노드 정렬 그래프-그래프 (NAG2G): 단일 단계 역합성에서 템플릿 없는 딥러닝 접근법의 향상

유기 화학에서 단일 단계 역합성(Single-step retrosynthesis, SSR)은 컴퓨터 지원 합성 설계 분야에서 딥 러닝(Deep Learning, DL) 기술의 도움을 받아 점점 더 발전하고 있습니다. 템플릿이 없는 DL 모델은 역합성 예측에 있어 유연하고 전망이 밝지만, 종종 중요한 2D 분자 정보를 무시하고 노드 생성을 위한 원자 정렬에 어려움을 겪어, 템플릿 기반 및 준템플릿 기반 방법보다 성능이 낮습니다. 이러한 문제들을 해결하기 위해, 우리는 트랜스포머 기반의 템플릿이 없는 DL 모델인 노드 정렬 그래프-그래프(Node-Aligned Graph-to-Graph, NAG2G) 모델을 소개합니다. NAG2G는 2D 분자 그래프와 3D 구조를 결합하여 포괄적인 분자 세부 정보를 유지하며, 노드 정렬을 통해 제품-반응물 원자 매핑을 통합하여 자동 회귀 방식으로 노드별 그래프 출력 과정의 순서를 결정합니다. 철저한 벤치마킹과 상세한 사례 연구를 통해 USPTO-50k와 USPTO-FULL 데이터셋에서 NAG2G가 뛰어난 예측 정확도를 보임을 입증하였습니다. 또한 여러 약물 후보 물질의 합성 경로 예측에 성공함으로써 모델의 실용성이 강조되었습니다. 이는 NAG2G의 탄탄함뿐만 아니라 미래 합성 경로 설계 작업에서 복잡한 화학 합성 과정의 예측을 혁신할 잠재력을 증명하는 것입니다.