## 1. 왜 GNN이 단백질–약물에 잘 맞는가? ### 약물 (소분자) → 그래프 - **노드**: 원자 - **엣지**: 화학 결합 - **노드 특성**: 원자 번호, 전하, 하이브리디제이션, 방향족성 등 - **엣지 특성**: 결합 차수, 방향성, 고리 여부 등 ### 단백질 → 그래프 - 표현 방식 다양: - **Residue-level 그래프**: 아미노산 = 노드, 거리/결합 = 엣지 - **Atom-level 그래프**: 모든 원자를 노드로 사용하는 고해상도 표현 - **Contact map 그래프**: 특정 거리 이내 residue 연결 - **노드 특성**: 아미노산 종류, 2차 구조, 전하, 표면 노출도 등 --- ## 2. 기본 아이디어: GNN으로 상호작용을 어떻게 학습하는가? ### (1) 단백질 GNN + 약물 GNN → 임베딩 생성 각각을 GNN에 넣어 **vector embedding**으로 변환 ### (2) 결합 방식 - 단순 결합: concat([protein_embedding, drug_embedding]) - 주의 메커니즘 적용: - Cross-attention - Co-attention - Interaction graph 생성: - 단백질 residue–약물 atom 간의 bipartite graph를 만들어 GNN 처리 ### (3) 출력 - **이진 분류**: 결합 / 비결합 여부 - **회귀**: binding affinity (Kd, IC50) - **포즈 예측**: 결합 위치 및 형태 --- ## 3. 대표적인 GNN 기반 모델 계열 ### (A) Molecule 전용 GNN |모델|특징| |---|---| |GCN|가장 기본| |GAT|중요 원자에 attention| |MPNN|화학적 정보 전파에 적합| |DimeNet / SchNet|3D 구조 반영| ### (B) Protein 전용 GNN |모델|특징| |---|---| |GearNet|단백질 구조 보존 그래프| |GVP-GNN|벡터 + 스칼라 구조 특징| |ProteinGCN|residue-level GNN| ### (C) 단백질–약물 통합 모델 |모델|핵심 아이디어| |---|---| |**GraphDTA**|dual GNN 구조| |**MONN**|residue–atom attention| |**PotentialNet**|거리 기반 interaction| |**DGMGC**|동적 그래프 생성| |**GeoMol**|3D 공간 반영| --- ## 4. 입력 데이터 유형 ### 단백질 - FASTA sequence - PDB 구조 - Alphafold2 구조 - residue–residue distance map ### 약물 - SMILES - RDKit 구조 객체 - 3D conformer ### 레이블 - Binding: yes/no - Kd, Ki, IC50 - pKd --- ## 5. 파이프라인 예시 (PyTorch Geometric 기준) ```python # Drug graph drug = Data(x=atom_features, edge_index=bond_index, edge_attr=bond_features) # Protein graph protein = Data(x=residue_features, edge_index=contact_map) # GNN drug_emb = DrugGNN(drug) protein_emb = ProteinGNN(protein) # Interaction combined = torch.cat([drug_emb, protein_emb], dim=1) out = MLP(combined) ``` --- ## 6. 장점과 한계 ### 장점 - 구조 기반 학습 가능 - 물리/화학적 의미 반영 - 기존 ML보다 일반화 성능 우수 - docking보다 빠른 대량 screening ### 한계 - 구조 품질 민감 (PDB/AF 구조 정확도 중요) - 데이터 부족 시 학습 불안정 - 해석성 낮음 - 훈련 비용 높음 --- ## 7. 실전 연구에 쓰려면 ### 추천 스택 - **PyTorch Geometric / DGL** - RDKit (분자 처리) - BioPython (서열/구조) - AlphaFold 구조 활용 - PDBbind / BindingDB 데이터셋 ### 평가 - AUC, RMSE, Spearman - Scaffold split 필수 - Cold drug / cold protein test --- ## 8. 확장 아이디어 (연구 주제) - GNN + **Transformer** 하이브리드 - Interaction attention visualization - Multi-modal learning (구조 + transcriptomics) - Diffusion model + GNN docking - GNN 기반 de novo drug design --- 원하시면 1. **논문 추천 리스트**, 2. **PyTorch GNN 코드 템플릿**, 3. **BindingDB로 직접 학습 notebook 예제**, 4. 연구 주제에 맞춘 **모델 설계도** 중에서 원하는 걸 골라주세요.