분자 입체성을 학습하는 새로운 차별 커널

초록

ChiDeK(Chiral Determinant Kernels)는 입체 중심과 축 입체성을 동시에 인코딩하기 위해 SE(3)‑불변 차별 행렬을 활용한다. 차별 커널과 크로스‑어텐션을 결합해 로컬 입체 정보를 전역 표현에 명시적으로 반영하며, 축 입체성 전용 ECD·OR 벤치마크에서 기존 최첨단 모델 대비 7% 이상 정확도가 향상되었다.

상세 분석

본 논문은 분자 입체성(특히 중앙 및 축 입체성)을 머신러닝 모델에 효과적으로 통합하기 위한 구조적 접근법을 제시한다. 기존 3D‑GNN이나 SE(3)‑불변 모델은 거리·각도 기반 특성만을 사용해 반사 변환에 대해 대칭성을 유지하므로, 거울상인 에난티오머를 구분하지 못한다는 근본적 한계가 있다. 이를 극복하기 위해 저자들은 ‘차별 행렬(Chirality Matrix)’의 행렬식, 즉 세 개의 결합 벡터가 이루는 부호가 있는 부피를 직접 학습 가능한 커널 형태로 변환하였다. 구체적으로, 각 입체 중심 i에 대해 3×3 차별 행렬 M_C(i)를 구성하고, 이를 다중 커널 W와 곱한 뒤 QR 분해를 수행해 R 행렬의 행렬식(det R)을 추출한다. 이 과정은 미분 가능하면서도 SE(3)‑불변이며, 반사에 대해서는 부호가 반전되는 특성을 유지한다. 따라서 모델은 입체 중심의 R/S 혹은 Ra/Sa 구성을 명시적으로 인코딩할 수 있다.

차별 커널로부터 얻은 k‑차원 임베딩 D_c는 기존 원자 특성 h_i와 결합돼 초기 노드 표현 H_c, H_r, H_n을 만든다. 이후 ‘Chiral Transformer’ 단계에서 크로스‑어텐션을 적용한다. 여기서 입체 중심은 Query, 입체 관련 원자와 비입체 원자는 Key/Value 역할을 수행하며, 거리 기반 Gaussian Kernel with Pair Type(GKPT)으로 가중치를 조정한다. GKPT는 거리 x와 에지 타입 e를 입력받아 학습 가능한 선형 변환 E₁·x+E₂와 가우시안 파라미터(μ,σ)로 스칼라 친화도를 계산한다. 이 설계는 입체 중심이 주변 원자와의 기하학적 관계를 정밀히 파악하도록 돕고, 전역 풀링 전에 입체 정보를 충분히 전파한다.

실험에서는 네 가지 태스크(R/S 분류, 에난티오머 순위 매기기, 전자 원형 이색성(ECD) 스펙트럼 예측, 광학 회전(OR) 예측)를 위해 기존 공개 데이터와 저자 자체 구축한 축 입체성 벤치마크를 사용했다. 특히 축 입체성 데이터셋은 2,300여 개의 바이아릴계 화합물을 포함하며, 각 분자는 실험적 ECD·OR 값과 함께 라벨링되었다. 결과는 ChiDeK가 중앙 입체성 태스크에서 2~3%p 상승을 보였을 뿐 아니라, 축 입체성 태스크에서는 평균 7%p 이상의 정확도 향상을 달성했음을 보여준다. 또한 ablation study에서 차별 커널을 제거하거나 GKPT 없이 단순 어텐션만 사용할 경우 성능이 현저히 떨어짐을 확인했다.

이 접근법의 강점은 (1) 수학적으로 증명된 SE(3)‑불변·반사‑민감 특성, (2) 입체 중심을 명시적으로 구분해 로컬 정보를 손실 없이 전역에 전달, (3) 중앙·축 입체성을 동일한 프레임워크 안에서 다룰 수 있다는 범용성이다. 반면 제한점으로는 (a) 차별 행렬을 구성하기 위해서는 정확한 3D 좌표가 필요하므로, 실험적 구조가 없는 경우(예: 가상 스크리닝)에는 전처리 비용이 증가한다, (b) 현재는 4개의 입체 관련 원자만을 고려하므로, 다중 입체 중심이 복합적으로 얽힌 대형 분자에 대한 확장성이 검증되지 않았다. 향후 연구에서는 (i) 좌표 추정 모델과 결합해 저해상도 구조에서도 강인하게 동작하도록 하고, (ii) 다중 입체 중심 및 헬리컬 입체성을 포괄하는 확장형 차별 텐서를 설계하는 방향이 기대된다.