연구진이 약물 설계 목표와 합성 가능성을 통합한 SynLaD 프레임워크를 발표했어요. 기존 모델은 둘 중 하나만 최적화하여 합성 가능성이 높은 분자를 찾는 데 어려움이 있었어요. SynLaD는 3D 구조와 합성 경로를 모두 복원하는 학습 공간을 통해 약물 구조와 합성 계획을 동시에 생성합니다.
SynLaD는 약물 구조를 3D 구조와 반응 기반 표기법의 합성 경로로 분해하는 인코더와 디코더를 사용해요. 디퓨전 트랜스포머는 학습된 공간에서 새로운 잠재 변수를 생성하며, 약물 구조 프로필에 조건부로 적용돼요.
SynLaD는 기존 모델보다 합성 가능하고 다양한 히트 생성에서 우수한 성능을 보이며, 단일 모델로 모양이 일치하고 실현 가능한 합성 계획을 가진 분자를 생성할 수 있음을 입증했어요.