하이퍼랩 블로그 - AI

SMILES Part 2에서는 Canonical SMILES와 Isomeric SMILES에 대해 알아보고, SMARTS 표현법을 소개합니다. Canonical SMILES는 분자를 표현하는 여러 가지 문자열 중 표준화된 하나를 선택하는 것이며, 중복을 방지하고 검색의 효율성을 높입니다. Isomeric SMILES는 입체화학적인 특징을 포함하여 보다 정확한 화합물의 구조 정보를 전달합니다.

Uni Mol은 Transformer 기반의 분자 학습 도구로, 단백질과 리간드의 결합 포즈 예측을 중심으로 다양한 태스크를 수행할 수 있습니다. Uni Mol은 Pair representation을 계산하고, Pretraining과 Finetuning 과정을 거쳐 단백질, 리간드 결합 포즈 예측의 정확도를 높입니다.

일론 머스크는 xAI를 설립하여 경량화된 인공지능 모델인 Grok을 개발했습니다. Grok은 적은 파라미터를 가지고 있음에도 불구하고 경쟁력 있는 성능을 보여주며, 최신화된 데이터를 이용하여 실시간 정보에도 대응할 수 있습니다.

신약개발 AI 연구자가 성장하는 방법에는 무엇이 있을까요? 우선 화학정보학과 생물정보학에 대한 지식을 쌓고, 도메인 지식을 공부하는 것이 중요합니다. 또한 AI 기술 동향을 파악하기 위해 Twitter와 RSS 리더를 활용하고, 직접 써보는 경험과 동료와의 협력을 통해 함께 성장하는 것이 좋습니다.

SMILES(Simplified Molecular Input Line Entry System)은 분자 구조를 문자열 형태로 표현하는 표기법입니다. SMILES는 원자, 결합, 고리, 방향족, 가지 등 5가지 구성 요소로 이루어져 있습니다. SMILES의 장점과 단점, 분자의 SMILES를 쉽게 구할 수 있는 프로그램에 대해서도 알려드립니다.

화합물의 Fingerprint에 대해 알려드립니다. Fingerprint는 화학정보학 및 계산화학 분야에서 분자 유사성을 분석하고 가상 탐색, 의약품 발굴과 같은 작업에 사용됩니다. 화합물에서 Fingerprint가 중요한 이유와 Fingerprint의 많은 종류 중 2가지인 Morgan Fingerprint와 MACCS Fingerprint에 대해 다룹니다.

ICLR 2024에서 승인된 신약 개발 관련 논문들의 트렌드를 살펴보겠습니다. 주요 주제로는 분자 구조 설계와 물성 예측, 데이터셋 마련, 거대언어모델 응용 연구, 그리고 분자 구조 예측이 있습니다. 이 중에서도 분자 구조 설계와 물성 예측, 그리고 거대언어모델 응용 연구가 주목받고 있습니다.

이 글은 알파폴드 1과 알파폴드 2에 관해 다룹니다. 알파폴드 1은 MSA 데이터와 ResNet 기반의 심층 신경망을 사용하여 단백질 구조를 예측합니다. 알파폴드 2는 MSA 데이터를 확장하고 Evoformer라는 새로운 네트워크 구조를 도입하여 단백질 구조 예측 성능을 향상시켰습니다. 그리고 end-to-end 형태로 단백질 구조를 예측하며, Structure module을 통해 예측된 구조를 업데이트합니다.

차세대 알파폴드(AlphaFold)인 AlphaFold-latest는 이전 모델과 비교하여 단백질과 함께 거의 모든 생체분자 구조를 예측할 수 있는 능력을 갖췄습니다. 이 모델은 단백질-핵산 복합체와 단백질-소형분자 복합체 등 다양한 분자 조합을 예측할 수 있으며, 기존의 docking 프로그램보다 더 높은 예측 정확도를 보여줍니다. AlphaFold-latest는 텍스트 정보만으로도 예측이 가능하며, 단백질 구조 변형과 결합 위치까지 고려합니다.

OpenAI의 ChatGPT부터 Google의 Gemini까지 세상이 점점 더 빨리 바뀌고 있습니다. Gemini와 ChatGPT의 개념부터 시작해 차이점까지 알기 쉽게 정리해 드립니다. 세상의 변화에 맞춰 내 일 "신약 개발" 업무에도 AI를 똑똑하게 활용해보세요.