저 데이터 약물 탐색을 위한 원샷 학습

최근 머신 러닝의 발전은 약물 탐색 분야에 중요한 기여를 하였습니다. 특히 딥 뉴럴 네트워크는 소분자 화합물의 특성과 활성을 추론할 때 예측 능력에 상당한 향상을 제공하는 것으로 입증되었습니다. 그러나 이러한 기술의 적용 범위는 대량의 학습 데이터가 필요하다는 요구사항으로 인해 제한되어 왔습니다. 본 연구에서는 원샷 러닝(one-shot learning)이 약물 탐색 응용 프로그램에서 의미 있는 예측을 수행하기 위해 필요한 데이터 양을 크게 줄일 수 있는 방법을 소개합니다. 우리는 그래프 컨볼루션 신경망과 결합하여 소분자 간의 의미 있는 거리 메트릭을 학습하는 능력을 크게 향상시키는 새로운 아키텍처인 잔차 LSTM 임베딩(residual LSTM embedding)을 제안합니다. 본 연구에서 소개된 모든 모델은 딥러닝 기반 약물 탐색 오픈소스 프레임워크인 DeepChem의 일부로 오픈 소스화됩니다.