta(x, h) = x_c \hat{R}_\theta(x, h)^\top$ 로 정의됩니다.
- 시스템은 게이지 일관성(gauge consistency)을 강제합니다: $A_\theta(xR^\top, h) = A_\theta(x, h)$ . 이는 백본이 입력을 처리하기 전에 전역 회전이 제거되었음을 보장합니다.
비동변 백본 (Non-Equivariant Backbone): 표준 비동변 트랜스포머 오토인코더가 이 정형화된 좌표 위에서 작동합니다. 입력이 이미 정렬되어 있기 때문에, 백본은 명시적으로 동변성이나 불변성을 학습할 필요가 없습니다. 대신 일관된 좌표계 내에서의 분자 구조 분포를 단순히 학습합니다.
통합 출력 처리:
- 불변 출력 (Invariant Outputs): 스칼라 예측은 정형 잠재 공간에서 직접 읽힙니다.
- 동변 출력 (Equivariant Outputs): 좌표 수준의 예측은 정형 프레임 내에서 생성된 후, 선택된 회전 $\hat{R}_\theta$ 를 사용하여 원래의 좌표계로 "리프팅"됩니다.

평가 전략

저자들은 다운스트림 벤치마크 외에도, 동결된 잠재 공간을 직접 평가하기 위한 일련의 **내재적 표현 진단(intrinsic representation diagnostics)**을 제안합니다:

분자 정체성 보존 (Molecular Identity Preservation): AUC로 측정.
화학적 의미론적 일관성 (Chemical Semantic Coherence): 유사한 분자들이 올바르게 클러스터링되는지 평가.
유효 차원 (Effective Dimension): 잠재 공간의 활용도 평가.
허브성 및 균일성 (Hubness and Uniformity): 임베딩 공간의 기하학적 구조 측정.
사전 학습-미세 조정 정렬 (Pretrain-Finetune Alignment): 주성분 부공간(principal subspaces)을 비교하여 다운스트림 적응이 사전 학습의 변이 방향을 따르는지 확인.
작업 준비도 진단 (Task-Readiness Diagnostics): 회전 민감도, 잠재 거리 계층 구조(회전과 형태 변화를 구분), 섭동 하의 디코딩 가능성, 최적화 효율성(게이지 낭비 측정) 포함.

주요 결과

1. 표현 품질 및 안정성

회전 안정성: THEMOL은 무작위로 회전된 분자의 복사본들을 조밀한 임베딩 클러스터로 붕괴시키며, 이는 분산된 임베딩을 보이는 회전 증강 베이스라인(Repr.C)을 크게 능가합니다.
잠재 조직화 (Latent Organization): 잠재 공간은 회전이 가장 작은 변위를 유도하고, 그 다음으로 형태 변화, 매치-분자 쌍(MMP) 변화, 스캐폴드 차이가 뒤를 잇는 명확한 계층 구조를 보여줍니다. 이는 정형화가 노이즈가 되는 포즈 변이와 화학적으로 의미 있는 구조적 변이를 성공적으로 분리했음을 나타냅니다.
디코딩 가능성 및 최적화: THEMOL은 동변 또는 증강 기반 모델에 비해 잠재 섭동 및 보간(interpolation) 하에서 더 높은 유효성(PB-Valid)을 유지합니다. 최적화 작업에서, 이는 낮은 "게이지 낭비"(회전 유도 방향으로의 변위)와 높은 탐색 효율성을 보여줍니다.

2. 다운스트림 성능

THEMOL은 단일 사전 학습된 잠재 공간을 사용하여 세 가지 distinct task 패밀리에 대해 평가되었습니다:

스칼라 속성 예측: MoleculeNet (9개 데이터셋)에서 THEMOL은 가장 높은 평균 ROC-AUC(81.65)를 기록하며 6개 데이터셋에서 1위를 차지했습니다. TDC ADMET 벤치마크 (22개 작업)에서 평균 순위 3.4를 기록하며, 15개 작업에서 TDC 리더보드 SOTA 및 MiniMol을 능가했습니다.
3D 분자 생성: GEOM-DRUG에서 THEMOL은 v1 프로토콜 하에서 86.8%의 원자 안정성과 99.9%의 유효성을 달성했습니다. 더 엄격한 v2 지표 하에서도 가장 높은 PB-Valid(93.7%)와 가장 낮은 중앙값 완화 변위( $\Delta R_{relax}$ )를 달est하여 물리적으로 현실적인 기하 구조를 보여주었습니다.
구조 기반 최적화: CrossDocked2020에서 THEMOL은 가장 높은 분자 다양성과 경쟁력 있는 합성 가능성(SA)을 유지하면서 가장 강력한 예측 결합 친화도(최고 평균 SMINA 및 Vina Dock 점수)를 달성했습니다.

의의 및 주장

이 논문의 주된 장점은 고립된 작업별 우수성이 아니라, 단일 정형 잠재 공간의 교차 작업 안정성에 있습니다. 전역 포즈를 모델이 짊어져야 할 부담이 아닌 인터페이스 변수로 취급함으로써, THEMOL은 비동변 백본이 다음을 위해 효과적으로 재사용될 수 있도록 합니다:

좌표 수준의 정보를 잃지 않는 불변 작업 (스칼라 예측).
방향성과 화학적 변이가 얽히지 않는 동변 작업 (생성/최적화).

저자들은 이 설계가 불변, 동변, 증강 기반 접근 방식에 내재된 대칭성 유래 트레이드오프를 해결한다고 주장합니다. 그들은 재사용 가능한 3D 분자 표현은 단순히 다운스트림 점수뿐만 아니라, 내재적인 기하학적 안정성, 화학적 조직화, 그리고 보간 및 속성 가이드 탐색과 같은 모델링 연산을 지원하는 능력을 통해 평가되어야 한다고 강조합니다. THEMOL은 전역 포즈를 분자 변이로부터 명시적으로 분리하는 것이 서로 다른 기하학적 요구사항을 가진 작업 전반에 배치될 수 있는 파운데이션 모델을 위한 원칙적인 경로를 제공함을 입증합니다.

한계점

저자들은 학습된 정형 프레임이 매우 대칭적이거나, 퇴화(degenerate)되었거나, 매우 유연한 분자에 대해 모호할 수 있음을 인정합니다. 현재 연구는 소분자 모델링에 집중되어 있으며, 펩타이드, 단백질 및 단백질-리간드 복합체로 확장하려면 더 큰 형태적 가변성과 다중 상호작용 좌표계를 다루어야 합니다. 또한, 구조 기반 최적화는 실험적 결합 친화도가 아닌 도킹 기반 프록시를 사용하여 평가되었습니다.