Contrastive Multi-Task Learning with Solvent-Aware Augmentation for Drug Discovery
Created by
Haebom
저자
Jing Lan, Hexiao Ding, Hongzhao Chen, Yufeng Jiang, Nga-Chun Ng, Gerald W. Y. Cheng, Zongxi Li, Jing Cai, Liang-ting Lin, Jung Sun Yoo
개요
본 논문은 단백질-리간드 상호작용 예측의 정확도를 높이기 위해 용매 의존적 구조 변화와 다중 관련 작업의 공동 학습을 고려한 새로운 전훈련 방법을 제시합니다. 다양한 용매 조건에서 생성된 리간드 구조체 앙상블을 증강 입력으로 사용하여 구조적 유연성과 환경적 맥락을 통합적으로 학습합니다. 분자 재구성, 원자간 거리 예측, 대조 학습을 통합하여 용매에 불변적인 분자 표현을 구축합니다. 결과적으로 결합 친화도 예측(3.7% 향상), PoseBusters Astex 도킹 벤치마크(82% 성공률), 가상 스크리닝(AUC 97.1%)에서 성능 향상을 보였으며, 0.157 옹스트롬의 RMSD를 달성하여 원자 수준의 결합 메커니즘에 대한 통찰력을 제공합니다.
시사점, 한계점
•
시사점:
◦
용매 효과를 고려한 단백질-리간드 상호작용 예측 정확도 향상
◦
다중 관련 작업(분자 재구성, 원자간 거리 예측 등)의 통합적 학습을 통한 성능 개선
◦
원자 수준의 정확도를 갖는 도킹 결과 및 결합 메커니즘에 대한 통찰력 제공
◦
구조 기반 약물 설계 발전에 기여
•
한계점:
◦
제시된 방법의 일반성 및 다양한 단백질-리간드 시스템에 대한 적용 가능성에 대한 추가적인 연구 필요
