BADGER: 결합 친화도 기반 확산 모델 가이드라인

초록

BADGER는 구조 기반 약물 설계(SBDD)에서 확산 모델에 결합 친화도 정보를 주입하는 일반적인 가이드 프레임워크이다. 분류기 가이드와 분류기‑프리 가이드를 동시에 제공해 플러그‑인 방식 혹은 훈련 단계에서 직접 조건을 학습하도록 설계했으며, 다중 제약(결합 친화도, QED, SA) 최적화도 지원한다. CrossDocked2020·PDBBind 실험에서 기존 방법 대비 약물‑단백질 결합 에너지 향상이 60 %에 달한다.

상세 분석

BADGER는 확산 기반 SBDD에 결합 친화도라는 연속형 스칼라 목표를 효과적으로 통합하기 위해 두 가지 상보적인 가이드 방식을 제시한다. 첫 번째인 분류기 가이드는 별도로 학습된 연속형 속성 예측기를 이용해 (P(y|x_t)) 를 가우시안 형태로 모델링한다. 목표값 (c) (예: −5 ∼ −10 kcal/mol) 에 대한 평균을 설정하고, 예측값 (y_\theta(x_t))와의 MSE 형태의 그래디언트를 샘플링 단계에 추가함으로써 (x_t) 가 목표 친화도 영역으로 끌어당겨진다. 이때 스케일 파라미터 (s) 와 분산 (\sigma) 를 조절해 가이드 강도를 미세 튜닝할 수 있다. 플러그‑인 특성 덕분에 기존 확산 모델(예: DiffDock, EDM‑Fragment)과 바로 결합 가능하며, 별도 재훈련이 필요 없다.

두 번째인 분류기‑프리 가이드는 훈련 시 조건 라벨을 무작위로 마스킹해 조건부·무조건부 스코어를 하나의 네트워크가 동시에 학습하도록 설계한다. 샘플링 시에는 ((1-s))·무조건부 스코어 + (s)·조건부 스코어 의 선형 결합으로 원하는 속성을 반영한다. 이 접근법은 별도 분류기 비용을 없애면서도 동일한 가이드 효과를 제공한다.

BADGER는 또한 다중 제약 가이드를 확장한다. 결합 친화도 외에 QED와 SA를 동시에 조건으로 넣어, 손실 함수에 각각의 가우시안 프라이어를 적용하고, 샘플링 단계에서 다중 그래디언트를 합산한다. 이렇게 하면 결합 친화도는 유지하면서 약물성(Drug‑likeness)과 합성 가능성도 향상된 분자를 얻을 수 있다.

실험에서는 CrossDocked2020와 PDBBind 데이터셋을 사용해 베이스라인 확산 모델(조건 없이)과 비교했다. BADGER‑분류기 가이드를 적용했을 때 평균 ΔG 가 약 −6.2 kcal/mol에서 −9.8 kcal/mol로 개선됐으며, 이는 약 60 % 향상에 해당한다. 분류기‑프리 가이드는 약간 낮은 개선률을 보였지만, 훈련 비용이 절감되는 장점이 있다. 다중 제약 실험에서는 QED 평균이 0.62→0.71, SA 점수가 0.45→0.58으로 상승했으며, 결합 친화도 저하 없이 균형 잡힌 후보군을 생성했다.

BADGER의 핵심 강점은 모델‑불변성과 연속형 속성에 대한 직접적인 그래디언트 제어이다. 기존 이미지·텍스트 분야에서의 가이드 기법을 3D 화학 공간에 맞게 변형했으며, 가우시안 프라이어를 이용해 연속형 목표를 자연스럽게 다룬다. 또한, 샘플링 단계에서 (P_t(\Delta G)) 분포가 점진적으로 낮은 에너지 영역으로 이동하는 모습을 시각화해 가이드 효과를 직관적으로 확인했다. 한계점으로는 (y_\theta) 예측기의 정확도에 크게 의존한다는 점과, 복잡한 다중 제약 상황에서 스케일 파라미터 튜닝이 경험적이라는 점을 들 수 있다. 향후 연구에서는 (y_\theta) 를 엔드‑투‑엔드로 공동 학습하거나, 베이지안 최적화를 결합해 자동 스케일링을 구현하는 방향이 제시된다.