TSAP (AI-QSAR)

언제 쓰나요

• 타깃 하나에 대해 30개 이상 화합물의 측정 활성과 리간드가 결합한 구조가 있을 때
• 타깃이 사전 학습 모델 목록에 있어, 내 데이터 없이 활성을 예측하고 싶을 때
• 화합물이 왜 높게 나오는지, 어떤 상호작용과 물성이 예측을 이끄는지 알고 싶을 때
• TSAP (Boltz-2)와 다른 종류의 모델로 두 번째 의견을 얻고 싶을 때

작동 원리

1. 01수용체 앙상블 만들기

   Boltz-2가 타깃을 기준 리간드와 함께 여러 번 접어, 조금씩 다른 포켓 모양 묶음을 만듭니다. 사전 학습 모델은 자체 앙상블을 씁니다.

2. 02모양마다 도킹

   GNINA가 모든 화합물을 앙상블 구조마다, 기준 리간드 주변 상자에 도킹합니다.

3. 03좋은 포즈만 남기기

   CNN 포즈 점수가 충분히 높고, 공통 골격이 기준 리간드 가까이 놓인 포즈만 남깁니다(일부 모델은 같은 잔기에 닿는지로 판단합니다).

4. 04기술하고 예측

   남은 포즈를 도킹 점수, RDKit 2D·3D 기술자, PLIP 잔기별 상호작용 수, 수소결합 전하 항으로 기술합니다. 화합물마다 피처를 평균 내고 Ridge 회귀 모델이 예측 활성으로 바꿉니다.

입력 형식

직접 학습할 때는 고급 설정에서 앙상블 크기(Quick 3, Balanced 5, Standard 10개 구조, 최대 30), 포즈 필터(기본 CNN 포즈 점수 0.5, 골격 RMSD 2.5 Å), 피처 탐색(피처 10–30개, 반복 100회)을 정합니다. 데이터는 활성 범위에 고르게 퍼지도록 학습용과 검증용을 8:2로 나눕니다.

따라 하기: EGFR 활성 예측

Virtual Screening과 AI 코폴딩 설명서에서 다룬 폐암 표적 EGFR은 PDB 1M17을 기준 구조로 쓰는 사전 학습 AI-QSAR 모델이 목록에 있어, 점수를 매길 화합물만 있으면 됩니다. 페이지 위쪽의 예시로 실행을 누르면 아래 내용이 모두 채워집니다.

1. 1

   모델 고르기

   모델 단계에서 사전 학습 모델 사용을 그대로 두고 EGFR 카드를 고릅니다. 검증 정확도와 학습 화합물 수를 확인합니다.

   
2. 2

   화합물 넣기

   화합물 단계에서 화합물 파일을 올립니다. 미리보기에 예측할 행이 나옵니다. 화합물마다 모델의 수용체 구조 전부에 도킹하므로, 예시는 EGFR 샘플 파일에서 2개만 씁니다.

   
3. 3

   견적 확인하고 제출

   고급 설정은 모델을 따릅니다. 프로젝트 설정에서 이름을 정하고 견적 크레딧과 시간을 확인한 뒤 제출합니다.

4. 4

   예측과 피처 읽기

   프로젝트를 열어 예측 활성으로 정렬하고, 예측마다 쓰인 포즈 수를 확인한 뒤, 피처 기여도에서 모델이 무엇을 근거로 삼는지 봅니다.

   

결과 읽는 법

RSQ는 Pearson 상관계수의 제곱입니다. 검증 RSQ는 최종 모델을 고르는 데에도 쓰였으니 낙관적인 추정치로 읽어 주세요.

예시 결과: EGFR

실제로 돌린 잡을 읽기 전용으로 보여 드립니다. 로그인하면 같은 설정으로 바로 실행할 수 있습니다.

비용과 시간

가격은 잡에 필요한 GPU 시간을 따르고, 화합물 수와 화합물마다 도킹하는 수용체 구조 수의 곱에 따라 늘어납니다. 위저드가 서버 견적을 보여 드리고, 제출할 때 그 견적만큼만 차감합니다. 최소 금액은 100 cr(1 cr은 $0.01)입니다.

위 EGFR 예시(화합물 2개)는 제출부터 결과까지 약 16분, 430 cr이 들었습니다.

잡이 실패하면 크레딧을 모두 돌려 드리고, 직접 중단하면 절반을 돌려 드립니다.

인용

이 워크플로우로 얻은 결과를 보고서나 논문에 쓸 때는 아래 방법론을 인용해 주세요.

자주 묻는 질문