가이드 확산으로 전이 상태를 미리 샘플링하는 ASTRA

이 논문은 분자 시스템의 동역학 이해에 필수적이지만 탐색이 매우 어려운 전이 상태(TS)를 찾는 새로운 방법론인 ASTRA(A Priori Sampling of TRAnsition States with Guided Diffusion)를 소개한다. 전이 상태는 포텐셜 에너지 면(PES) 상의 일차 안장점으로, 반응 속도와 메커니즘을 결정한다. 기존 방법은 반응 좌표에 대한 경험적 가정이나 초기 추측에 크게 의존하여, 추측이 좋지 않거나 대체 경로를 배제할 위험이 있었다. ASTRA는 이러한 문제를 해결하기 위해 생성형 인공지능, 특히 점수 기반 확산 모델을 활용한다. 방법론은 세 단계로 구성된다. 1) **조건부 생성 모델 학습**: 반응물(A)과 생성물(B) 상태에서 얻은 짧은 분자동역학(MD) 트래젝토리 데이터를 사용하여, 각 상태에 조건부로 된 확산 모델을 학습시킨다. 이 모델은 각 상태의 구성 공간 분포를 학습한다. 2) **등밀도 표면 샘플링 (점수 기반 보간, SBI)**: 추론 시, 두 조건부 모델에서 나온 점수(score) \( S_A \)와 \( S_B \)를 조합한다. \( S_A - S_B \)의 크기가 0이 되는 지점, 즉 두 상태에 속할 확률이 동일한 '등밀도 표면'을 샘플링 타겟으로 설정하여 초기 구성을 생성한다. 이는 전이 경로에 대한 사전 정보 없이 오직 안정 상태 데이터만으로 전이 영역을 추정하는 핵심 단계다. 3) **점수 정렬 상승 (SAA)을 통한 정밀 최적화**: 생성된 샘플은 아직 정확한 안장점이 아닐 수 있다. SAA는 \( S_A - S_B \) 벡터를 반응 좌표의 근사치로 사용한다. 이 방향으로는 에너지를 상승시키고, 그에 수직인 방향으로는 물리적 힘(포텐셜 에너지의 음의 그래디언트)을 이용해 에너지를 하강시켜 일차 안장점 조건을 만족시키도록 구성을 최적화한다. 이는 생성 모델의 방향성과 물리 법칙의 정밀한 최적화를 결합한 하이브리드 방식이다. 저자들은 ASTRA의 성능을 2차원 분석적 전위부터 실제 분자 시스템에 이르기까지 체계적으로 검증했다. **2차원 전위**(Double well, Müller-Brown, Double path) 실험에서 ASTRA는 정확히 장벽 꼭대기에 샘플을 집중시켰으며, 특히 Müller-Brown과 Double path 전위에서는 복수의 서로 다른 안장점을 동시에 발견하는 능력을 입증했다. **분자 시스템**에서는 알라닌 디펩타이드의 C5-C7ax 구조 변화를 분석했다. ASTRA는 학습 데이터에 없는 전이 영역에서 세 가지 구별되는 전이 상태 구조를 성공적으로 샘플링했다. 이 샘플들에서 시작한 짧은 MD 시뮬레이션의 커미터(committor) 값 분포가 0.5에 뾰족하게 피크를 보였고, 단일 종단 최적화 알고리즘(Dimer)으로 빠르게 수렴하며, 기준 방법인 Nudged Elastic Band (NEB)로 찾은 전이 상태와 구조적으로 거의 동일함을 확인했다. 더 나아가, **작은 단백질 치그놀린**의 코스그레인 모델에서도 사전 학습된 모델을 미세 조정하여 ASTRA를 적용했고, 생성된 샘플들이 ML 커미터 모델 기준으로 전이 영역(커미터 ~0.5)에 잘 위치함을 보였다. 결론적으로, ASTRA는 반응물/생성물 상태의 데이터만으로 사전에 전이 상태 앙상블을 생성할 수 있는 최초의 프레임워크 중 하나이다. 이는 경험적 반응 좌표나 초기 경로 추측, 반복적인 향상된 샘플링 없이도 작동하며, 다중 반응 경로 발견을 용이하게 한다. 이 방법은 기존의 계층적 전이 상태 탐색 프로토콜에서 이중 종단 추측 생성 단계를 대체할 수 있는 강력하고 보편적인 도구가 될 potential을 지닌다.