Zimo Yan Jie Zhang Zheng Xie Yiping Song Hao Li

초록

약물-약물 상호작용(Drug-Drug Interaction, DDI)의 정확한 예측은 약물 안전성 확보와 효과적인 신약 개발에 있어 핵심적인 요소이다. 그러나 기존의 방법들은 국소적인 기능기단에서부터 전반적인 분자 구조적 위상에 이르기까지 다양한 척도에서의 구조적 정보를 효과적으로 포착하기 어려우며, 일반적으로 예측 신뢰도를 정량화할 수 있는 메커니즘이 부족하다는 한계를 지닌다. 이러한 문제를 해결하기 위해 본 연구에서는 새로운 다중 척도 그래프 신경과정(Multi-scale Graph Neural Process) 프레임워크인 MPNP-DDI를 제안한다. MPNP-DDI의 핵심은 반복적으로 적용될 수 있는 고유한 메시지 전달 방식으로, 이는 다양한 척도에서 그래프 표현의 계층적 구조를 학습한다. 특히, 이 계층적 표현들을 동적으로 융합하여 상호작용하는 약물 쌍에 대해 맥락 인지형 임베딩을 생성하는 교차 약물 공주목적( cross-drug co-attention) 메커니즘이 도입되며, 통합된 신경과정 모듈은 체계적인 불확실성 추정을 가능하게 한다. 광범위한 실험을 통해 MPNP-DDI가 기준 데이터셋에서 최신 기술 대비 유의미하게 우수한 성능을 보임을 입증하였다. 다중 척도 구조적 특징에 기반하여 정확하고 일반화 가능한, 동시에 불확실성 인식이 가능한 예측을 제공함으로써, MPNP-DDI는 약물 감시(pharmacovigilance), 다약물 복용 위험 평가(polypharmacy risk assessment), 정밀의학(precision medicine) 분야에서 강력한 계산적 도구로 기능할 수 있다.