톰슨 샘플링 기반의 신약 후보 물질 디자인을 위한 심층 생성 모델

Abstract

심층 생성 모델, 강화학습, 최적화 알고리즘 기반으로 새로운 신약 후보 물질을 생성하는 약물 디자인 연구는 대부분 단백질 한 개의 기능을 조절할 수 있는 저분자화합물 디자인 모델을 제시하고 있지만, 목적하는 적응증의 메커니즘에 따라 여러 단백질의 기능을 조절하고, 단백질 외에 화학적 특성을 고려할 수 있는 다중 목적 최적화 기반의 약물 디자인 방법론이 요구되고 있다. 심층 생성 모델로 이를 구현할 수 있는 한 가지 방법은 샘플링을 통해 사후 확률 분포를 추정한 후 다중 목적을 만족하는 방향으로 생성 모델을 최적화하는 것이다. 이를 위해 본 연구에선 심층 생성 모델인 Variational Auto Encoder에 톰슨 샘플링 기법을 접목하여, 자체 데이터 증강과 학습을 통해 다중 목적을 만족하는 데이터를 생성하고, 이를 통해 생성 모델의 사후 분포를 최적화하는 방법을 제안한다. 본 연구에서는 BCL2 패밀리 단백질들을 표적으로 약물 생성을 제안하는 모델과 여러 베이스라인 모델이 생성한 화합물들의 결합 친화도를 비교하였으며, 생성된 물질에 대한 화학적인 특성 지표와 물질의 합성 가능성 스코어를 통해 제안하는 방법의 실제 활용 가능성을 제시하였다.