AbAg-Fold: AlphaFold3 기반 AI 항체 설계를 위한 정제된 항체-항원 복합체 구조 데이터 = AbAg-Fold: A Curated AlphaFold3-Based Antibody–Antigen Complex Structure Dataset for AI-Driven Antibody Design

국문 초록 (Abstract)

인공지능을 활용한 항체 신약 개발 및 항체–항원 상호작용 예측 연구는 고품질 항체–항원 복합체 구조 데이터의 부족으로 인해 모델의 일반화 성능 확보에 한계를 겪고 있다. 본 연구에서는 AlphaFold3 기반의 구조 생성과 3단계 품질 정제 파이프라인을 통해, 총 13,124개의 고품질 항체–항원 복합체 구조로 구성된 AbAg-Fold 데이터셋을 구축하였다. AbAg-Fold는 엄격한 물리화학적 품질 기준을 적용하여 구조적 타당성을 확보하였으며, PRODIGY 기반 결합 친화도 정보를 부여하여 예측 모델 벤치마크에 직접 활용 가능한 형태로 정량 라벨링하였다.
데이터셋의 유효성을 검증하기 위한 벤치마크 실험에서, AbAg-Fold는 정제되지 않은 저품질(LQ) 데이터 대비 결합 친화도 예측 성능이 향상되어 데이터 품질의 중요성을 확인하였다. 또한 항체 구조 생성 모델에 AbAg-Fold를 추가 학습했을 때, 기존 학습 데이터만 사용한 경우보다 더 높은 결합력을 갖는 항체 후보를 효과적으로 생성할 수 있음을 확인하였다. 결론적으로 AbAg-Fold는 기존의 데이터 희소성 문제를 완화하고, 인공지능 기반 항체 설계 및 예측 모델 연구를 가속화하는 핵심 자원으로 활용될 것으로 기대된다.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• 1. 항체의 구조와 기능 개요 1
• 2. 항체-항원 상호작용 예측 및 항체 생성 연구 동향 2
• 3. 기존 연구의 한계점과 본 연구의 기여 5
• Ⅱ. 연 구 방 법 7
• 1. AbAg-Fold 데이터 구축 7
• 1) 데이터 수집 및 전처리 7
• 2) 대표 표본 추출 8
• 3) AlphaFold3 기반 항체-항원 복합체 구조 예측 9
• 4) 구조 기반 복합체 품질 평가 및 필터링 11
• 5) 결합 친화도 pseudo-labeling 13
• 2. 벤치마크 실험 설정 15
• 1) 항체-항원 친화도 예측 실험 설정 15
• 2) 항체 구조 생성 실험 설정 16
• Ⅲ. 결 과 19
• 1. AbAg-Fold 데이터 분석 19
• 1) 데이터셋 구성 19
• 2) 항체 서열적·구조적 보존성 검증 20
• 3) 항원 에피토프 다양성 분석 23
• 2. 데이터 유효성 검증 25
• 1) 항체-항원 친화도 예측 정확도 향상 평가 25
• 2) 항체 생성 모델의 구조적 타당성 및 다양성 평가 27
• Ⅳ. 고 찰 33
• Ⅴ. 결 론 36
• 참고문헌 37
• Abstract 41