두 물질 상호작용에 의해 발생하는 물리적 성질 예측의 높은 정확도를 달성할 수 있는 새로운 그래프 신경망 기법이 국내 연구진에 의해 개발됐다.
KAIST(총장 이광형)는 "산업및시스템공학과 박찬영 교수팀이 한국화학연구원(원장 이영국)과 공동연구를 통해 이 같은 성과를 냈다"고 18일 밝혔다.
연구팀에 따르면 약물이 용매에 얼마나 잘 용해되는지 정확히 예측하고, 동시에 여러 가지 약물을 투여하는 다중약물요법 부작용을 예측하는 것은 신약 개발 분야에서 매우 중요하다.
기존 연구에서는 두 분자 쌍이 있을 때, 각 분자 내 존재하는 원자들 사이 상호 작용만을 고려해 그래프 신경망 모델을 학습했다.
예를 들어 특정 발색체의 물(H2O)에 대한 용해도를 예측코자 할 때 발색체 내 각 원자들에 대해 물분자의 원자 H, O가 갖는 영향력을 고려하는 것이다.
그러나 연구팀은 분자 구조의 화학적 특성을 결정하는 데 있어 원자 뿐 아니라 작용기와 같은 분자내 하부 구조들이 중요한 역할을 한다는 점에 착안했다.
일례로 알코올이나 포도당 등 하이드록실기(Hydroxyl group)를 포함하는 분자들은 일반적으로 물에 대한 용해도가 높은 것으로 알려져 있다.
하이드록실기라는 작용기가 물에 대한 용해도를 결정하는데 중요한 역할을 한다는 것이다.
이를 토대로 연구팀은 분자 특성을 결정하는데 큰 영향을 끼치는 하부 구조를 추론하는 기술을 개발했다.
분자 내 중요한 정보를 압축해 보존하는 ‘정보 병목 이론’과 분자 내 어떤 하부 구조가 분자 고유한 특성을 결정짓는데 큰 역할을 했는지 인과관계를 추론하는 ‘인과 추론 모형’이 활용됐다.
물리적 성질 예측, 최대 17% 정확도 향상
연구팀은 분자 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 착안, 물질 간 관계를 예측하는 모델을 제안했다.
그 결과, 정보 병목 현상을 기반으로 한 연구는 기존 연구에 비해 약물 용해도 예측에서 11% 성능 향상 및 다중약물요법 부작용 예측에서 4%의 정확도 향상을 이뤄냈다.
또한, 인과 추론 모형을 기반으로 한 연구에서는 약물 용해도 예측에서 17%의 성능 향상, 약물 부작용 예측에서 2%의 정확도 향상 등의 결과가 나타났다.
박찬영 교수는 “화학과 생명과학을 포함한 다양한 분야에서 기계학습이 새로운 물질을 발견하는데 드는 시간과 비용을 획기적으로 단축하는데 도움이 될 것”이라고 말했다.
이어 “특히 환경 친화적인 소재 개발과 질병 치료를 위한 신약 발굴 등에 있어 해당 기술의 가치가 부각될 것으로 보인다”고 덧붙였다.
이슬비 기자 (
