IsoDDE: 미개척 생물학적 시스템 탐사를 위한 AI 혁신
데이터 암기를 넘어 생물학적 원리를 학습하는 AI 일반화 역량의 혁신. 신약 설계의 임계점을 돌파하는 정밀 시뮬레이션 기반 플랫폼 IsoDDE를 소개합니다.
전략적 가치: 일반화의 힘
현대 신약 설계의 병목 현상은 '데이터 암기'에 의존한 예측 실패에서 기인합니다. 기존 코폴딩 모델은 신규 타겟을 마주할 때 정확도가 급격히 저하됩니다.
02. 벤치마크 방법론
학습과 암기를 구분하는 엄격한 평가 체계
Runs N’ Poses & ChEMBL 35
AF3 훈련 컷오프(21년 9월) 이후의 최신 데이터를 활용하여 포켓 서열 및 리간드 유사성에 따른 성능을 정교하게 측정합니다.
엄격한 데이터 필터링
단순 수치 부풀리기를 방지하기 위한 고해상도(X-ray < 2.5Å) 및 저유사도 기준을 적용합니다.
| 품질 기준 항목 | 필터링 상세 |
|---|---|
| 해상도 (Resolution) | X-ray < 2.5Å, Cryo-EM < 3.5Å |
| 유사도 컷오프 | 리간드 부피 중첩 > 0.6 및 서열 유사도 > 0.5 배제 |
| 데이터 정밀도 | 점유율 1.0, 결정 접촉 < 10% |
03. 단백질-리간드 구조 예측
고난도 타겟(Hard Target) 정복
유사도 [0, 20] 구간에서 IsoDDE는 50%의 성공률을 기록했습니다. 이는 23.3%인 AF3 대비 2배 이상의 정확도로, 모델이 물리적 본질을 파악하고 있음을 증명합니다.
Induced Fit
리간드 결합 시 발생하는 헬릭스 이동과 크립틱 포켓 형성을 정확히 모델링합니다.
04. 항체-항원 인터페이스
CDR-H3 루프 모델링과 신규 에피토프 식별에서 IsoDDE는 독보적입니다. 고정밀(DockQ > 0.8) 구간에서 AF3 대비 2.3배 높은 성능을 기록했습니다.
단 1개의 시드로 타 모델 1,000개의 시드 성능을 압도, 컴퓨팅 비용 1,000배 절감.
FoldBench Performance (Success Rate %)
05. 결합 친화도 예측
물리 기반 모델 초월
전통적인 물리 시뮬레이션(FEP+, OpenFE)의 막대한 부하 없이 실험 데이터 수준의 정밀도를 확보했습니다.
ChEMBL 35 타겟 클래스별 성능
06. Ligandability
리간드 정보 없이 단백질 서열만으로 결합 부위를 식별하는 'Blind Pocket Identification' 역량. 'First-in-class' 타겟 발굴의 핵심 가치입니다.
P2Rank(0.51)를 압도하는 정확도
단순 구조적 공동(Cavity) 탐색을 넘어 실제 생물학적 유효 지점을 식별합니다.
Cereblon(CRBN) 혁신 사례
결정 구조가 없는 폐쇄형(Apo) 상태에서도 잠재적 알로스테릭 부위를 사전에 예측합니다.