카이스트-화학연, 다중약물요법 부작용 예측 기술 개발

물질의 상호작용에 의해 발생하는 물리적 성질 예측문제의 예시.(KAIST 제공)/뉴스1

(대전ㆍ충남=뉴스1) 김태진 기자 = 국내 연구진이 분자 내의 중요한 하부 구조(Substructure)를 탐지해 분자 관계를 예측하는 기술을 개발했다.

한국과학기술원(KAIST)은 산업및시스템공학과 박찬영 교수 연구팀이 한국화학연구원(KRICT)과 물질 내의 중요한 하부 구조를 탐지해 두 물질의 상호작용에 의해 발생하는 물리적 성질 예측의 높은 정확도를 달성할 수 있는 새로운 그래프 신경망 기법을 개발했다고 18일 밝혔다.

연구팀은 분자의 특성을 결정하는 데 큰 영향을 미치는 하부 구조를 추론하는 기술을 분자 내의 중요한 정보를 최대한 압축해 보존하는 ‘정보 병목 이론’과, 분자 내의 어떤 하부 구조가 분자의 고유한 특성을 결정하는 데 큰 역할을 했는지에 대한 인과 관계를 추론하는 ‘인과 추론 모형’을 활용했다.

이를 통해 분자의 고유한 특성에 가장 큰 영향을 미치는 하부 구조를 찾아냈다.

또 분자 간 관계를 추론하는 문제에서는 상대방 분자에 따라 대상 분자의 중요한 하부 구조가 달라질 수 있다는 점에 착안해 물질 간 관계를 예측하는 모델을 제안했다.

새로운 그래프 신경망 기법을 의학에 적용해 정보 병목 현상을 기반으로 한 연구는 기존 연구 대비 약물 용해도 예측에서 11%의 성능 향상, 다중약물요법 부작용 예측에서 4%의 정확도 향상을 이뤄냈다.

또 인과 추론 모형을 기반으로 한 연구는 약물 용해도 예측에서 17%의 성능 향상, 약물 부작용 예측에서 2%의 정확도 향상을 나타냈다.

이남경 박사과정(제1저자)은 “제안한 기술은 분자의 성질을 결정하는 데 있어 큰 영향을 미치는 하부 구조가 존재한다는 화학적 지식에 기반해 그래프 신경망을 학습할 수 있는 새로운 방법”이라며 “상대편 분자를 고려해 대상 분자의 중요한 구조를 찾는 방법론은 이미지-텍스트 멀티 모달 학습 방법에서도 적용될 수 있어 심층 학습 전반적인 성능 개선에 기여할 수 있다”고 말했다.

연구를 지도한 박찬영 교수는 “제안한 기술은 화학적 지식에 기반해 분자 간의 관계를 예측, 화학과 생명과학을 포함한 다양한 분야에서 기계학습이 새로운 물질을 발견하는데 드는 시간과 비용을 획기적으로 단축할 수 있는데 도움이 될 것”이라고 했다.

연구진은 이달 중 이번 연구 성과를 기계학습 분야 최고권위 국제학술대회 ‘국제 기계 학습 학회(ICML 2023)'에서 발표할 예정이다.

memory4444444@news1.kr