본 논문은 단백질 표적에 대한 연속 좌표와 이산 유형을 모두 갖는 분자를 최적화하는 구조 기반 분자 최적화(SBMO)에 대해 다룹니다. 이산 데이터를 안내하고 모달 간의 불일치 위험을 줄이는 데 어려움이 있지만, 이미지에서의 성공적인 사례를 바탕으로 생성 모델에 기울기 안내를 적용하는 것이 유망한 방향입니다. 본 논문에서는 베이지안 추론을 통해 도출된 연속적이고 미분 가능한 공간을 활용하여, 다양한 모달리티에 걸쳐 공동 안내 신호를 용이하게 하면서 SE(3)-동변성을 유지하는 기울기 기반 SBMO 프레임워크인 Molecule Joint Optimization (MolJO)를 제시합니다. 과거 기록의 슬라이딩 윈도우 내에서 최적화하는 새로운 역방향 수정 전략을 도입하여 최적화 중 탐색과 활용 간의 원활한 절충을 가능하게 합니다. MolJO는 CrossDocked2020 벤치마크에서 최첨단 성능(성공률 51.3%, Vina Dock -9.05, SA 0.78)을 달성하며, 기울기 기반 대응 방법과 비교하여 성공률이 4배 이상 향상되었고, 3D 기준선에 비해 "Me-Better" 비율이 2배 증가했습니다. 또한, 다목적 최적화 및 R-그룹 최적화, 스캐폴드 호핑과 같은 약물 설계의 어려운 과제를 포함한 광범위한 최적화 설정으로 MolJO를 확장하여 그 다양성을 더욱 강조합니다.
