Dumpling GNN: 화학 구조를 기반으로 한 하이브리드 GNN을 통한 더 나은 ADC 페이로드 활성 예측

항체-약물 결합체(ADCs)는 대상형 암 치료제로서 유망한 분야로 부각되었지만, 그들의 세포 독성 물질의 설계와 최적화는 여전히 어려움을 겪고 있습니다. 본 연구에서는 화학 구조를 기반으로 ADC 물질 활성을 예측하기 위해 특별히 설계된 새로운 하이브리드 그래프 신경망 구조인 DumplingGNN을 소개합니다. 메시지 패싱 신경망(MPNN), 그래프 주의 네트워크(GAT), 그리고 GraphSAGE 레이어를 통합함으로써, DumplingGNN은 다중 규모의 분자 특징을 효과적으로 포착하고 2D 위상 정보와 3D 구조 정보를 모두 활용합니다. 우리는 DNA 탓포이머라제 I 저해제에 초점을 맞춘 포괄적인 ADC 물질 데이터셋과 MoleculeNet에서 제공하는 여러 공개 벤치마크에서 DumplingGNN의 성능을 평가했습니다. DumplingGNN은 여러 데이터셋에서 최고 수준의 성능을 보였으며, BBBP(96.4% ROC-AUC), ToxCast(78.2% ROC-AUC), 그리고 PCBA(88.87% ROC-AUC)에서 특히 우수한 결과를 얻었습니다. 전문적인 ADC 물질 데이터셋에서는 매우 뛰어난 정확도(91.48%), 민감도(95.08%), 그리고 특이도(97.54%)를 보여주었습니다. 제거 실험(ablation studies)은 하이브리드 구조의 시너지 효과와 예측 정확도 향상을 위한 3D 구조 정보의 중요한 역할을 확인해주었습니다. 주의 메커니즘에 의해 가능해진 모델의 강력한 해석 가능성은 구조-활성 관계에 대한 귀중한 통찰력을 제공합니다. DumplingGNN은 분자 특성 예측 분야에서 중요한 발전을 대표하며, 특히 대상형 암 치료제 개발 과정에서 ADC 물질의 설계와 최적화를 가속화하는 데 큰 잠재력을 가지고 있습니다.