[Drug Discovery]#3 대용량 가상탐색을 위한 계산화학 방법론의 활용과 개선방안

핵심 요약

에이아트릭스는 Docking 중심의 대용량 가상탐색을 계산화학과 AI로 결합해 비용과 시간을 대폭 줄이고, 13.6억 분자 탐색에서 590개 상위 후보, 69개 Hit를 발굴한 사례를 바탕으로 향후 방향을 제시합니다.

구현 방법

• Graph Neural Network와 Bayesian Learning으로 예측 모델 구성
• Docking/MD/FEP의 하이브리드 탐색과 Active Learning으로 연산량 감소
• Enamine 라이브러리와 QuickVina2 기반 오픈소스 도킹, Google Cloud Platform의 8000 CPU 활용

주요 결과

• Active Learning으로 Docking 계산량 약 40배 감소 사례 인용
• 13.6억 탐색에서 590개 선별, 69개 Hit 발굴 사례 참조
• 상호작용 기반 점수 모델로 예측 신뢰도 및 선별 효율 개선 시도