|
연구팀은 그래프로 표현할 수 있는 분자 구조에 인공지능 학습법을 적용해 시간과 비용을 줄이기 위한 방법을 제시했다.
기존 연구에서는 두 분자 쌍이 있을 때 각 분자속에 있는 원자들 사이의 상호 작용만을 고려해 그래프 신경망 모델을 학습했다. 연구팀은 이와 달리 분자구조의 화학적 특성 결정에 원자뿐만 아니라 분자내 하부 구조들이 중요한 역할을 한다는 점에 주목했다.
우선 분자 하부 구조 추론 기술을 개발한뒤 분자 고유 특성에 영향을 주는 하부 구조를 찾았다. 이후 상대방 분자에 따라 대상 분자의 중요한 하부 구조가 달라질 수 있다는 점에 착안해 예측 모델을 제안했다.
그 결과, 기존 연구 대비 약물 용해도 예측 성능을 11% 높였다. 다중약물요법 부작용 예측 정확도는 4% 향상됐다.
박찬영 교수는 “화학적 지식에 기반해 분자 관계를 예측해 화학과 생명과학을 포함한 다양한 분야에서 기계학습이 신물질을 발견하는데 드는 시간과 비용을 줄이는데 도움이 될 수 있다”고 했다.
연구 결과는 이달 중 국제학술대회 ‘국제 기계 학습 학회(ICML)’에서 발표될 예정이다.
