닫히지 않은 고리

3.2

Graph Neural Processes for Molecules

논문 · 전문

DOCKSTRING의 축적된 docking score로 graph neural process를 학습했다.

• 분자를 molecular graph로 표현한다.
• 일부 분자의 score만 관측된 상황에서 나머지 score를 예측한다.
• 새 표적이나 소규모 데이터 환경에 적응하는 few-shot·meta-learning 가능성을 평가한다.
• 예측값과 함께 uncertainty를 추정한다.

여기서 “graph”는 분자의 원자–결합 그래프이지 biomedical knowledge graph가 아니다. 같은 낱말이 전혀 다른 것을 가리킨다.

3.3

Smiles2Dock — 2,500만 건의 score

논문 · PDF

약 170만 개 ChEMBL 화합물을 15개 AlphaFold 구조에 docking해 2,500만 건 이상의 score를 구축했다.

• SMILES로부터 docking score를 직접 예측하는 모델 학습
• GNN, transformer, CNN 비교
• 실제 docking 없이 대규모 라이브러리를 사전 선별
• 고비용 docking을 상위 후보에만 집중

다만 다음이 semantic KG로 연결되지 않는다.

• AlphaFold 구조의 신뢰도
• 단백질 도메인과 pocket 근거
• docking protocol provenance
• pose별 residue interaction
• 질환·pathway·임상 근거
• 후속 실험 결과

3.4

RNAmigos2 — RNA 표적의 120만 건

논문

약 120만 건의 RNA–리간드 docking 결과를 synthetic training data로 활용한다.

• RNA binding site를 그래프로 표현한다.
• docking score를 학습용 약한 감독 신호로 쓴다.
• 실험 데이터가 부족한 RNA 표적에서 docking 이력으로 학습 데이터를 보강한다.

그러나 RNA 구조 그래프와 biomedical KG는 다른 개념이다. docking score를 질환·RNA 기능·pathway·assay provenance와 연결한 KG가 아니다.

4.1

PoseBench

논문 · GitHub

전통적 docking과 AI 기반 co-folding·pose prediction을 같은 데이터셋과 평가 기준으로 비교한다.

• Astex
• PoseBusters
• DockGen-E
• CASP15
• conventional docking
• deep-learning docking
• protein–ligand co-folding

여러 방법의 pose와 평가 결과를 일관된 구조로 축적한다는 점에서 “수행 이력 표준화” 사례다. 다만 biomedical KG에 연결하지는 않는다.

4.2

PoseX

GitHub

self-docking과 cross-docking 조건에서 여러 pose prediction 방법을 비교하기 위한 공개 benchmark 프로젝트다. 기존 실행 결과와 방법별 성능을 보존하므로 다음 연구자가 어떤 방법을 고를지 판단하는 데 도움이 된다. 그러나 benchmark 결과를 표적·질환·분자·실험 근거 KG와 연결하는 시스템은 아니다.

5.1

COVID-19 약물재창출 KG + docking

논문 · 전문

KG embedding으로 재창출 후보를 순위화하고, docking으로 SARS-CoV-2 단백질 결합 가능성을 평가했다. Fosinopril–nsp13 등을 KG 경로와 docking 결과로 설명한다. 그러나 docking 결과가 다시 DockingRun·Pose·Score 관계로 KG에 적재되었다는 근거는 없다.

5.2

PPIKG 기반 표적 규명

논문 · GitHub

단백질–단백질 상호작용 KG로 UNBS5162의 후보 표적을 1,088개에서 35개로 줄이고, docking과 실험으로 USP7을 직접 표적으로 제안했다. KG가 검색 공간을 크게 줄인 것은 분명한 장점이다. 그러나 USP7 docking 결과와 후속 실험 결과를 provenance가 포함된 관계로 PPIKG에 되돌리지는 않는다.

5.3

KPGT

논문

분자 그래프와 화학적 지식을 결합한 사전학습 모델이다. 약물재창출 사례에서 모델이 제안한 후보를 docking으로 분석한다. 다만 docking은 proof-of-concept 평가 단계이며, 과거 실행 이력이 KG의 새로운 관계로 환류되는 구조가 아니다.

5.4

K-DREAM

논문 · PDF

biomedical KG의 지식을 분자 생성 과정에 활용하고 docking score로 생성 후보를 평가한다.

• KG가 생성모델에 질환–표적–약물 맥락을 제공
• 생성모델이 새로운 분자를 제안
• docking이 구조적 결합 가능성을 평가

그러나 docking 결과를 다시 KG에 저장해 다음 생성 라운드의 graph reasoning에 쓰는 완전한 폐루프는 공개 내용에서 확인되지 않는다.

5.5

GADRC

논문

그래프 기반 모델이 약물재창출 후보를 예측하고 docking으로 구조적 타당성을 검증한다. 여기서도 docking은 최종 검증 수단이며, pose·score·protocol이 그래프 이력으로 환류되는 구조가 아니다.