딥러닝 기반 단백질‑리간드 도킹의 실제 활용성을 평가하는 PoseBench 벤치마크

초록

본 논문은 예측된 apo 단백질 구조와 다중 리간드 결합을 전제로, 결합 포켓 정보를 사전 제공하지 않은 상태에서 딥러닝(DL) 도킹 및 공동 폴딩 방법들의 성능을 종합적으로 평가한다. 새롭게 제시된 PoseBench 벤치마크를 통해 최신 DL 모델이 기존 전통적 도킹 알고리즘보다 구조 정확도에서는 우수하지만, 새로운 결합 포즈나 다중 리간드 상황에서는 여전히 한계가 있음을 확인하였다. 또한 일부 모델은 입력 MSA에 크게 의존하는 반면, 다른 모델은 상대적으로 강인함을 보였다.

상세 분석

PoseBench는 세 가지 실용적 상황—(1) 예측된 apo 단백질 구조를 사용한 도킹, (2) 다중(코팩터) 리간드 동시 결합, (3) 결합 포켓 사전 지식 부재—를 동시에 만족하는 최초의 포괄적 벤치마크이다. 이를 위해 저자들은 Astex Diverse, DockGen‑E, PoseBusters, CASP15 등 네 개의 데이터셋을 구축하고, DiffDock‑L, DynamicBind, NeuralPLexer, Chai‑1, Boltz‑1, AlphaFold‑3(단일 서열 버전 포함) 등 8개의 최신 DL 기반 모델과 P2Rank+AutoDock Vina 같은 전통적 파이프라인을 비교하였다.

실험 결과, 공동 폴딩(co‑folding) 접근법이 전통적 도킹보다 구조적 정확도(RMSD ≤ 2 Å)와 화학적 타당성(PB‑Valid) 모두에서 우수했으며, 특히 Chai‑1, Boltz‑1, AlphaFold‑3은 포켓 탐지 성공률이 50 % 이상으로 높은 편이었다. 그러나 AlphaFold‑3은 입력 MSA가 부족할 경우 성능이 급격히 저하되는 현상을 보였으며, 이는 모델이 MSA 기반 진화 정보에 과도히 의존한다는 점을 시사한다. 반면 Boltz‑1은 단일 서열 버전에서도 비교적 안정적인 성능을 유지해 MSA 비의존적 설계의 장점을 보여준다.

다중 리간드 상황에서는 전체적인 성공률이 크게 떨어졌으며, 특히 새로운 결합 포켓을 포함한 CASP15 데이터셋에서는 대부분의 모델이 구조·화학적 정확도를 동시에 만족시키지 못했다. 이는 현재 DL 모델이 리간드‑리간드 상호작용이나 포켓 내 경쟁적 결합을 충분히 학습하지 못했음을 의미한다. 또한 PLIF‑WM(아미노산‑특이적 상호작용 매칭 점수)에서 모든 모델이 낮은 점수를 기록했는데, 이는 구조 정확도와 화학적 특이성 사이의 트레이드오프를 효과적으로 해결하지 못하고 있음을 보여준다.

요약하면, PoseBench는 (i) 최신 DL 공동 폴딩 모델이 전통적 도킹을 대체할 잠재력을 가지고 있으나, (ii) 새로운 포켓·다중 리간드 상황에서는 일반화 능력이 제한적이며, (iii) MSA 의존성 차이가 모델별 성능 격차를 만든다는 중요한 인사이트를 제공한다. 향후 연구는 MSA‑비의존적 특징 학습, 다중 리간드 상호작용 모델링, 그리고 OOD(Out‑of‑Distribution) 데이터에 대한 강인성 강화에 초점을 맞춰야 할 것이다.