FRAGMENTA: 소규모 데이터 환경에서 약물 선도물질 최적화를 위한 에이전트 기반 튜닝을 갖춘 효율적인 엔드투엔드 단편화 기반 생성 모델
FRAGMENTA: Efficient End-to-end Fragmentation-based Generative Model with Agentic Tuning for Drug Lead Optimization in Small Data Regime
극히 제한된 학습(training) 데이터로부터 분자를 생성하는 것은 신약 개발에서 중요한 과제입니다. 기존의 단편 기반(fragment-based) 방법은 이러한 환경에서 원자 기반 접근법보다 더 적합하지만, 일반적으로 단편 선택과 다운스트림 생성을 분리하여 최적화합니다. 또한 데이터가 제한적일 때는 전문가 피드백이 특히 유용하지만, 이러한 피드백을 모델 목표로 변환하는 데는 보통 AI 엔지니어링 전문 지식이 필요합니다. 본 논문에서는 두 가지 구성 요소로 이루어진 소규모 데이터 약물 선도물질 최적화를 위한 엔드투엔드 프레임워크인 FRAGMENTA를 소개합니다: (1) 테이블 형식 보상(reward) 업데이트 메커니즘을 통해 단편화와 생성을 공동 최적화하는 단편 기반 생성기 LVSEF, (2) 대화형 전문가 피드백을 업데이트된 생성 목표로 변환하는 에이전트(agent) 시스템. 3개의 소규모 데이터 데이터셋(11~104개 분자)에 대한 실험에서, LVSEF는 데이터가 가장 적은 환경에서 SOTA(state-of-the-art) 방법들을 능가했고, 더 큰 규모에서는 유사한 성능을 보였으며, 약 16배(${\sim}16\times$) 빠르게 학습되었습니다. 3개의 공개 단백질 타깃에서 반복적인 폐루프(closed-loop) 최적화는 키나아제(kinase)에 대해 원샷 LVSEF 단독 대비 최종 라운드 발굴 수율을 최대 약 16%(${\sim}16%$) 향상시켰으며, 이러한 이득은 피드백이 타깃 화학과 얼마나 잘 일치하는지에 따라 달라졌습니다. 실제 암 신약 개발 배포 환경에서 인간-에이전트 FRAGMENTA는 기준선(baseline) 방법보다 유리한 도킹 점수($< -6$)를 가진 분자를 거의 두 배나 많이 식별했습니다.