AttentionSiteDTI: NLP 문장 수준 관계 분류를 이용한 해석 가능한 그래프 기반 약물-표적 상호작용 예측 모델

본 연구에서는 단백질 결합 부위와 자기 주의 메커니즘(self-attention mechanism)을 활용하여 약물-표적 상호작용 예측 문제를 해결하는 해석 가능한 그래프 기반 딥러닝 예측 모델인 AttentionSiteDTI를 제안한다. 본 모델은 자연어 처리(Natural Language Processing, NLP) 분야의 문장 분류 모델에서 영감을 받았으며, 약물-표적 복합체를 단백질 텅(tunnels)과 약물 분자라는 생화학적 실체 간의 관계를 지닌 문장으로 간주한다. AttentionSiteDTI는 약물-표적 상호작용에 가장 기여하는 단백질 결합 부위를 식별함으로써 모델의 해석 가능성을 제공한다. 세 가지 벤치마크 데이터셋에서의 실험 결과는 기존 최고 수준의 모델들과 비교해 개선된 성능을 보였다. 특히, 이전 연구들과 달리, 새로운 단백질에 대한 테스트에서도 뛰어난 성능을 보이며 높은 일반화 능력을 입증하였다. 다학제적 협업을 통해 제안된 접근법의 실용적 잠재력을 추가로 실험적으로 평가하였다. 이를 위해 먼저 일부 후보 화합물과 표적 단백질 간의 결합 상호작용을 계산적으로 예측한 후, 실험실에서 해당 쌍의 결합 상호작용을 직접 검증하였다. 계산적으로 예측된 결과와 실험적으로 관측(측정)된 약물-표적 상호작용 간의 높은 일치도는 본 방법이 약물 재지정(drug repurposing) 응용 분야에서 효과적인 사전 선별 도구로서의 잠재력을 보여준다.