다중약물요법 부작용 예측 ‘그래프 신경망’ 기술 개발

KAIST·한국화학硏 공동 연구
정확도, 기존보다 최대 17% 높여

최근 화학, 생명과학 등 다양한 기초과학 분야의 문제를 해결하기 위해 그래프 신경망(Graph Neural Network) 기술이 널리 활용되고 있다. 특히 의학 분야에서 어떤 약물이 용매에 얼마나 잘 용해되는지 정확히 예측하고, 동시에 여러 가지 약물을 투여하는 다중약물요법의 부작용을 예측하는 것은 매우 중요하다.

카이스트(KAIST)는 박찬영(사진) 산업및시스템공학과 교수 연구팀이 한국화학연구원과 공동연구를 통해 물질 내의 중요한 하부 구조를 탐지, 두 물질의 상호작용에 의해 발생하는 물리적 성질 예측의 높은 정확도를 달성할 수 있는 새로운 그래프 신경망 기법을 개발했다고 18일 밝혔다.

연구팀은 분자의 특성을 결정하는데 큰 영향을 끼치는 하부 구조를 추론하는 기술을 분자 내의 중요한 정보를 최대한 압축해 보존하는 ‘정보 병목 이론’과 분자 내의 어떤 하부 구조가 분자의 고유한 특성을 결정 짓는데 큰 역할을 했는지 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 점을 착안해 물질 간 관계를 예측하는 모델을 제안했다.

특히 기존 연구에 비해 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 이뤄냈다.

연구팀은 이 그래프 신경망 모델을 7월 열리는 기계학습 분야 최고권위 국제학술대회 ‘국제 기계 학습 학회’에서 발표할 예정이다.

연구를 주도한 이남경 KAIST 박사과정은 “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 했다.

박찬영 교수도 “제안한 기술은 화학적 지식에 기반하여 분자 간의 관계를 예측해 화학과 생명과학을 포함한 다양한 분야에서 기계학습이 새로운 물질을 발견하는데 드는 시간과 비용을 획기적으로 단축할 수 있는데 도움이 될 것”이라고 말했다. 구본혁 기자

nbgkoo@heraldcorp.com