분자 그래프 강화 트랜스포머를 활용한 역합성 예측

화학 분야에서 가능한 합성 경로가 막대하므로, 역합성 예측은 여전히 연구자들에게 도전 과제로 남아 있다. 최근 들어 역합성 예측은 기계 번역(Machine Translation, MT) 문제로 재정의되고 있다. 즉, 각 분자는 단순화된 분자 입력 선 입력 시스템(Simplified Molecular-Input Line-Entry System, SMILES) 문자열로 표현될 수 있으므로, 합성 과정은 반응물에서 생성물로의 언어 번역 과정과 유사하게 해석할 수 있다. 그러나 기존의 SMILES 데이터에 적용된 MT 모델들은 분자의 자연스러운 원자 간 결합 정보와 분자의 위상 구조를 무시하는 경향이 있다. 본 논문에서는 분자의 순차적 정보와 그래프적 정보를 모두 활용하는 그래프 강화 트랜스포머(Graph Enhanced Transformer, GET) 프레임워크를 제안한다. 본 연구에서는 SMILES 표현과 본 연구에서 개선한 그래프 신경망(Graph Neural Network, GNN)을 통해 학습된 원자 임베딩을 융합하는 네 가지 다양한 GET 설계를 제안한다. 실험 결과, 제안한 모델이 테스트 정확도에서 기존 트랜스포머 모델을 상당히 뛰어넘는 성능을 보였다.