약물 개발의 혁신: 불확실성을 고려한 대사 안정성 예측 모델 등장!

TrustworthyMS라는 새로운 AI 모델이 분자 대사 안정성 예측의 정확도와 신뢰도를 크게 향상시켜 약물 개발 과정의 효율성을 높일 것으로 기대됩니다. 이 모델은 기존 GNN 방식의 한계를 극복하기 위해 결합 수준의 위상 정보를 고려하고, 대조 학습 및 베타-이항 불확실성 정량화 기법을 도입했습니다.

새로운 AI 모델 'TrustworthyMS'가 약물 연구 개발의 난제를 해결할 실마리를 제공합니다.

약물의 효능과 안전성을 결정짓는 중요한 요소 중 하나는 바로 분자 대사 안정성(MS) 입니다. 하지만 분자 간 복잡한 상호작용으로 인해 MS 예측은 매우 어려운 과제였습니다. 기존의 그래프 신경망(GNN) 기반 예측 모델들은 원자 중심의 메시지 전달 메커니즘으로 인해 분자 모델링이 불완전하고, 예측의 불확실성을 제대로 반영하지 못하는 한계를 가지고 있었습니다.

Guo Peijin 박사를 비롯한 연구팀은 이러한 문제점을 해결하기 위해 'TrustworthyMS' 라는 혁신적인 모델을 개발했습니다. TrustworthyMS는 다음과 같은 세 가지 핵심적인 기술적 진보를 이루었습니다.

1. 분자 그래프 위상 재매핑: 원자뿐 아니라 결합 수준의 위상적 특징까지 고려하여 국소적인 전자 효과와 전반적인 구조적 제약을 모두 포착하는 새로운 메커니즘을 도입했습니다. 이를 통해 기존 모델의 불완전한 분자 모델링 문제를 해결했습니다.

2. 대조적 위상-결합 정렬: 대조 학습을 통해 분자 위상 구조와 결합 패턴 간의 일관성을 강화하여, 예측의 강건성을 높였습니다. 이는 마치 두 개의 다른 관점에서 분자를 바라보고 그 일치성을 검증하는 것과 같습니다.

3. 베타-이항 불확실성 정량화: 베타-이항 분포를 이용하여 예측의 불확실성을 정량적으로 평가하고 신뢰도를 보정했습니다. 이를 통해 단순한 예측값뿐만 아니라 그 예측에 대한 신뢰도까지 함께 제공하여 더욱 안정적이고 신뢰할 수 있는 결과를 얻을 수 있습니다.

광범위한 실험 결과, TrustworthyMS는 기존 최첨단 모델들을 능가하는 예측 성능을 보였습니다. 이는 약물 개발 과정의 효율성을 높이고, 보다 안전하고 효과적인 신약 개발에 크게 기여할 것으로 기대됩니다. 앞으로 이 기술이 어떻게 발전하고 약물 개발 현장에 적용될지 지켜보는 것은 매우 흥미로운 일이 될 것입니다.

연구진: Guo Peijin, Minghui Li, Hewen Pan, Bowen Chen, Yang Wu, Zikang Guo, Leo Yu Zhang, Shengshan Hu, Shengqing Hu