이전 사이트 이동

Cyclic Peptide Design

사이클릭 펩타이드 디자인

This project aims to develop a diffusion-based cyclic peptide design model conditioned on the contact information of a target protein binding interface. Using protein–peptide complex structural data, the model learns residue-level contact patterns between target proteins and peptides to generate cyclic peptide structures with high binding potential. Geometric constraints such as head-to-tail cyclization are incorporated to ensure that generated peptides satisfy realistic cyclic peptide structural properties. The generated peptide candidates are evaluated through docking simulations and binding affinity estimation against the target protein. Through this approach, the study seeks to establish an AI-driven framework for cyclic peptide binder design and contribute to next-generation drug discovery research.

본 연구는 target protein의 결합 인터페이스 정보를 조건으로 활용하는 diffusion 기반 cyclic peptide 설계 모델을 개발하는 것을 목표로 한다. 단백질–peptide 복합체 구조 데이터를 활용하여 target residue와 peptide residue 간 contact pattern을 학습하고, 이를 기반으로 결합 가능성이 높은 cyclic peptide 구조를 생성한다. 또한 head-to-tail cyclization과 같은 기하학적 제약을 반영하여 실제 cyclic peptide의 구조적 특성을 만족하는 후보를 설계한다. 생성된 peptide 후보는 docking simulation 및 결합 에너지 분석을 통해 표적 단백질과의 결합 가능성을 평가한다. 이를 통해 단백질–단백질 상호작용을 조절할 수 있는 cyclic peptide binder 설계 기술을 확보하고 AI 기반 신약 설계 연구에 기여하고자 한다.