혁신적인 AI 기법: 분자 시스템의 에너지 최소 경로 발견

Magnus Petersen과 Roberto Covino가 개발한 PINN-MEP는 물리 정보 통합 신경망(PINNs)을 이용하여 분자 시스템의 최소 에너지 경로(MEP)를 효율적으로 찾는 혁신적인 방법입니다. 기존 방법의 한계를 극복하고, 고차원 시스템에서의 전이 경로 발견을 가능하게 하여, 약물 발견 및 재료 설계 등 다양한 분야에 혁신을 가져올 것으로 기대됩니다.

분자 시스템의 구조 변화 규명: 세포 이온 흐름을 조절하는 이온 채널 단백질과 같이 생물학적으로 중요한 분자 시스템의 구조 변화(conformational transitions)를 이해하는 것은 컴퓨터 과학 분야의 근본적인 과제입니다. 기존의 분자 동역학(MD)이나 마르코프 체인 몬테카를로(MCMC)와 같은 샘플링 방법은 고차원 분자 시스템과 안정적인 상태 간의 높은 에너지 장벽 때문에 어려움을 겪습니다. 이러한 전이는 시뮬레이션 시간 척도에서는 드문 사건이지만, 생물학적으로 가장 중요한 과정(예: 신경 신호 전달에 중요한 이온 채널 단백질의 닫힘에서 열림 상태로의 구조 변화)을 나타냅니다. 실제 시스템에서 이러한 전이는 밀리초에서 초 단위로 발생하지만, 한 번 관찰하는 데 수개월 또는 수년의 연속적인 시뮬레이션이 필요할 수 있습니다.

PINN-MEP: 새로운 솔루션 등장: Magnus Petersen과 Roberto Covino는 이 문제에 대한 획기적인 해결책을 제시했습니다. 그들은 전이 경로 생성을 최소 에너지 경로(MEP) 생성을 위한 문자열 방법에서 영감을 받은 물리 정보 통합 신경망(PINNs)을 통해 해결되는 연속 최적화 문제로 재구성했습니다. 전이 경로를 암시적 신경 함수로 표현하고 미분 가능한 분자 동역학 힘장을 사용하여 자동 미분을 활용함으로써, 비용이 많이 드는 경로 샘플링 없이도 물리적으로 현실적인 전이 경로를 효율적으로 발견할 수 있습니다. 이 방법은 8,300개 이상의 원자를 가진 명시적으로 수화된 소의 췌장 트립신 억제제(BPTI) 시스템을 포함한 두 개의 단백질에 대한 효과가 입증되었습니다.

향후 전망: PINN-MEP는 분자 시스템의 동역학을 이해하고 새로운 약물 발견과 재료 설계에 활용될 수 있는 잠재력을 가지고 있습니다. 고차원 시스템에서의 전이 경로를 효율적으로 계산하는 이 방법은 앞으로 다양한 분야에서 혁신적인 발전을 이끌어낼 것으로 기대됩니다. 하지만, 더욱 다양한 시스템에 대한 검증과 추가적인 연구가 필요합니다. 특히, 매우 복잡한 시스템에 대한 적용성과 계산 비용 최적화에 대한 추가적인 연구가 필요할 것으로 보입니다. 🔬💻