초록
약물이 인체에 미치는 거시적인 영향, 예를 들어 효과와 독성 등을 예측하는 것은 소분자 기반의 약물 탐색에서 핵심적인 문제입니다. 분자는 비방향 그래프로 표현될 수 있으며, 우리는 그래프 컨볼루션 네트워크를 이용하여 분자의 특성을 예측할 수 있습니다. 그러나 그래프 컨볼루션 네트워크와 다른 그래프 신경망은 모두 노드 레벨 표현을 학습하는 데 초점을 맞추고 있으며, 그래프 레벨 표현에는 관심이 적습니다. 이전 연구에서는 그래프 내 모든 노드의 특징 벡터를 단순히 더해 약물 예측을 위한 그래프 특징 벡터를 얻었습니다. 본 논문에서는 모든 노드와 방향성 엣지로 연결된 더미 슈퍼 노드를 도입하여 그래프의 표현으로 사용하고, 그래프 연산을 수정하여 더미 슈퍼 노드가 그래프 레벨 특징을 학습하도록 도왔습니다. 이를 통해 우리는 노드 레벨 분류 및 회귀와 동일한 방식으로 그래프 레벨 분류 및 회귀를 처리할 수 있습니다. 또한, 약물 데이터셋에서 클래스 불균형 문제를 해결하기 위해 포칼 로스(focal loss)를 적용했습니다. MoleculeNet에서 수행한 실험 결과, 제안된 방법이 분자 특성 예측의 성능을 효과적으로 향상시킬 수 있음을 보여주었습니다.