압타머(aptamer)는 올리고뉴클레오타이드(oligonucleotide)기반 3차원 구조를 갖는 단일 염기 조각으로서 크기, 독성 그리고 투과성 측면에서 다양한 특성을 가지고 있다. 따라서 압타머는 진단 및 치료 측면에서 유리하며 비교적 간단한 실험을 통해 생산할 수 있는 소재이다. SELEX(Systematic Evolution of Ligands by EXponential enrichment)는 압타머를 생산하기 위해 대표적으로 사용되는 방법이지만 높은 실험 비용과 시간이 많이 소모되는 단점이 있다. 이러한 비용을 줄이기 위해, 최근에는 컴퓨터 시뮬레이션 기반 방법들이 연구되고 있으며 RNA 압타머와 표적 단백질 서열 패턴을 기반으로 결합 친화도를 결정하는 압타머-단백질 상호작용 분류모델 (API, Aptamer-Protein Interaction) 연구가 대표적인 사례이다. 해당 연구 사례 중 몇몇은 표적 단백질에 대한 후보 RNA 압타머 서열을 생성하지만 고정된 길이의 서열이나 편향된 구조를 갖게 되는 것이 한계점으로 대두되고 있다. 본 논문에서는 주어진 표적 단백질 서열에 대하여 결합 친화도가 높은 후보 압타머 서열을 다양한 길이로 생성할 수 있는 머신러닝 기반 방법인 Apta-MCTS를 제안한다. 후보 서열을 생성하기 위해 몬테카를로 트리 탐색(MCTS, Monte-Carlo tree search)를 적용하였고 MCTS의 점수 함수(score function)으로 API 분류모델을 사용하였다. MCTS와 함께 자체적으로 설계한 트리 구조를 기반으로 뉴클레오타이드 서열을 추출할 수 있었고, 결합 잠재성이 높은 후보 서열을 얻을 수 있었다. 얻어진 후보 서열들의 품질 측정을 위해 분자도킹 시뮬레이션(molecular docking simulation)을 진행하였다. ZDOCK 도킹 시뮬레이션과 검증 데이터를 통해 우리의 모델이 실제 압타머들보다 도킹 점수(docking score)가 비슷하거나 더 높은 것을 확인할 수 있었다. 이처럼 길이 제약이 없고 사용하기 쉬운 본 모델은 SELEX의 시뮬레이션 단계에서 표적 단백질에 대한 적합한 압타머 서열을 선택하는 데 대한 통찰력을 제공할 수 있을 것이다.