GraphDTA: 그래프 컨볼루션 네트워크를 이용한 약물-표적 결합 친화도 예측

신약 개발은 비용이 많이 들고 시간이 오래 걸리며, 종종 안전성 문제를 동반하지만, 기존에 안전성이 입증된 약물이 처음에 개발된 목적 외의 질환에 사용되는 약물 재지정(drug repurposing)은 매력적인 대안으로 부상하고 있다. 이때, 기존 약물이 새로운 타겟에 어떻게 작용하는지에 대한 이해는 약물 재지정의 핵심 요소가 되었으며, 최근 많은 관심을 받고 있다. 여러 통계 및 머신러닝 모델이 약물-타겟 결합 친화도를 추정하기 위해 제안되었으며, 딥러닝 접근법이 최첨단 기법 중 하나로 입증되어 왔다. 그러나 이러한 모델들에서 약물과 타겟은 원자 간 화학 결합을 통해 형성되는 분자라는 본질적 특성을 무시하고 일반적으로 1차원 문자열(1D string)로 표현되었다. 본 연구에서는 약물의 구조적 정보를 보다 효과적으로 포착하기 위해 GraphDTA를 제안한다. 특히 기존의 경쟁 기법들과 달리, 약물은 그래프로 표현하고, 그래프 컨볼루션 네트워크(Graph Convolutional Networks, GCN)를 활용하여 약물-타겟 결합 친화도를 학습한다. 제안된 방법은 두 가지 벤치마크 약물-타겟 결합 친화도 데이터셋을 대상으로 실험하였으며, 분야 내 최첨단 모델들과 성능을 비교하였다. 결과적으로, 제안한 방법은 비딥러닝 기법을 뛰어넘는 예측 성능을 보였을 뿐만 아니라, 기존의 딥러닝 기법들 역시 초월하는 성능을 나타내었다. 이는 분자에 대한 그래프 기반 표현이 약물-타겟 결합 친화도 예측의 정확도 향상에 실질적인 장점을 제공함을 입증한다. 이러한 응용은 사용자 측 또는 제품 측(또는 둘 다)이 그래프 형태로 표현될 수 있는 모든 추천 시스템에도 확장될 수 있다.