PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.27824v3cs.LG

Pepti-drift: 추론 시점 가이던스 없는 확장 가능한 안전-활성 펩타이드 생성

Pepti-drift: Scalable Safe-Active Peptide Generation Without Inference-Time Guidance

치료용 펩타이드는 유망한 신약 모달리티이지만, 이를 생성하기 위해서는 여러 치료적 제약 조건을 충족해야 합니다. 본 연구에서는 동일하게 생성된 후보군에 대해 표적 결합력과 4가지 주요 안전성 지표를 공동으로 평가하는 고정 예산 벤치마크인 BindSafe-PepBench를 소개합니다. 우리는 펩타이드 길이가 결합력-안전성 공동 평가의 주요 교란 변수임을 밝혀냈습니다. 길이가 긴 펩타이드는 예측된 결합력은 강해지는 경향이 있지만 예측된 안전성은 덜 유리해집니다. 이는 겉보기 트레이드오프를 생성하며, 서로 다른 출력 길이 분포를 가진 모델 간 비교에서 바이어스를 유발할 수 있습니다. 우리는 출력 길이 효과와 생성적 개선을 구별하기 위해 절대적인 안전-활성(Safe-Active) 수율 및 정확한 길이 일치 이득을 보고합니다. 높은 안전-활성 수율을 달성하는 것은 여전히 어려운 과제이며, 가장 강력한 다중 특성 방법들은 비용이 많이 드는 추론 시점 가이던스에 의존합니다. 이에 따라 본 연구에서는 추론 시점 가이던스 없이 단일 잠재 정제 후 병렬 디코딩을 수행하며, 표적 특이적 결합체로의 끌림과 위험성 관련 영역으로부터의 반발을 통합하는 단일 단계 생성 프레임워크인 Pepti-drift를 제안합니다. 88개의 홀드아웃 표적 전반에 걸쳐 Pepti-drift는 18.37%의 예측 안전-활성 수율을 달성하면서 양의 정확한 길이 일치 이득을 유지했습니다. 결과적인 이득은 다중 특성 가이던스 기반 베이스라인과 경쟁력이 있으면서도 생성 비용을 468배 낮춰, 확장 가능하고 공정한 고처리량 펩타이드 설계를 가능하게 합니다.

arXiv:2606.06717v1cs.LG

ShallowBench: 얕은 포켓 표적에 대한 생성형 약물 설계 모델 벤치마킹

ShallowBench: Benchmarking Generative Drug Design Models on Shallow-Pocket Targets

생성형 AI 모델은 구조 기반 약물 설계(structure-based drug design)에서 획기적인 성공을 거두었지만, 주로 깊은 결합 포켓(binding pocket)에 의존하며, 역사적으로 '약물 표적화 불가능(undruggable)'한 암 표적(oncology targets)인 KRAS와 MYC와 같이 다루기 힘든 약물 결합 가능성이 낮은 표적에 대해서는 유효한 리간드(ligand)를 샘플링하는 데 어려움을 겪고 있습니다. 이러한 격차를 해결하기 위해, 우리는 CrossDocked2020에서 추출된 5,780개의 얕은 포켓 표적으로 구성된 엄격하게 선별된 벤치마크인 ShallowBench를 소개합니다. 알파 형상(Alpha Shape) 'lid' 부피와 기저 단백질 원자 복셀(voxel) 부피의 차이를 계산하여, 결합에 필요한 충분한 표면적을 확보하면서도 낮은 오목성(concavity)을 가진 표적을 성공적으로 분리해 냈습니다. 다양한 최첨단 생성형 모델을 평가한 결과, 이러한 오목성이 낮은 인터페이스에서 예측된 결합 친화도(binding affinity)가 더 낮게 나타났습니다. 따라서 ShallowBench는 생성형 생물학 모델을 위한 엄격한 벤치마크를 제공하며, 이러한 도전적인 표적을 탐색할 수 있는 새로운 아키텍처 혁신이나 손실 함수(loss function)의 필요성을 강조합니다.