AI가 이끈 단백질-리간드 도킹의 발전
AI-Driven Advances in Protein–Ligand Docking
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문은 AI 기반 단백질-리간드 도킹의 진화를 전통적 기법에서 딥러닝 및 확산 모델로의 발전을 중심으로 검토한다. CADD에서 도킹은 포즈 예측·가상 스크리닝의 핵심으로, 전통적 도킹은포즈 샘플링(GA/MC/MD)과 스코어링(힘장/경험/지식 기반)으로 구성되지만, 수용체 강체 가정과결합 부위 의존성의 한계를 지닌다. AI는 CNN/GNN 리스코어링, 포켓 예측, 생성 모델로 이를 보완하며, 특히 확산 모델 기반 도킹(DiffDock)은 병진, 회전 및 비틀림을 노이즈 제거 과정으로 모델링하여 정확도를 높인다. EGFR-Gefitinib(1M17) 사례 분석은 Vina, GNINA 및 DiffDock의 차이를보여주며, IFD-MD 및 FEP 등 AI-물리 하이브리드의 필요성을 제시한다.
Abstract
In this paper, we review AI-based protein-ligand docking, highlighting its evolution from traditional techniques to modern approaches utilizing deep learning and diffusion models. Computer-Aided Drug Design (CADD) accelerates discovery, with docking central to pose prediction and virtual screening. Conventional workflows split pose sampling (GA/MC/MD) and scoring (force-field/empirical/knowledge-based), but suffer from receptor rigidity and binding-site dependence. AI mitigates these via CNN/GNN rescoring, learned site prediction, and generative models. Diffusion docking (DiffDock) denoises translation/rotation/torsions, boosting top-k accuracy. An EGFR-Gefitinib study (1M17) contrasts AutoDock Vina, GNINA, and DiffDock, motivating hybrid AI-physics pipelines.