구조로부터의 분자 특성 예측 (Molecular property prediction)은 많은 분자가 용액 내에서 형태적 앙상블 (conformational ensembles)로 존재함에도 불구하고, 종종 단일한 대표 컨포머 (conformation)를 사용합니다. 우리는 각 컨포머를 공유된 등변 그래프 신경망 (Equivariant Graph Neural Network, EGNN) 레이어로 먼저 인코딩한 다음, 결과물인 컨포머 표현 (conformer representations)을 세트 어텐션 블록 (Set Attention Block)으로 풀링하여 앙상블을 인코딩하는 분자 앙상블 파운데이션 모델 (molecular ensemble foundation model)인 EnsembleEGNN을 소개합니다. 우리는 마스크된 토큰 복구 (masked token recovery), 노이즈가 섞인 좌표 재구성 (noisy-coordinate reconstruction), 그리고 쌍별 거리 재구성 (pairwise distance reconstruction)을 결합한 멀티태스크 자기지도 학습 (multi-task self-supervised) 목적 함수를 사용하여 순환 펩타이드 앙상블 데이터셋인 CREMP에서 모델을 사전 학습 (pretrain)합니다. CREMP-CycPeptMPDB 데이터셋에서 EnsembleEGNN을 처음부터 학습시키는 것은 완전히 실패했습니다 ($R^2=0.005$). 그러나 사전 학습된 모델은 $R^2=0.477$ 및 Pearson $r=0.699$에 도달하여, 서열 전용 BERT 베이스라인 ($R^2=0.439$, Pearson $r=0.667$)보다 우수한 성능을 보였습니다. EnsembleEGNN을 BERT 서열 인코더와 함께 엔드투엔드 (end-to-end)로 공동 학습 (co-trained)했을 때, 하이브리드 모델은 $R^2=0.538$ 및 Pearson $r=0.737$로 더욱 개선되었습니다. 이러한 결과는 형태적 앙상블을 단일한 열역학적 정보가 포함된 임베딩 (thermodynamically informed embedding)으로 인코딩하는 것이 순환 펩타이드 특성 예측을 향상시킨다는 것을 입증합니다.