단백질 1차 서열로부터 2차 구조를 예측하는 연구로, 단백질 3차 구조 예측의 첫 단계이자 단백질 활성, 관계, 기능에 대한 중요한 통찰력을 제공한다. 기존 방법론들이 대량의 비표지 아미노산 서열을 사용하는 반면, 본 연구에서는 단백질 3D 구조 데이터를 활용한다. 이를 위해 단백질 잔기 그래프를 사용하고, 다양한 순차적 또는 구조적 연결을 도입하여 향상된 공간 정보를 캡처한다. Graph Neural Networks (GNNs)와 Language Models (LMs)을 결합하여, 사전 훈련된 transformer 기반 단백질 언어 모델을 통해 아미노산 서열을 인코딩하고, GCN 및 R-GCN과 같은 message-passing 메커니즘을 사용하여 단백질 구조의 기하학적 특징을 파악한다. 또한, 특정 노드의 인접 영역 내에서 convolution을 활용하여 단백질 공간 그래프로부터 통찰력을 효과적으로 학습한다. NetSurfP-2.0에서 제공하는 3- 및 8-상태의 2차 구조를 사용한 훈련 데이터셋을 활용하여 모델의 성능을 평가하며, 제안된 SSRGNet 모델은 f1-score에서 기준선을 능가한다.
