[논문리뷰] Do Language Models Dream of Binding Molecules? Benchmarking LLMs under Spatial Constraints

링크: 논문 PDF로 바로 열기

저자: Thomas MacDougall, Maksim Kuznetsov, Roman Schutski, Rim Shayakhmetov, Maxim Malkov, Vladimir Aladinskiy, Alex Aliper, Alex Zhavoronkov

## 1. Key Terms & Definitions (핵심 용어 및 정의)

• 3D-Fit: 다중 공간 제약 조건 하에서 LLM의 분자 생성 성능을 평가하기 위해 제안된 token-efficient 벤치마킹 전략입니다.
• Simplified SDF: 표준 SDF 포맷을 LLM 학습 및 추론에 최적화하여, 필수적인 원자 좌표와 결합 정보만을 유지한 경량화된 출력 포맷입니다.
• Pocket-conditioned generation: 단백질 포켓의 3D 환경 정보를 조건(condition)으로 입력받아 해당 포켓에 최적화된 리간드를 생성하는 구조 기반 약물 설계 기법입니다.
• PoseBusters: 생성된 3D 분자 구조의 물리학적 타당성(입체 충돌, 결합 길이 등)을 평가하는 표준 검증 도구입니다.

## 2. Motivation & Problem Statement (연구 배경 및 문제 정의) 본 연구는 범용 LLM이 복잡한 3D 공간 제약 조건 속에서 리간드를 정확히 설계하고 추론할 수 있는지 체계적으로 검증하는 것을 목표로 합니다. 기존의 Diffusion Models가 3D 분자 생성 분야를 주도하고 있으나, 다중 공간 제약 조건(예: Anchor Fragments, Pharmacophore Points)을 동시에 처리하는 데에는 여전히 기술적 한계가 존재합니다. 저자들은 LLM의 우수한 지시 처리 능력과 다중 제약 조건 수행 능력이 이 분야에서 잠재력이 크다고 판단하였으며, 일반적인 LLM이 복잡한 3D 환경을 인지하고 해석할 수 있는지에 대한 실증적인 평가 모델이 부재함을 문제로 지적합니다. [Table 1]은 현재 LLM들이 기본 포켓 조건에서 기존 전문 모델들과 어떠한 성능 차이를 보이는지를 명확히 보여줍니다.

Table 1 — 기본 포켓 조건 하에서의 모델 간 성능 비교

## 3. Method & Key Results (제안 방법론 및 핵심 결과) 본 연구는 3D-Fit 프레임워크를 통해 포켓 정보, Anchor Fragments, Pharmacophore Points, 그리고 Mandatory Protein–Ligand Interactions를 조합한 다중 조건 하에서 다양한 모델의 성능을 정량적으로 측정합니다. LLM을 위한 입력을 최적화하기 위해 hydrogen-depleted 단백질 표현 방식을 도입하고, 출력 포맷으로는 Simplified SDF를 사용하여 토큰 효율성을 극대화하였습니다. 실험 결과, LLM은 Anchor Fragments 및 Pharmacophore Points와 같이 명시적인 위치 정보가 입력될 때 우수한 생성 성능을 보이나, Mandatory Interaction Point와 같이 상대적으로 추상적인 조건에서는 낮은 성능을 보였습니다. 특히, [Table 4]는 4가지 제약 조건이 결합된 복합 환경에서 LLM들이 어떻게 제약 조건을 준수하는지를 보여주며, 최신 LLM들이 전문적인 Diffusion Models 수준에는 미치지 못하지만 점진적인 공간 인지 능력을 발휘하고 있음을 입증합니다.

Table 4 — 모든 제약 조건이 포함된 복합 환경에서의 LLM 성능 결과

## 4. Conclusion & Impact (결론 및 시사점) 본 논문은 LLM이 단순한 텍스트 처리를 넘어 3D 분자 설계의 instruction-following 모델로서 상당한 잠재력을 지니고 있음을 확인했습니다. 비록 물리적 타당성이나 결합 에너지 측면에서 전문화된 Diffusion Models를 완전히 대체하기는 어렵지만, 3D-Fit 벤치마크는 향후 LLM 기반 구조적 약물 설계(SBDD) 연구의 표준 평가 도구로 활용될 것입니다. 이 연구는 산업계와 학계가 LLM을 약물 발견 파이프라인에 통합함에 있어 필수적으로 고려해야 할 정밀도와 물리적 실현 가능성(physical plausibility)에 대한 구체적인 개선 방향을 제시하고 있습니다.

---

Figure 6 — 모델별 UniDock score 분포 비교를 통한 물리적 타당성 분석

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.