Protein-Ligand Binding Affinity Prediction Using Protein Modality Alignment

신약 후보물질 도출을 위해 타겟 단백질과 높은 결합 친화도를 지닌 분자를 식별하는 것은 많은 자원과 시간이 필요하다. 딥러닝을 활용한 단백질-리간드 결합 친화도 예측 모델은 기존 실험적 접근법의 자원 및 시간 소요 문제를 효율적으로 해결할 수 있는 대안으로 주목받고 있다. 기존 방법론은 리간드의 2D 그래프 정보만을 사용하여 3차원 공간에서의 입체적 상호작용을 충분히 모델링하지 못하는 근본적 한계를 지닌다. 또한 단백질을 모델링할 때 서열 및 구조, 표면 정보를 사용하지만, 이들의 연결 관계를 모델에 주입하지 못하는 문제가 존재한다. 본 연구는 단백질의 다중 모달리티(서열, 구조, 표면) 정보의 서열 기준 정렬과 리간드 정보의 SE(3)-invariant 그래프 신경망을 통합한 새로운 딥러닝 프레임워크를 제안한다. 제안된 모델은 기존 베이스라인 모델들보다 뛰어난 성능을 보였으며, Ablation study를 통해 단백질의 모달리티 정렬과 3D 리간드 정보의 중요성을 입증하였다.