KAIST·화학연, 약물 부작용 예측 확률 높인 AI 모델 개발

KAIST·화학연 공동 연구진
분자 하부 구조 활용해 상호작용 예측

국내 연구진이 인공지능(AI) 기술을 활용해 신약 후보물질의 용해도를 예측 정확도를 높였다. 여러 약물을 동시에 처방하는 다중약물요법의 부작용도 높은 정확도로 예측해냈다./조선DB

국내 연구진이 신약 후보 물질의 용해도와 여러 약물을 동시에 처방했을 때 나타나는 부작용을 예측하는 인공지능(AI) 모델을 개발했다. 기존보다 분자의 상호작용을 정교하게 예측하는 방식으로 이후 다른 분야에도 적용할 수 있는 기술이라는 평가가 나온다.

박찬영 한국과학기술원(KAIST) 산업및시스템공학과 교수가 이끄는 연구진은 한국화학연구원과 공동으로 물질의 하부 구조를 바탕으로 상호작용을 예측하는 그래프 신경망 기술을 개발했다고 18일 밝혔다.

그래프 신경망 기술은 화학, 생명과학에서 최근 큰 주목을 받고 있다. 특히 두 물질의 상호작용을 예측하는 것은 다양한 화학, 소재, 의학 분야에서 중요하다. 가령 신약을 개발할 때는 약물이 용매에 얼마나 잘 녹는지 정확히 예측하고, 동시에 여러 가지 약물을 투여하는 요법의 부작용을 예측하는 데 활용할 수 있다.

분자의 상호작용을 예측하는 기존 기술에서는 원자 사이의 상호작용만을 고려해 그래프 신경망 모델을 학습했다. 그러나 실제 분자는 원자뿐 아니라 작용기 같은 하부 구조가 중요한 역할을 한다. 알코올이나 포도당이 물에 더 잘 녹는 이유도 분자에 포함된 하이드록실기 때문이다. 이에 KAIST 연구진은 분자의 하부구조까지 고려한 상호작용 예측 모델을 개발했다.

연구진은 ‘정보 병목 이론’과 ‘인과 추론 모형’을 활용해 새로운 그래프 신경망 모델을 개발했다. 정보 병목 이론은 분자 내의 중요 정보를 압축해 보존하는 방식이고, 인과 추론 모형은 하부 구조가 분자의 특성을 어떻게 결정하는지 인과 관계를 추론하는 방식이다.

연구진은 새로 개발한 모델을 활용해 분자의 특성에 가장 큰 영향을 미치는 하부 구조를 확인했다. 또 분자 간 관계를 분석해 상호작용하는 분자에 따라 중요한 역할을 하는 하부 구조가 달라지는 것을 고려해 물질 간 관계를 예측했다.

새롭게 개발한 그래프 신경망과 정보 병목 현상을 기반으로 한 연구에서는 기존보다 약물 용해도 예측 정확도는 11%, 다중약물요법의 부작용도 4% 높은 정확도를 나타냈다. 인과 추론 모형을 기반으로 한 연구에서는 약물 용해도 예측 정확도가 17%, 부작용 예측에서는 2% 높아졌다.

이남경 KAIST 산업및시스템공학대학원 박사과정 연구원은 “분자의 성질을 결정할 때 큰 영향을 미치는 하부 구조가 있다는 것에 기반해 그래프 신경망을 학습하는 새로운 방법”이라며 “상대 분자를 고려해 대상 분자의 중요한 구조를 찾는 방법론은 이미지-텍스트의 관계를 학습하는 모델에도 적용할 수 있는 만큼 심층 학습 전반적인 성능 개선에 기여할 수 있다”고 말했다.

박 교수는 “화학과 생명과학을 포함한 다양한 분야에서 새로운 물질을 발견하는 데 널리 사용될 것으로 기대된다”며 “또 환경 친화적인 소재 개발, 질병 치료를 위한 신약 발굴에 이번 기술의 가치가 더욱 부각될 것”이라고 말했다.

연구 결과는 두 편의 논문으로 나눠 논문 사전 공개 사이트인 아카이브(arXiv)에 이달 9일 소개됐다.

참고자료

arXiv, DOI: https://doi.org/10.48550/arXiv.2305.01520

arXiv, DOI: https://doi.org/10.48550/arXiv.2305.18451

조선비즈

IT/과학

KAIST·화학연, 약물 부작용 예측 확률 높인 AI 모델 개발