NYU Tautomer-Predictor, AI 신약 개발의 숨은 약점을 겨냥하다

NYU 연구진은 신약 개발 전반에 영향을 미치는 작은 화학적 모호성을 겨냥해 110만 개가 넘는 분자 상태로 NYU Tautomer-Predictor를 학습시켰다. 이 모델은 비용이 많이 드는 양자 계산을 먼저 수행하지 않고도 약물 유사 분자에서 수소 원자가 어디에 위치하는지 예측한다. 수소 원자 하나의 이동만으로도 후보 물질이 단백질과 결합하는 방식이 달라질 수 있기 때문에 중요하다.

이 오픈소스 시스템은 수소가 이동하고 화학 결합이 재배열되면서 분자가 서로 밀접하게 연관된 형태 사이를 전환하는 토토머 현상을 다룬다. 연구자들은 도킹, 가상 스크리닝 또는 분자 동역학을 시작하기 전에 하나의 형태를 선택해야 하는 경우가 많다. 잘못된 선택은 이후의 모든 계산을 왜곡할 수 있다.

더 깊은 이야기는 AI가 또 하나의 화학 과제를 학습했다는 데 있지 않다. 많은 정교한 신약 설계 파이프라인이 여전히 실험 구조만으로는 신뢰성 있게 드러나지 않는 기본적인 분자 배정에 의존한다는 점이다. AlphaFold 스타일의 구조 모델, 도킹 소프트웨어, 생성형 시스템은 상세한 예측을 생성할 수 있지만, 이러한 예측은 여전히 잘못된 화학 입력값에 취약하다.

NYU Tautomer-Predictor, 결정 데이터를 스크리닝 도구로 전환하다

NYU 연구팀은 실험적으로 확인된 수소 원자 위치의 간과된 아카이브를 대규모 AI 토토머 예측을 위한 학습 데이터로 전환했다.

이 연구는 2026년 9월 23일 Chemical Science에 게재됐으며, 제1저자는 Xiaolin Pan, 책임저자는 Yingkai Zhang이다. Chao Han과 Fengyang Han도 연구에 참여했다. 네 명의 연구자 모두 New York University 화학과 소속이며, Zhang은 Simons Center for Computational Physical Chemistry에도 소속돼 있다.

이들이 겨냥한 것은 계산화학에서 지속돼 온 문제다. 많은 약물 유사 분자는 분자식은 같지만 수소 위치와 결합 패턴이 서로 다른 두 개 이상의 토토머 형태로 존재한다. 따라서 토토머는 일반적인 의미에서 다른 화합물이 아니다. 동일한 화합물이 취할 수 있는 대체 화학 배열이다.

이 차이는 분자 인식에 영향을 미칠 수 있다. 이동한 수소는 어떤 원자가 수소 결합을 제공하거나 받아들일 수 있는지를 바꾼다. 또한 전하 분포, 국소 기하 구조, 결합에 필요한 에너지 비용도 변화시킬 수 있다. 한 표현에서는 적합해 보이는 단백질 포켓이 다른 표현에서는 다르게 상호작용할 수 있다.

신약 설계 소프트웨어는 이 선택을 무시할 수 없다. 도킹 계산에는 정의된 리간드 구조가 필요하다. 분자 동역학에는 배정된 원자와 결합이 필요하다. 자유 에너지 계산도 특정 화학 표현에서 시작한다. 선택된 토토머가 잘못되면 계산 정밀도로도 초기의 실수를 바로잡을 수 없다.

이 문제를 해결하는 데 필요한 데이터는 역사적으로 제한적이었다. NYU 연구 발표에 따르면 토토머를 구분할 수 있는 용액 실험은 수백 개 분자만 다루는 경향이 있다. 이 규모는 특히 연구자들이 광범위한 화학 라이브러리 전반에 일반화되는 시스템을 원할 때 머신러닝 시스템을 제약한다.

Protein Data Bank는 또 다른 어려움을 제시한다. 단백질 및 단백질-리간드 구조는 흔히 X선 결정학으로 결정되지만, 거대분자 구조는 일반적으로 수소 원자의 위치를 신뢰성 있게 파악할 만큼 해상도가 높지 않다. 수소는 전자가 하나뿐이고 X선을 약하게 산란시키기 때문에 특히 관찰하기 어렵다.

Pan과 동료들은 대신 Cambridge Structural Database를 살폈다. 이 저장소에는 실험적으로 결정된 소분자 결정 구조가 들어 있으며, 다수는 더 높은 정밀도로 수소 위치가 해석돼 있다. 연구진은 이 자료에서 110만 개가 넘는 토토머 상태를 추출했다.

이들은 이 상태들을 사용해 2차원 그래프 신경망을 학습시켰다. 그래프 신경망은 원자를 연결된 점으로, 결합을 그 연결선으로 표현해 모델이 분자 위상 구조에서 화학 패턴을 학습하도록 한다. 이 모델은 예측 전에 3차원 컨포머나 양자역학적 에너지 계산을 요구하지 않는다.

동료 심사를 거친 토토머 연구는 결정 구조, 수용액 벤치마크, 약물 유사 분자를 포함한 테스트 세트에서 재현율 0.97과 정밀도 0.88을 보고했다. 재현율은 시스템이 관련 있는 안정 상태를 얼마나 자주 찾아내는지를 측정한다. 정밀도는 연구의 라벨 기준에서 양성 예측이 얼마나 자주 정확한지를 측정한다.

이 결과는 이 시스템이 필터링 및 배정 도구로 유망하다는 점을 보여준다. 그렇다고 모든 용매, 단백질 포켓 또는 생물학적 환경에서 보편적으로 정확한 답을 제공한다는 의미는 아니다. 모델은 주로 결정에서 관찰된 양성자 위치를 학습했지만, 실제 신약 개발에는 변화하는 화학 조건이 수반된다.

그럼에도 규모는 실무적으로 가능한 범위를 바꾼다. 기존 실험 데이터세트는 같은 수준의 폭넓은 적용을 뒷받침하기에 너무 작았다. 연구팀은 결정학적 수소 위치를 지도 학습 신호로 활용함으로써 라이브러리 규모의 스크리닝에 충분히 큰 학습 세트를 구축했다.

이 데이터 전략이 핵심적인 진전이다. 아키텍처도 중요하지만, 이 연구의 더 날카로운 통찰은 기존 과학 아카이브에 유용한 라벨이 눈에 띄지 않게 숨어 있었다는 점이다. 연구팀은 100만 건이 넘는 새로운 실험실 측정을 생성할 필요가 없었다. 대신 활용 가능한 구조적 증거를 간과돼 온 예측 과제를 중심으로 재구성했다.

수소 하나가 약물-단백질 상호작용을 재구성할 수 있다

토토머 배정은 상류 단계의 결정이므로, 오류는 도킹, 점수화, 시뮬레이션, 리드 선택 전반으로 퍼질 수 있다.

약물 후보 물질은 형태, 정전기, 수소 결합, 움직임의 조합을 통해 표적과 상호작용해야 한다. 토토머는 화합물의 분자식을 바꾸지 않으면서도 이 요소들 중 여러 가지를 바꿀 수 있다. 그 때문에 이 문제는 과소평가하기 쉽고 나중에 발견하기는 어렵다.

수소가 두 질소 원자 중 하나에 위치할 수 있는 리간드를 생각해 보자. 한 형태에서는 첫 번째 질소가 수소 결합을 제공하고 두 번째 질소가 이를 받아들인다. 수소가 이동하면 이 역할이 뒤바뀔 수 있다. 단백질 포켓은 변하지 않았지만, 예측된 상호작용 네트워크는 달라진다.

도킹 프로그램은 일반적으로 후보 리간드를 결합 부위에 배치하고 그 결과 포즈를 점수화한다. 입력 토토머가 잘못된 공여체와 수용체를 제공하면 소프트웨어는 비현실적인 배향을 선호할 수 있다. 또한 화학 표현이 일관되지 않게 준비됐다는 이유로 더 약한 후보를 더 강한 후보보다 높게 순위화할 수도 있다.

분자 동역학은 시간과 움직임을 추가하지만, 모든 화학 배정을 자동으로 바로잡지는 않는다. 시뮬레이션은 제공된 원자, 결합, 포스 필드 매개변수를 따른다. Zhang이 연구 발표에서 설명했듯이, 이러한 계산에는 올바르게 배정된 수소 위치와 결합이 필요하므로 잘못된 토토머는 예측된 상호작용과 동역학을 바꿀 수 있다.

이 때문에 신약 개발에서 토토머 예측은 단순한 정리 작업 이상이다. 이는 의존성 사슬의 시작 부근에 위치한다. 이 단계에서 발생한 오류는 가상 스크리닝 결과, 자유 에너지 추정치, 합성을 위해 선택되는 분자에까지 남을 수 있다.

연구팀은 여러 토토머 상태를 취할 수 있는 5,075개의 PDBbind 리간드에서 이 우려를 시험했다. PDBbind는 단백질-리간드 구조와 결합 데이터를 연결하는 선별 컬렉션이다. 모델은 리간드 배정 126건이 잘못됐을 가능성이 높다고 표시했으며, 이는 평가 세트의 약 2.5%에 해당한다.

표시된 각 사례에서 모델의 대체 배정은 개선된 수소 결합 패턴과 더 적은 미충족 극성 원자를 만들었다. 미충족 극성 원자는 유리한 극성 상호작용을 할 수 있지만 모델링된 환경에 적절한 상호작용 상대가 없는 원자를 말한다. 이러한 불일치를 줄이면 결합 포즈의 화학적 개연성이 높아질 수 있다.

이 결과는 신중하게 해석해야 한다. 연구진은 실험적으로 결정된 단백질 구조가 잘못됐다고 주장하지 않았다. 이들은 리간드에 배정된 화학 표현이 수정될 필요가 있을 수 있다고 주장했다. 원자 좌표와 그 좌표에 부여된 형식적 설명은 관련돼 있지만 동일하지는 않다.

이 구분은 구조 데이터베이스가 후속 모델에 영향을 미치기 때문에 중요하다. 연구자들은 등록된 복합체를 사용해 도킹 방법을 벤치마크하고, 머신러닝 시스템을 학습시키며, 단백질-리간드 예측을 평가한다. 따라서 문제가 될 수 있는 토토머 배정이 비교적 낮은 비율이라도 원본 기록 이상에 영향을 미칠 수 있다.

보고된 126건은 새롭게 실험으로 확인된 수정 126건이 아니라, 여전히 모델이 생성한 재배정 사례다. 개선된 수소 결합 패턴은 그 개연성을 뒷받침하지만, 전향적 실험이 더 강한 증거를 제공할 것이다. 중성자 회절, 고해상도 분광법 또는 기타 표적 기법은 경우에 따라 수소의 위치를 더 직접적으로 파악할 수 있다.

따라서 계산화학 팀, 데이터베이스 큐레이터, AI 신약 설계 시스템 개발자에게 부담이 돌아간다. 이들은 양성자 배치를 숨겨진 전처리 선택이 아니라 명시적인 불확실성으로 다뤄야 한다.

단일한 전반적 정확도 수치만으로는 이 문제를 해결할 수 없다. 팀은 해당 모델이 자신들의 화학 계열, 전하 상태, 작용기, 관련 환경 전반에서 일관되게 작동하는지 알아야 한다. 증거가 모호할 때 대체 토토머를 유지하는 워크플로도 필요하다.

빠른 AI 토토머 예측, 양자 계산 우선 워크플로에 압박을 가하다

주된 경쟁은 두 신약 개발 기업 사이가 아니라 빠른 학습 기반 배정과 더 느린 물리 기반 평가 사이에 있다.

양자역학적 방법은 전자 구조로부터 분자 에너지를 추정한다. 특히 연구자들이 용매와 컨포메이션 효과를 고려할 때 토토머를 비교하는 원리적 방법을 제공한다. 한계는 계산 비용이며, 특히 수백만 개 후보를 포함하는 라이브러리 전반에서 그렇다.

규칙 기반 시스템은 스펙트럼의 더 빠른 쪽에 위치한다. 이들은 전문가가 작성한 변환 규칙, 경험적 점수, 알려진 화학 패턴을 사용해 토토머를 열거하거나 순위화한다. 이러한 도구는 실용적이지만, 고정된 규칙은 설계 가정에 반영된 화학 범위를 벗어나면 어려움을 겪을 수 있다.

기존 머신러닝 접근법은 중간 경로를 만들었다. 일부는 3차원 컨포머나 계산된 분자 특성을 사용했으며, 이로 인해 추가 준비 비용이 발생했다. 다른 접근법은 화학적 범위를 제한하는 소규모 용액상 데이터세트에서 학습했다.

NYU Tautomer-Predictor는 2차원 위상 구조에서 직접 후보를 점수화함으로써 이러한 절충 관계를 바꾼다. 저자들은 이 모델에 컨포머 생성이나 양자 계산이 필요하지 않다고 말한다. 이것이 물리 기반 방법을 쓸모없게 만드는 것은 아니지만, 스크리닝 팀에 더 빠른 첫 단계 평가를 제공한다.

처리량 시험은 이 차이를 보여준다. 오픈소스 워크플로는 GPU가 탑재된 노드 한 대에서 약 3.2시간 동안 Enamine 컬렉션의 약 460만 개 화합물을 처리했다. 보고된 실행 전체를 기준으로 평균하면 초당 약 400개 화합물에 가깝다.

이 규모에서는 AI 토토머 예측을 스크리닝 파이프라인의 입구 근처에 배치할 수 있다. 팀은 가능한 형태를 열거하고 순위화한 뒤, 더 작은 세트를 도킹이나 더 비용이 큰 에너지 계산으로 넘길 수 있다. 이후 물리 기반 방법은 불확실하거나 가치가 높은 화합물에 집중할 수 있다.

이 계층형 전략은 양자화학을 완전히 대체하는 것보다 더 신뢰할 만하다. 학습된 모델은 속도와 패턴 인식을 제공하고, 양자 방법은 정교한 에너지 처리를 제공한다. 토토머 배정이 고비용의 의약화학 의사결정에 직접 영향을 미칠 때는 실험이 여전히 필요하다.

이 연구의 오픈소스 코드 역시 시험 적용의 진입장벽을 낮춘다. 연구자들은 워크플로를 검토하고 내부 분자에 적용하며, 기존 전처리 절차와 순위를 비교할 수 있다. AI 보조 화학에서 재현성은 반복적으로 제기되는 우려이므로 공개 접근성은 중요하다.

공개된 구현에 따르면 Tautomer-Predictor는 AttentiveFP 계열 아키텍처를 사용한다. 이 모델 계열은 인접 원자와 결합의 정보를 반복적으로 결합해 분자 표현을 학습한다. 어텐션 메커니즘은 예측 과정에서 네트워크가 국소 화학 환경에 가중치를 부여하도록 돕는다.

이 아키텍처는 신약 발견 분야에서 많은 관심을 받는 대규모 생성 모델과 다르다. 완전히 새로운 분자를 제안하거나, 단백질의 전체 구조를 예측하거나, 임상 후보물질을 생성하지 않는다. 대신 더 큰 시스템의 입력을 개선할 수 있는 보다 좁은 분류 작업을 수행한다.

여기서 이러한 범위의 제한은 장점이다. 출력은 인식 가능한 화학적 결정에 대응하며, 연구팀은 이를 실험 구조 라벨과 비교해 평가할 수 있다. 또한 이 시스템은 모델이 “약물을 설계했다”는 종단 간 주장보다 불확실성을 더 명확하게 드러낸다.

같은 연구팀의 관련 연구는 환경이 여전히 중요한 이유를 보여준다. 2025년 연구는 수용액에서 토토머 비율을 예측하기 위한 샴 신경망을 도입했다. 이 용액상 모델은 결정 유래 데이터에서 안정성을 분류하는 대신 토토머의 상대적 분포에 초점을 맞췄다.

이 프로젝트들을 함께 보면 계산화학의 계층적 방향성이 제시된다. 결정 데이터는 폭넓은 구조적 감독 정보를 제공할 수 있다. 용액 측정은 환경적 거동을 정교화할 수 있다. 양자 계산과 실험은 맥락에 따라 선호 형태가 달라지는 사례를 해결할 수 있다.

즉각적인 경쟁 압력은 토토머 전처리를 고정된 규칙 엔진이나 검토되지 않은 기본값으로 취급하는 소프트웨어 파이프라인에 가해진다. 빠른 학습 기반 대안은 제약팀이 그러한 기본값을 다시 벤치마크할 이유를 제공한다.

이는 다른 화학 모델에 대한 기대치도 높인다. 시스템이 결합 친화도를 예측하거나 리간드를 생성한다면 개발자는 양성자화 및 토토머 상태를 어떻게 선택했는지 공개해야 한다. 그렇지 않으면 인상적인 벤치마크 결과가 부분적으로 일관되지 않은 분자 전처리의 산물일 수 있다.

결정 라벨은 가치가 있지만 생물학 그 자체는 아니다

이 모델의 가장 강력한 자산인 대규모 결정학 데이터셋은 동시에 예측이 무엇을 입증할 수 있는지의 핵심 한계를 규정한다.

결정 격자는 수용액도, 단백질 결합 포켓도, 살아 있는 세포도 아니다. 결정 속 분자는 인접한 사본, 대응 이온, 포장력과 상호작용한다. 이런 조건은 다른 환경에서 우세한 상태와 다른 토토머를 선호하게 할 수 있다.

논문의 테스트 세트에는 수용액 벤치마크와 약물 유사 분자가 포함돼 있어, 결정 환경을 넘어선 일부 전이 가능성을 뒷받침한다. 보고된 정밀도와 재현율은 이 범주들 전반에서 고무적이다. 그러나 집계 성능이 모든 스캐폴드나 화학 환경에서의 올바른 거동을 보장하지는 않는다.

단백질 포켓은 특히 복잡한 조건을 만든다. 국소 정전기, 매몰된 물 분자, 금속 이온, 인접 잔기, 구조적 변화는 토토머 선호도를 바꿀 수 있다. 결합은 그 형태가 유리한 상호작용을 만들 경우 용액 상태에서 덜 풍부한 토토머를 안정화할 수도 있다.

이 모델은 2차원 토폴로지로도 작동한다. 이러한 설계는 속도를 가능하게 하지만, 초기 순위 산정 과정에서 일부 3차원 맥락을 제외한다. 두 토토머 형태의 고유 안정성이 유사할 때 단백질 환경의 부재는 특히 중요하다.

따라서 126건의 PDBbind 재배정은 고가치 검토 후보로 다뤄야 한다. 더 나은 수소 결합과 더 적은 미충족 극성 원자는 대안적 표현을 뒷받침한다. 그러나 그것만으로 각 실험 복합체에 어떤 토토머가 존재했는지를 독립적으로 확정하지는 못한다.

데이터셋 구축은 추가적인 질문을 제기한다. 결정학 기록은 큐레이션 오류, 무질서, 불확실한 수소 배치, 성공적으로 결정화되는 분자에 대한 편향에서 자유롭지 않다. 모델은 유용한 화학 패턴을 학습하는 동시에 원천 데이터베이스의 체계적 특성을 물려받을 수 있다.

정밀도 0.88은 보고된 평가 조건에서 거짓 양성 예측이 여전히 예상 출력의 일부라는 뜻이기도 하다. 모델이 가능성을 우선순위화하는 스크리닝에서는 이 수준이 허용될 수 있다. 하지만 모든 최상위 토토머를 확정된 사실로 취급하기에는 적합하지 않다.

따라서 신약 개발자는 출처 이력을 보존해야 한다. 후속 결과에는 어떤 토토머를 열거했는지, 어떻게 점수를 매겼는지, 어떤 임곗값을 사용했는지, 단백질 맥락이 순위를 바꿨는지를 기록해야 한다. 이런 추적 경로가 없으면 이 도구는 명시적인 화학적 불확실성을 또 다른 보이지 않는 기본값으로 바꿀 위험이 있다.

외부 검증은 중요할 것이다. 독립 연구팀은 독점적 의약화학 시리즈, 전향적 실험, 특이한 결합 부위 환경을 지닌 표적에서 이 모델을 벤치마크해야 한다. 비교에는 일반적인 상용 전처리 도구, 오픈소스 규칙, 양자 계산, 전문가 검토가 포함돼야 한다.

이 모델의 공개는 AI 신약 발견에 대한 더 폭넓은 검증이 진행되는 시점에 이뤄졌다. 시스템은 회고적 벤치마크에서 뛰어난 성과를 낼 수 있지만 새로운 화학 물질이나 실제 실험 종점에서는 정확도를 잃을 수 있다. 2026년 분자 생성 방법 평가에서는 서로 다른 아키텍처가 각기 다른 장점을 제공했으며, 모든 기준을 일관되게 최적화한 방법은 없었다.

이러한 더 넓은 패턴은 NYU 시스템의 적절한 역할을 뒷받침한다. 이 시스템은 분자 전처리를 강화하고 의심스러운 배정을 포착할 수 있다. 효능, 독성, 선택성, 약동학 또는 임상적 성공을 결정할 수는 없다.

“안정적”이라는 용어조차 맥락이 필요하다. 분자는 여러 토토머 상태의 평형을 이룰 수 있으며, 상대적 분포는 용매, 온도, pH 또는 결합 파트너에 따라 달라진다. 가장 그럴듯한 상태를 선택하는 분류기는 화학적으로 여전히 의미 있을 수 있는 분포를 단순화한다.

생물학이 복잡하다는 이유로 모델을 무시하는 것이 올바른 대응은 아니다. 증거가 가장 강한 영역에서 모델을 사용하고 불확실한 사례는 상위 검증 단계로 넘겨야 한다. 라이브러리 규모의 속도는 더 높은 충실도의 검증으로 이어지는 명확한 경로와 결합될 때 가장 가치가 크다.

이 접근법은 흔한 AI 실패 양상도 피하는 데 도움이 된다. 자동화는 빠르게 답을 내놓는다는 이유만으로 그 답이 최종적인 것처럼 보이게 할 수 있다. 화학에서 빠른 출력은 중요한 결과를 검증하는 데 드는 주의를 줄이는 것이 아니라, 시험되는 가설의 수를 늘려야 한다.

다음 시험이 신약 발견에서의 역할을 결정할 것이다

세 가지 신호가 AI 토토머 예측이 표준 인프라가 될지, 유망한 연구 도구로 남을지를 보여줄 것이다.

첫 번째 신호는 독립적인 전향적 검증이다. 연구자들은 실험 전에 분자를 선택하고 선호 토토머를 예측한 뒤 통제된 조건에서 관련 상태를 측정해야 한다. 새로운 화합물에서의 성공은 기존 데이터베이스와의 회고적 일치보다 더 강력한 증거를 제공한다.

이러한 시험은 결정, 수용액, 단백질 결합 환경을 아울러야 한다. 한 환경에서의 일치가 다른 환경에서의 일치를 보장하지는 않는다. 신뢰도와 대체 상태를 함께 보고하면 모델이 사례의 모호성을 인지하는지도 드러날 것이다.

다양한 화학 영역에서 최상위 예측을 확인하는 전향적 연구는 일상적 사용의 근거를 강화할 것이다. 특정 작용기나 환경과 연관된 반복적 실패는 모델의 실용적 범위를 좁힐 것이다. 어느 결과든 배포 결정을 개선할 수 있다.

두 번째 신호는 전처리 및 스크리닝 파이프라인에서의 채택이다. 460만 개 화합물을 3.2시간에 처리할 수 있다는 보고된 능력은 기술적 통합 가능성을 뒷받침한다. 더 중요한 질문은 이 모델이 실제 결정을 바꾸는지다.

팀은 이 모델이 도킹 포즈, 결합 순위, 자유에너지 결과 또는 후보물질 선택을 얼마나 자주 바꾸는지 측정해야 한다. 전처리 도구는 교정된 배정이 후속 결과를 개선하거나 불필요한 계산을 막을 때만 가치를 제공한다.

기존 화학 플랫폼과의 통합 역시 성숙도를 보여줄 것이다. 유용한 구현에는 신뢰할 수 있는 토토머 열거, 분자 표준화, 배치 처리, 오류 처리, 재현 가능한 출력이 필요하다. 모델 체크포인트만으로는 운영 환경의 인프라가 만들어지지 않는다.

공개된 예측 워크플로는 연구자에게 출발점을 제공한다. 그 영향력은 독립적 시험, 유지보수, 문서화, 그리고 의약화학자가 이미 사용하는 소프트웨어와의 호환성에 달려 있다.

세 번째 신호는 데이터베이스 수정과 큐레이션이다. 모델은 평가된 PDBbind 리간드의 약 2.5%를 표시해 전문가 검토를 위한 구체적인 집합을 만들었다. 큐레이터와 구조화학자가 의미 있는 비율을 확인한다면, 이 연구는 널리 재사용되는 연구 데이터의 수정 가능한 약점을 찾아낸 것이 된다.

확인된 수정은 126개 복합체를 넘어 중요할 것이다. 단백질-리간드 데이터베이스는 계산 신약 발견 전반에서 벤치마킹과 모델 학습을 지원한다. 더 나은 화학적 배정은 같은 기록을 토대로 구축되는 미래 시스템의 품질을 개선할 수 있다.

검토자가 제안된 변경 대부분을 기각한다면, 결정 유래 라벨에서 단백질 환경으로 전이할 수 있다는 모델의 주장도 약화될 것이다. 따라서 이 시험은 유난히 명확하다. 저자들은 전문가들이 조사할 수 있는 구체적인 예측을 제시했다.

더 넓은 교훈은 이미 토토머 현상을 넘어선다. AI 시스템은 과학자들이 분자, 단백질, 분석법, 실험 조건을 어떻게 인코딩하는지에 의존한다. 더 뛰어난 아키텍처도 그러한 표현의 모든 모호성을 보완할 수는 없다.

NYU Tautomer-Predictor는 그러한 모호성 하나를 드러낸다. 실험 지도에서 보이지 않는 수소 원자 하나가 긴 계산적 결론의 사슬에 영향을 줄 수 있음을 보여준다. 또한 큐레이션된 과학 데이터가 이 문제를 대규모로 다룰 수 있게 하는 방식을 보여준다.

개발자에게 실질적인 질문은 자신의 모델이 토토머 선택을 데이터, 불확실성 또는 알아차리지 못한 기본값으로 취급하는지다. 제약팀에게는 저렴한 AI 분류가 의심스러운 구조에서 시작되는 고비용 계산의 수를 줄일 수 있는지가 질문이다.

AI 토토머 예측을 평가하는 연구자에게 다음 단계는 구체적이다. 기존 분자 전처리 워크플로 옆에서 시스템을 실행하고, 경쟁 상태를 유지하며, 고가치 후보물질에 도달하는 모든 불일치를 검토해야 한다. NYU 모델은 속도와 상당한 실험 학습 기반을 제공한다. 이제 전향적 측정은 이 장점이 어디에서 유지되는지, 환경적 맥락이 어디에서 답을 바꾸는지, 그리고 더 나은 토토머 배정이 더 나은 신약 발견 의사결정을 만드는지를 확립해야 한다.