MolGenSurvey: A Systematic Survey in Machine Learning Models for Molecule Design
원문 초록
Molecule design is a fundamental problem in molecular science and has critical applications in a variety of areas, such as drug discovery, material science, etc. However, due to the large searching space, it is impossible for human experts to enumerate and test all molecules in wet-lab experiments. Recently, with the rapid development of machine learning methods, especially generative methods, molecule design has achieved great progress by leveraging machine learning models to generate candidate molecules. In this paper, we systematically review the most relevant work in machine learning models for molecule design. We start with a brief review of the mainstream molecule featurization and representation methods (including 1D string, 2D graph, and 3D geometry) and general generative methods (deep generative and combinatorial optimization methods). Then we summarize all the existing molecule design problems into several venues according to the problem setup, including input, output types and goals. Finally, we conclude with the open challenges and point out future opportunities of machine learning models for molecule design in real-world applications.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
Q-Score: 분자 도킹을 위한 양자 네이티브 스코어링 함수
Q-Score: A Quantum-Native Scoring Function for Molecular Docking
분자 도킹은 소분자가 단백질에 결합하는 방식을 예측하며, 신약 개발의 핵심 병목 단계이다. 고전적인 스코어링 함수는 경험적 쌍별 접촉을 합산하는 방식으로, 결합 특이성을 결정하는 궤도 전하 이동과 같은 양자역학적 효과를 반영하지 못한다. 본 연구에서는 Q-Score를 제안한다. Q-Score는 GNN으로 예측된 궤도 전자 공여-수용 에너지를 가중 그래프로 인코딩하고, Digitized-Counterdiabatic QAOA를 통해 최대 가중치 정점 클리크 문제를 풀어 결합을 스코어링한다. 각 상호작용 앵커는 하나의 큐비트에 대응되며, 호환성 제약 조건은 에지로 표현된다. 11개의 단백질 타겟에 대해 DC-QAOA는 10큐비트에서 8개의 타겟에서 정확한 최적해를 복원한다. AI 생성 분자 1,000개에 대해 Q-Score는 Spearman rho 0.05로 고전적 스코어링과 직교하며, rho 0.90으로 궤도 품질에 의해 주도되고, 분자량 바이어스가 없으며, 무작위 대비 두 배의 비율로 강한 궤도 상호작용을 농축시킨다. DC-QAOA는 52%의 정확률과 함께 평균 근사 비율 0.94를 달성한다. IBM Eagle에서 1,000개의 회로 실행을 통해 NISQ 하드웨어상 6큐비트 문제의 해결 가능성이 확인되었다.
분자 최적화를 위한 이산 확산 온라인 적응의 설계 공간에 관한 연구
On the Design Space of Discrete Diffusion Online Adaptation for Molecular Optimization
분자 최적화는 유효한 분자 구조에 대한 광범위한 사전 분포를 포착하는 사전학습된 생성 모델에서 출발하는 경우가 많다. 그러나 테스트 시점의 목표는 이 사전 분포에서 샘플링하는 것이 아니라, 제한된 오라클 예산을 활용하여 생성 방향을 과제별 고보상 분자로 전환하는 것이다. 우리는 이산 확산 모델에 대한 이 적응 문제를 연구한다. 각 온라인 라운드는 여러 선택을 결합한다. 루프는 어떤 후보를 평가할지, 보상이 어떻게 모델 업데이트로 이어질지, 어떤 피드백을 재사용할지, 그리고 사전학습된 사전 분포에서 얼마나 멀리 이동할지를 결정해야 한다. 이러한 선택들은 대부분 개별적으로 연구되어 왔으며, 전체 온라인 적응 루프 내에서 이들이 서로 보완되는지, 중복되는지, 또는 간섭하는지는 아직 밝혀지지 않았다. 우리는 여섯 가지 소분자 결합 친화도 과제와 세 가지 단백질 적합도 과제에 걸쳐 통제된 연구를 수행한다. 획득(acquisition), 보상 형성(reward shaping), 모델 디바이어싱(model debiasing)이 특히 소분자에서 더 높은 보상으로 이어지는 상호 보완적인 경로를 제공함을 발견하였다. 리플레이(replay)는 학습을 추가로 안정화시키며, 유효성 페널티는 소분자 탐험을 유효한 분자 다양체 위에 유지한다. 이러한 발견들은 피드백 효율적인 분자 최적화를 위한 실용적인 레시피를 제시한다: 획득, 보상 형성, 디바이어싱, 리플레이, 유효성 제어를 포함한 온라인 미세조정이다. 이 레시피는 동일한 오라클 호출 예산 및 GPU 시간 기준 하에서 오프라인 미세조정 및 추론 시점 탐색 기준선을 능가한다. 성능 향상은 고보상 후보가 사전학습된 사전 분포로부터 더 큰 이동을 필요로 할 때 가장 크게 나타난다.
단백질 발현 극대화를 위한 예측기 유도 잠재 공간 코돈 최적화
Predictor-Guided Latent Space Codon Optimization for Maximizing Protein Expression
mRNA 번역 효율과 단백질 발현을 개선하기 위해 동의 코돈을 선택하는 과정인 코돈 최적화(Codon optimization)는 치료용 단백질 생산과 mRNA 백신에서 핵심적이지만 여전히 어려운 문제로 남아있습니다. 설계 공간이 이산적이고 조합적으로 방대하여 그래디언트(gradient) 기반 방법을 적용하기 어려우며, 기존 도구들은 실제 발현량을 제대로 포착하지 못하는 휴리스틱 대리 지표(예: 코돈 적응 지수 또는 GC 함량)에 의존합니다. 본 논문에서는 시퀀스를 사전학습된 mRNA 언어 모델의 잠재 공간(latent space)으로 매핑하여 이 이산적인 문제를 연속적인 문제로 재구성함으로써 효율적인 그래디언트 기반 탐색을 가능하게 하는 잠재 공간 코돈 최적화(Latent-Space Codon Optimization, LSCO)를 소개합니다. LSCO는 네 가지 구성 요소를 결합합니다: 불확실성을 인식하는 예측기 기반의 데이터 중심 발현 목표, 구조적 안정성을 위한 최소 자유 에너지(Minimum-Free-Energy) 정규화기, 단백질-코돈 역번역 모델의 자연성 사전 분포(prior), 그리고 단백질 충실도를 위한 제약 디코딩입니다. 실제 습식 실험(wet-lab) 항체 발현 데이터셋에서 LSCO는 적절한 생물리학적 특성을 유지하면서 예측된 발현량 측면에서 단순 빈도 기반 기준선뿐만 아니라 최신 딥 생성 모델 기준선을 능가합니다.
QFoldAgent: 단백질 구조 예측을 위한 자율적 양자 최적화 다중 에이전트 시스템
QFoldAgent: An Autonomous Quantum Optimization Multi-Agent System for Protein Structure Prediction
하이브리드 양자-고전 단백질 구조 예측은 해밀토니안(Hamiltonian) 패널티 가중치에 크게 의존하지만, 기존 격자(lattice) 기반 워크플로는 일반적으로 이러한 계수를 수동으로 고정하고 시뮬레이션에서 매우 짧은 단편(fragment)만 평가한다. 본 논문은 QFoldAgent를 제안한다. 이는 5-잔기(residue) tetrahedral-lattice 접힘(folding)을 위한 폐루프(closed-loop) 다중 에이전트 프레임워크로, 설계 에이전트(design agent)가 서열 조건부 패널티를 제안하고, VQE 기반 양자-고전 파이프라인이 Qiskit Aer 노이즈 하에서 결과 해밀토니안을 최적화하며, 피드백 에이전트(feedback agent)가 에너지 지형(energy-landscape) 진단과 MolProbity 검증(validation) 신호를 사용하여 사이클에 걸쳐 패널티를 정교화한다. RMSD와 같은 정답(ground-truth) 지표는 에이전트에게 절대 노출되지 않으며 평가에만 사용된다. 프레임워크를 두 개의 상보적 데이터셋에서 연구한다: 알려진 구조를 가진 QDockBank 유래 55개 단편과 100개의 커버리지 최적화된 미관측(unseen) 서열. QDockBank 벤치마크에서 QFoldAgent는 중앙값 RMSD를 3.64 Å에서 3.20 Å로 낮추며, 가장 어려운 타깃에서 가장 큰 향상을 보인다. 미관측 서열에서는 폐루프가 구조적 유효성을 87.5%에서 98.7%로 높이고, 초기에 유효하지 않았던 사례의 87%를 회복하며, 가장 강력한 컨트롤러는 96% Ramachandran-favored geometry를 유지하면서 87%의 서열에서 cycle-3 에너지를 개선한다. 이 결과는 반복적 에이전트 제어가 5-잔기 양자 설정에서 최적화 동작을 체계적으로 개선하고 실패 사례를 줄일 수 있음을 보여준다.
RetroAgent: 구조화된 메모리 탐색 기반 에이전트 역합성 계획을 위한 LLM 활용
RetroAgent: Harnessing LLMs to Search Over Structured Memory for Agentic Retrosynthesis Planning
다단계 역합성(retrosynthesis) 계획은 일련의 실현 가능한 반응을 통해 목표 분자를 상업적으로 이용 가능한 빌딩 블록(building block)으로 분해하는 것을 목표로 한다. 광대한 조합적 탐색 공간 때문에 이 과제는 전문 화학자에게도 어렵다. 기존 방법은 트리 탐색(tree search)과 오프라인 학습된 가치 네트워크(value network)를 결합하는데, 후보를 고립적으로 점수화할 뿐 완전한 다단계 경로에 대해 추론하지는 않는다. 최근 연구는 이 과제에 대규모 언어 모델(LLM)을 활용하지만, 단순한 인터페이스에 의존하여 전체 탐색 공간의 탐험을 제한한다. 우리는 구조화된 메모리를 갖춘 하네스를 통해 기호적 탐색과 신경망 추론을 연결하는 LLM 에이전트인 RetroAgent를 제안한다. 메모리와 화학 도구를 통해 에이전트는 탐색된 경로, 이용 가능한 대안, 중간체의 특성을 포함한 전체 탐색 상태를 관찰하여, 전역적 진행 상황과 도메인 지식 모두에 그라운딩(grounding)된 정보에 기반한 의사결정을 내릴 수 있다. 분포 내(in-distribution) 및 분포 외(out-of-distribution) 벤치마크(benchmark)에서의 실험은 RetroAgent가 강력한 성능과 일반화(generalization)를 달성함을 보여준다.
신경망 집합 함수의 완화 학습을 통한 최적 부분집합 오라클 발전
Advancing Optimal Subset Oracle via Learning Relaxation of Neural Set Functions
신경망 집합 함수 학습은 AI 기반 신약 개발에서의 화합물 선택 및 제품 추천을 포함한 광범위한 중요 응용 분야에서 핵심적인 역할을 한다. 최근 연구에서는 실용적인 약지도(weakly supervised) 설정하에서 집합 함수를 암묵적으로 학습하기 위한 최적 부분집합 오라클(optimal subset oracle)을 도입하였으며, 모델 파라미터는 평균장 변분 추론(mean-field variational inference)을 통해 최적화된다. 그러나 이러한 프레임워크는 변분 분포를 업데이트할 때 증거 하한(evidence lower bound, ELBO)의 그래디언트를 추정하기 위해 몬테카를로 샘플링에 의존한다. 반복적인 샘플링은 상당한 계산 오버헤드를 초래하며, 이로 인한 확률적 특성은 최적화 궤적을 불안정하게 만들 수 있다. 본 연구에서는 증거 하한을 집합 함수의 연속 완화(continuous relaxation)로 재해석하고, 변분 최적화 과정에서 샘플링 기반 ELBO 그래디언트 추정을 대체하는 대리 목적 함수(surrogate objective)를 학습한다. 학습된 대리 함수는 연속 도메인 전반에 걸쳐 안정적이고 효율적인 그래디언트를 제공함으로써 계산 오버헤드를 줄이고 추론을 가속화한다. 아울러, 부분모듈러 최대화(submodular maximization) 하에서 제안된 프레임워크에 대한 근사 보장을 확립하고, 변분 자유 에너지(variational free energy)와의 연관성을 규명한다. 다양한 실제 태스크에 대한 실험 결과, 기존 베이스라인 대비 일관된 성능 향상이 확인되었다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.