LLM은 결합 분자를 상상할 수 있을까? 3D-Fit이 묻는 공간 제약 추론

도입

구조 기반 신약 설계(SBDD)에서 중요한 것은 그럴듯한 분자식을 만드는 것만이 아니다. 후보 리간드는 단백질 포켓의 3차원 구조에 맞아야 하고, 의도한 상호작용을 형성해야 하며, 물리적으로도 무리가 없는 결합 자세를 가져야 한다. 최근 3D 분자 생성에서는 확산 모델이 강력한 방법으로 자리 잡았고, 동시에 대규모 언어 모델(LLM)도 분자 설계 영역에 빠르게 들어오고 있다.

논문 “Do Language Models Dream of Binding Molecules?”는 범용 LLM이 실제로 이러한 3차원 공간 제약을 다룰 수 있는지 묻는다. 저자들은 이를 평가하기 위해 3D-Fit이라는 벤치마크를 제안했다. 이 벤치마크는 여러 공간 조건을 동시에 만족하는 3D 리간드 생성을 대상으로 한다.

핵심 포인트

• 현실적인 SBDD 조건에 가까운 평가: 3D-Fit은 단순히 단백질 포켓만 조건으로 주지 않는다. 앵커 조각, 약효단 포인트, 반드시 형성해야 하는 단백질–리간드 상호작용까지 포함한다. 이는 실제 약물 설계에서 사용되는 선행 지식과 설계 목표에 가깝다.
• 토큰 효율적인 3D 조건 표현: 포켓과 좌표 정보를 그대로 길게 나열하면 LLM의 컨텍스트를 많이 소모한다. 3D-Fit은 공간 조건을 간결한 텍스트로 표현하고, 모델이 구조화된 형식으로 분자 결과를 출력하도록 한다.
• 초기 3D 지시 추종 능력: 연구에 따르면 범용 LLM은 좌표형 앵커나 약효단 위치처럼 명확한 국소 제약을 어느 정도 만족할 수 있다. 또한 하나의 프롬프트 안에서 여러 종류의 이질적 조건을 함께 처리하려는 모습도 보인다.
• 물리적 신뢰성은 아직 부족: 제약을 맞추는 것과 실제로 좋은 결합 분자를 만드는 것은 다르다. LLM이 생성한 자세에는 입체 충돌이 자주 나타나고, 분자 내부 타당성이나 도킹 점수도 전용 확산 모델보다 약한 것으로 보고된다.

의미와 영향

3D-Fit의 의미는 LLM이 곧바로 3D 분자 확산 모델을 대체한다는 주장에 있지 않다. 오히려 LLM이 화학적으로 의미 있는 3차원 제약을 얼마나 이해하고 실행할 수 있는지 측정하는 실험적 틀을 제공한다는 점이 중요하다.

기존의 LLM 기반 신약 설계 논의는 SMILES 생성, 물성 예측, 포켓 조건 생성 등에 머무는 경우가 많았다. 3D-Fit은 질문을 더 엄격한 단계로 옮긴다. 즉, 모델이 공간 조건을 실제 생성 결과에 반영할 수 있는지를 본다. 결과적으로 LLM은 다양한 설계 의도를 한 프롬프트에서 통합하는 데 강점을 보인다. 조각, 좌표, 약효단, 상호작용 요구를 함께 해석하는 능력은 언어 모델다운 장점이다.

하지만 분자 결합은 텍스트적 일관성만으로 해결되지 않는다. 기하학적 충돌 회피, 화학적 타당성, 안정적인 결합 자세가 함께 필요하다. 따라서 앞으로의 유망한 방향은 LLM이 복잡한 설계 의도를 해석하고, 전용 3D 생성 모델이나 물리 기반 최적화가 정밀한 구조 생성을 담당하는 하이브리드 접근일 가능성이 크다.

출처: Hugging Face Daily Papers