자동 분자 상호작용 및 성질 예측을 위한 적응형 그래프 학습 방법

약물 탐색 효율성을 향상시키는 것은 약물 개발 분야에서 핵심적이고 오랫동안 지속된 도전 과제이다. 이를 해결하기 위해 많은 그래프 학습 기법이 개발되어 빠른 속도와 낮은 비용으로 잠재적 약물 후보를 탐색하는 데 기여해왔다. 그러나 실제로 이러한 기법들은 제한된 데이터셋에서 높은 예측 성능을 달성하기 위해 설계되었으며, 이로 인해 아키텍처와 하이퍼파라미터가 고정되어 약물 개발 과정에서 새로 생성된 데이터에 대한 재활용(리포지셔닝)에 유연성이 떨어지는 문제가 발생한다. 본 연구에서는 어떤 데이터셋에도 유연하게 적응 가능하며 정확한 예측을 수행할 수 있는 새로운 방법을 제안한다. 제안된 방법은 데이터셋으로부터 자동으로 학습하고 예측 모델을 출력하는 적응형 파이프라인을 활용한다. 수동적인 개입 없이도, 기존의 수작업으로 설계된 신경망 아키텍처와 고정된 요소에 기반한 전통적 방법보다 모든 테스트 데이터셋에서 훨씬 뛰어난 예측 성능을 달성한다. 더불어, 제안된 방법이 전통적 방법보다 더 뛰어난 강건성(로버스트성)을 보이며, 의미 있는 해석 가능성(인터프리터빌리티)을 제공함을 발견하였다. 위의 특성들을 종합하면, 제안된 방법은 높은 적응성, 성능, 강건성 및 해석 가능성으로 분자 간 상호작용과 물성을 예측하는 신뢰할 수 있는 도구로 활용될 수 있다. 본 연구는 연구자들이 높은 효율로 더 나은 약물을 설계하는 데 도움을 주는 목표에 한 걸음 더 나아가는 실질적인 성과를 제시한다.