엔지니어링된 모델-양자 프레임워크를 통한 제한된 실제 데이터로부터의 포괄적 pKa 데이터 증강
Comprehensive pKa Data Augmentation from Limited Real Data through an Engineered Models-Quantum Framework
한국어 초록
양성자 해리 상수(pKa)는 기능성 분자 발견 및 분자 모델링에 있어 중요합니다. 현재까지 확립된 가장 큰 실험적 pKa 데이터베이스인 iBonD를 기반으로, 본 연구진과 다른 연구자들은 머신러닝 기반 경험적 예측 및 고정밀 에너지 계산을 포함한 여러 방법을 개발해 왔습니다. 이러한 기반에도 불구하고, 고품질 pKa 데이터의 신속한 증강은 여전히 근본적으로 제한되어 있습니다. 본 연구의 일환으로, 우리는 광범위하게 최적화된 머신러닝 모델 컬렉션을 사용하여 레이블이 없는 분자 데이터셋에 대해 대규모 회귀 기반 pKa 예측을 수행했습니다. 결과에 따르면, 레이블이 없는 분자 데이터셋의 특징(feature) 분포로 인해 pKa 데이터 분포는 정규성을 띠지만 꼬리 영역(tail-region) 샘플은 극도로 희소한 것으로 나타났습니다. 이러한 데이터 증강은 전반적인 데이터 가용성과 예측 모델링을 향상시키는 데 매우 가치가 있지만, 광범위한 스펙트럼의 pKa 특성을 가진 분자를 효율적으로 발견하는 데에는 여전히 부족합니다. 이를 해결하기 위해, 우리는 광대한 화학 공간에서 희소한 pKa 특성을 가진 분자의 목표 지향 생성을 탐구합니다. 분자 생성을 위한 기존의 연속 잠재 공간 VAE-RNN 방법은 안정성이 부족하고 희소 데이터를 보완하는 데 있어 명확한 이점을 보이지 못한다는 점을 고려하여, 우리는 양자 보조 희소-pKa 분자 생성 방식을 설계하고 구현했습니다. 타당성은 시뮬레이션된 양자 어닐러에서 검증되었으며, 물리적 코히어런트 이징 머신(Coherent Ising Machines, CIMs)에서는 우수한 극값 샘플링이 추가로 달성되었습니다. (계속)
원문 초록
Proton dissociation constants (pKa) are critical for functional molecule discovery and molecular modeling. Building on iBonD, the largest experimental pKa database established, we and other researchers have developed several methods including machine-learning-based empirical prediction and high-accuracy energy calculations. Despite this foundation, the rapid augmentation of high-quality pKa data remains fundamentally constrained. As part of this work, we performed large-scale regression-based pKa prediction on unlabeled molecular datasets using a collection of extensively optimized machine-learning models. The results indicate that, since the feature distributions of unlabeled molecular datasets, the pKa data distribution approximates normality, with extreme scarcity of tail-region samples. Although such augmentation is highly valuable for improving overall data availability and predictive modeling, it remains insufficient for efficiently discovering molecules with broad-spectrum pKa properties. To address this, we explore the targeted generation of molecules with sparse pKa properties from the vast chemical space. Given that traditional continuous latent space VAE-RNN methods for molecular generation suffer from insufficient stability and fail to demonstrate clear advantages in complementing sparse data, we design and implement a quantum-assisted sparse-pKa molecular generation. Feasibility is validated on a simulated quantum annealer, and superior extreme-value sampling is further achieved on physical coherent Ising machines (CIMs). (to be continued)
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.17077v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
MotifRole-Diff: 마스킹 분자 그래프 확산을 위한 위험 최적 역할 인식 손상
MotifRole-Diff: Risk-Optimal Role-Aware Corruption for Masked Molecular Graph Diffusion
분자 그래프 생성을 위한 마스킹 이산 확산(masked discrete diffusion)은 일반적으로 무손실 그래프-투-시퀀스(graph-to-sequence) 표현의 모든 토큰에 균일한 손상(corruption) 스케줄을 적용하며, 구조적으로 이질적인 분자 구성 요소를 재구성 난이도와 중요도가 동일한 것처럼 암묵적으로 취급한다. 그러나 서로 다른 분자 그래프 토큰 역할은 디노이징(denoising) 난이도와 디코딩된 분자에 미치는 영향에서 상당한 차이를 보이므로, 역할별 손상 전략이 필요하다. 본 논문은 MotifRole-Diff를 제안한다. 이는 경험적으로 측정된 디노이징 난이도와 그래프 수준 교란(perturbation) 영향에 따라 마스킹 비율을 할당하는 역할 인식 손상 과정으로, 모델 아키텍처, 깨끗한 시퀀스 공간, 무손실 분자 그래프 디코더는 그대로 유지한다. 우리는 스케줄 선택을 고정된 마스킹 예산을 토큰 역할 간에 위험 최적으로 할당하는 문제로 공식화한다. 우리의 정리는 모델링된 역할 가중 잔여 위험(role-weighted residual risk)에 대한 최적성을 특성화하며, 하류 생성 성능은 경험적으로 평가한다. 동일한 아키텍처, 학습 예산, 샘플링 연산량 하에서 MotifRole-Diff는 QM9에서 validity를 0.905에서 0.944로 향상시키고 FCD를 1.701에서 1.609로 감소시켰으며, MOSES에서는 validity를 0.920에서 0.938로 향상시키고 FCD를 2.125에서 1.850으로 감소시켰다. 역할별 진단은 분자 그래프 토큰 범주 전반에 걸친 재구성 개선을 추가로 보여준다. 종합하면, 이러한 동일 연산량 결과는 구조적으로 정보를 반영한 손상이 직렬화된 분자 그래프 확산에 있어 균일 스케줄보다 더 효과적인 마스킹 전략임을 시사한다.
Monkey King Bang: 통합 과학 멀티모달 파운데이션 모델
Monkey King Bang: A Unified Scientific Multimodal Foundation Model
과학적 발견은 점점 고립된 학문 분야에서 다중 도메인 추론으로 이동하고 있으며, 과학을 위한 AI도 유사한 전환에 직면하고 있다. 기존 시스템은 개별 도메인에 특화되어 있거나, 주로 텍스트 토큰화(tokenization)와 프롬프트 기반 인터페이스를 통해 과학 데이터를 통합함으로써, 다양한 과학 입력을 처리하고, 모달리티 고유(modality-native) 출력을 생성하며, 과학 도메인 전반에 걸친 공동 이해, 추론, 생성을 지원하는 능력을 제한한다. 우리는 이해와 생성 모두를 위한 통합 과학 멀티모달 모델인 MKB를 소개한다. MKB는 공유 트랜스포머 백본과 모달리티 맞춤형(modality-tailored) 인코더, 어댑터, 디코더를 중심으로 구축되었다. MKB는 DNA, RNA, 단백질, 소분자, 지구과학, 의료 영상을 포함한 6개 과학 분야를 다루며, 생물학적 서열, 분자 문자열, 기상장(meteorological fields), 분할 마스크(segmentation masks)와 같은 고유 출력을 지원한다. 학습은 2단계 모달리티-후-언어 커리큘럼을 따른다: 1단계에서는 모달리티별 구성 요소를 고정된 백본과 정렬하고, 2단계에서는 혼합된 과학 및 일반 코퍼스를 사용하여 언어 백본과 통합한다. 실험 결과, MKB는 생물학 및 분자 벤치마크(benchmark) 전반에서 경쟁력 있는 과학적 이해를 달성하고, 날씨 예측, 생물학적 생성, 의료 영상 분할(image segmentation)에 대해 고충실도(high-fidelity) 고유 출력을 생성하며, Qwen3-VL 백본의 일반 역량을 대체로 유지한다. 이 결과는 제안된 패러다임의 타당성을 보여주며, 모달리티 맞춤형 구성 요소를 갖춘 공유 백본 모델이 향후 교차 도메인 과학 멀티모달 탐험(exploration)을 위한 유망한 기반을 제공할 수 있음을 시사한다. 모델과 코드는 https://github.com/Shanghai-Academy-of-AI-For-Science/MKB 및 https://huggingface.co/sais-org/MKB에서 공개적으로 이용할 수 있다.
HEDGEHOG: 엄격한 여과를 통한 약물 생성기의 계층적 평가
HEDGEHOG: Hierarchical Evaluation of Drug Generators Through Rigorous Filtration
생성 분자 모델은 de novo 방식으로 새로운 후보 화합물을 제안함으로써 초기 약물 발견을 지원할 수 있다. 실제로 유용한 후보는 표적 관련 활성, 합성 접근성, 물리화학적 특성 및 기타 다중 매개변수 설계 제약을 균형 있게 만족해야 한다. 그러나 분자 생성기를 평가하는 데 일반적으로 사용되는 지표는 생성된 화합물이 의약적으로 타당하고 하류 계산에 적합한지를 약하게만 반영한다. 이는 모델 평가에서 위양성, 잘못된 가정, 그리고 계산 자원의 비효율적 사용을 초래할 수 있다. 우리는 산업적 hit identification 워크플로에 영감을 받은 통합 6단계 여과 벤치마크인 HEDGEHOG를 제안한다: (i) 전처리; (ii) 물리화학적 descriptor 스크리닝; (iii) structural alerts 및 그래프 무결성 검사; (iv) 합성 가능성; (v) 도킹(docking) 및 결합 친화도(binding affinity) 추정; (vi) 3차원 포즈(pose) 및 상호작용 검사. 표준화된 프로토콜 하에서 세 가지 모델 클래스에 걸친 23개의 분자 생성기를 평가한다. 230,000개의 생성 분자 중 초기 분자의 0.65%만이 모든 단계를 통과한다. 우리 결과는 현재 분자 생성기의 핵심 한계를 드러낸다: 개별 기준에서는 허용 가능해 보이는 분자가 의약화학, 합성, 도킹, 3D 포즈 필터를 동시에 만족하는 경우는 드물다.
포켓 조건부 확산 및 속성 인식 최적화를 통한 개발 가능한 3D 분자 생성
Generating Developable 3D Molecules via Pocket-Conditioned Diffusion and Property-Aware Optimization
약물 발견 및 개발은 시간과 자원이 많이 소요되어, 최초 약물 설계(de novo drug design)를 위한 확산 모델(diffusion model)과 같은 계산적 접근법을 촉진한다. 이러한 모델 중 많은 것이 구조 기반 약물 설계(SBDD) 패러다임을 따르며, 표적 결합 포켓에 맞는 분자를 생성한다. 그러나 기존 확산 기반 SBDD 방법은 일반적으로 포켓과 리간드 표현 학습을 결합하고, 상호작용을 원자 수준에서만 모델링하며, 다른 개발 가능성(developability) 속성보다 결합 친화도(binding affinity)를 우선시한다. 여기서 우리는 강한 결합 친화도와 유리한 ADMET 속성을 갖는 리간드를 생성하기 위한 조건부 확산 기반 SBDD 프레임워크인 conDitar-dev를 제안한다. 이는 세 가지 모듈로 구성된다: 사전학습된 다중 스케일 포켓 표현 학습 모듈인 msPRL, msPRL 표현에 의해 안내되는 포켓 조건부 확산 모델인 conDitar, 그리고 리간드 개발 가능성을 최적화하는 생성 시점 방법인 paOPT이다. 새롭게 구축한 인간 질병 표적 벤치마크에서 conDitar는 최신 SBDD 기준선을 능가하며, 평균 결합 점수 -8.85 kcal/mol을 달성한다. 5가지 ADMET 속성에 걸쳐, conDitar-dev는 conDitar 대비 최대 73%까지 성능을 향상시킨다. conDitar-dev가 개발 가능한 분자를 생성하는 능력을 추가로 검증하기 위해, 우리는 이를 두 가지 검증된 약물화 가능(druggable) 표적인 프로그램된 세포 사멸 리간드 1(PD-L1) 및 콜로니 자극 인자 1 수용체(CSF1R) 단백질에 적용하였다. 상위 순위의 생성적으로 설계된 분자와 그 유사체는 실험적으로 합성되고 생물학적으로 검증되었다. PD-L1을 위해 conDitar-dev가 직접 생성한 두 분자는 각각 SPR로부터 도출된 $K_D$ 값이 3.49 및 3.75 $μ$M이었다. conDitar-dev로 설계된 분자를 기반으로 한 히트 확장(hit expansion)은 IC$_{50}$ 값이 최저 200 nM인 선택적 CSF1R 억제제를 확인하였으며, 약물 재창출(drug repositioning)의 기회도 발견하였다.
보상 전송: 노이즈 공간 정렬을 통한 플로우 매칭에서의 속성 제어
Reward Transport: Property Control in Flow Matching via Noise-Space Alignment
플로우 매칭에서의 커플링(coupling)—노이즈 벡터와 데이터 포인트를 짝짓는 규칙—은 일반적으로 계산상의 선택으로 다루어진다. 본 논문에서는 이 커플링이 정렬 인터페이스로 기능할 수 있음을 보인다. 목표 분자 속성에 따라 노이즈와 데이터를 매칭함으로써, 제어 가능한 구조를 학습된 플로우 필드에 직접 내재시킬 수 있다. 이러한 관점에 기반하여, 우리는 Reward Transport를 소개한다. 이 방법은 학습 시 최적 전송 커플링(optimal transport coupling)을 사용해 스칼라 노이즈 공간 좌표를 분자 보상과 정렬하며, 추론 시에는 이 좌표를 변화시킴으로써 오라클, 보상 모델, 그래디언트 가이던스, 혹은 추가 연산 없이 생성 분포를 조종한다. 커플링 보존 극한(coupling-preserving limit)에서, 이 좌표에 임계값을 적용하면 교차 엔트로피 방법(Cross-Entropy Method)의 절단된 보상 분포가 복원되어, 원칙에 기반한 연속적으로 조정 가능한 분포 수준의 제어 노브를 제공한다. 실험적으로, ZINC-250K와 GuacaMol에서 스칼라를 스위핑하면 logP의 단조 제어와 동작 범위 내에서의 일관된 QED 제어가 유도된다. 가장 주목할 점은, 동일한 노브가 서로 다른 목표에 대해 반대 방향의 구조적 반응을 생성한다는 것이다—logP에 대해서는 분자가 커지고 QED에 대해서는 작아짐—이는 일반적인 크기 바이어스를 배제한다. 이 인터페이스는 분류자 없는 가이던스(classifier-free guidance) 및 조건부 플로우 매칭과 상호 보완적이며, epsilon-예측 확산 모델에서의 부정적 결과는 커플링 수준의 정렬이 구조적으로 부재한 경우를 명확히 한다. 코드: https://github.com/KehanGuo2/reward-transport
DrugGen 2: 신약 발견 향상을 위한 질병 인식 언어 모델
DrugGen 2: A disease-aware language model for enhancing drug discovery
신약 설계를 위한 현재의 계산적 접근법은 일반적으로 특정 타겟 또는 일반적인 분자 특성에 조건화하여 분자를 생성하는 데 초점을 맞추며, 타겟 거동 및 치료 결과에 대한 질병 맥락의 영향을 종종 간과한다. 이러한 간극을 해소하기 위해, 우리는 질병 온톨로지(disease ontology)와 타겟 단백질 서열 모두에 조건화하여 소분자를 설계하는 새로운 생성 모델인 DrugGen-2를 소개한다. DrugGen-2는 사전학습된 GPT-2 모델을 질병 및 타겟과 연결된 승인 약물의 큐레이션된 데이터셋에 대해 미세조정하여 개발되었으며, 지도 미세조정에 이어 그룹 상대 정책 최적화(GRPO, group relative policy optimization)를 통한 강화학습으로 구성된 2단계 전략을 사용하였다. 이 과정은 화학적 유효성, 신규성, 다양성 및 높은 예측 결합 친화도를 최적화하는 보상 함수에 의해 가이드되었다. 당뇨병성 신증에 관련된 5개의 단백질 타겟에 대한 평가에서, DrugGen-2는 기준선 모델(DrugGPT 및 DrugGen)을 크게 능가하였다. DrugGen-2는 고유한 분자를 생성하는 우월한 능력을 보여주었고, 승인 약물과의 더 높은 구조적 유사성을 나타냈으며, 모든 타겟에서 개선된 예측 결합 친화도를 달성하였다. 분자 도킹 분석은 이러한 결과를 추가로 뒷받침하였으며, 앤지오텐신 전환 효소에 대한 에날라프릴(-8.283) 등 참조 약물을 초과하는 예측 친화도(-9.917, -9.485, -9.367)를 가진 화합물을 포함하여 강한 결합 잠재력을 가진 후보 리간드를 식별하였다. 분자 생성에 질병 특이적 맥락을 통합함으로써, DrugGen-2는 질병과 분자 타겟 간의 복잡한 상호작용을 고려하는 드 노보(de novo) 설계 및 약물 재창출을 위한 강력한 도구를 제공하며 AI 기반 신약 발견을 발전시킨다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.