Synthon Contrastive Learning for Synthesizable 3D Molecule Generation

Motivation

• Known: 3DSynthFlow와 같은 최근 방법은 GFlowNet 기반 Compositional Flow와 flow matching 기반 State Flow를 교차 진행시켜 3D 분자 conformer와 합성 경로를 동시에 생성함으로써 SBDD에서 synthesizability를 반영하는 데 성공했다.
• Gap: 그러나 State Flow가 현재 관측된 중간 상태에만 조건화되어 있어, 이후 합성 경로에서 추가될 synthon 정보를 반영하지 못하고, 이로 인해 중간 conformer가 최종 산물의 실제 substructure 좌표와 어긋나는 geometric mismatch가 발생하며 이는 합성 경로를 따라 누적 오류(cumulative error)로 이어진다.
• Why: SBDD에서 생성된 리간드 후보의 실질적 합성 가능성과 결합 친화도(binding affinity)를 동시에 높이는 것은 AI 기반 신약 개발의 실용성을 좌우하는 핵심 문제이며, 중간 conformer의 정확도가 최종 분자의 구조적 품질과 합성 경로 예측 전체에 직접적인 영향을 미치기 때문에 중요하다.
• Approach: SYCLE는 synthon contrastive learning objective를 도입하여 부분적으로 생성된 3D 중간 conformer와 다음 단계에 추가될 synthon 후보들을 공유 임베딩 공간(shared embedding space)에서 정렬시키고, 이를 통해 얻은 compatibility score를 합성 경로 생성 정책(pathway generation policy)에 주입하여 synthon 선택을 안내한다.

Achievement

Figure 1. Comparison of intermediate conformer prediction with and without SYCLE. (a) Predicted docking poses at each sy

1. State-of-the-art binding affinity: LIT-PCBA의 15개 타겟 전체에서 최고 수준의 binding affinity를 달성.
2. CrossDocked2020 성능: -9.80 kcal/mol의 결합 친화도와 AiZynthFinder 기준 68.8%의 합성 성공률을 기록, 이는 최고 baseline 대비 거의 두 배에 달하는 수치.
3. 정성적 검증: RMSD 비교와 t-SNE 임베딩 시각화를 통해 SYCLE가 실제 결합 포즈(true binding pose)에 더 근접한 중간 및 최종 conformer를 생성하고, 화학적으로 의미 있는 임베딩 공간을 형성함을 입증.

How

Figure 2. The overall framework of SYCLE. (a) The intermediate conformer and next synthon candidates are embedded in a s

• 3D 중간 conformer(S_t)로부터 임베딩 z_conf를, 다음 단계 synthon 후보(C)로부터 임베딩 z_syn을 추출해 공유 임베딩 공간에 매핑
• 최종 리간드를 형성하기 위해 실제로 다음 단계에 부착되는 synthon을 positive set으로 설정하고, 나머지 synthon 후보를 negative set으로 설정하는 contrastive alignment 수행
• Tanimoto similarity 기반으로 negative synthon에 대해 true synthon과의 유사도에 반비례하는 가중치(weight)를 부여하여, 화학적으로 유사한 negative는 약하게, 상이한 negative는 강하게 밀어내는 similarity-based contrastive learning 적용
• 학습된 compatibility score를 pathway generation policy(GFlowNet 기반 Compositional Flow)에 주입하여 synthon 선택을 안내
• Composition Flow(이산 시간 합성 단계 샘플링)와 State Flow(flow matching 기반 연속 시간 3D 좌표 정제)를 결합한 3DSynthFlow 구조를 기반으로 확장

Originality

• 기존 3DSynthFlow 등 합성 경로-3D conformer 공동 생성 프레임워크가 현재 중간 상태에만 조건화되어 미래 synthon 정보를 반영하지 못하는 한계를 명확히 지적하고, 이를 contrastive learning이라는 새로운 메커니즘으로 해결
• 단순 positive/negative 이진 대조가 아니라 Tanimoto similarity 기반으로 negative synthon에 차등적 반발력(push weight)을 부여하는 similarity-aware contrastive learning을 제안하여 화학적으로 세밀한 임베딩 공간 구성
• contrastive learning으로 학습된 compatibility score를 conformer 예측뿐 아니라 pathway generation policy의 synthon 선택 과정에도 이중으로 활용하는 통합적 설계

Limitation & Further Study

• Abstract 및 발췌 본문에서는 SYCLE의 contrastive learning이 도입하는 추가 계산 비용이나 학습 안정성에 대한 분석이 충분히 제시되지 않아, 실제 대규모 라이브러리 스크리닝 환경에서의 확장성(scalability) 검증이 필요
• Positive synthon이 유일하게 정의되는 경우를 가정하고 있으나, 실제 화학 반응에서는 여러 개의 화학적으로 타당한 next synthon이 존재할 수 있어 positive set 정의의 엄밀성에 대한 추가 논의가 요구됨
• LIT-PCBA와 CrossDocked2020이라는 특정 벤치마크에 한정된 평가로, 더 다양한 타겟 및 실제 실험적 검증(wet-lab validation)을 통한 일반화 가능성 확인이 후속 연구로 필요

Evaluation

총평: 합성 가능성과 3D 구조적 정확성을 동시에 고려하는 SBDD 연구에서 미래 synthon 정보를 활용한 contrastive learning이라는 간결하면서도 효과적인 해법을 제시하였으며, 결합 친화도와 합성 성공률 모두에서 뚜렷한 성능 향상을 실증적으로 보여준 완성도 높은 연구이다.