화학 정보를 활용한 분자 표현 학습

분자 특성 예측은 생물학적 실험에 비해 실험 효율성이 높기 때문에 인공지능 기반 약물 설계에서 매우 중요한 역할을 한다. 그래프 신경망(GNN)이 여러 분야에서 큰 성공을 거둔 바 있음에 따라, 일부 연구에서는 분자 특성 예측에 그래프 신경망을 적용하며 각 분자를 그래프로 간주한다. 여기서 분자의 원자는 그래프의 노드로, 결합은 그래프의 엣지로 표현된다. 그러나 기존 대부분의 방법들은 도메인 지식을 고려하지 않고 일반적인 그래프 신경망을 단순히 적용하고 있다. 화학 정보는 분자의 기능과 밀접하게 관련되어 있어 정확한 특성 예측에 있어 핵심적인 역할을 한다. 따라서 본 연구에서는 분자 지문(fingerprint) — 즉 특정 화학 서브구조의 존재 여부 — 를 통합함으로써 화학 정보를 활용하여 분자의 표현을 학습한다. 제안하는 방법을 여러 강력한 베이스라인과 비교한 결과, 본 방법은 기존 방법들을 상당히 능가함을 확인하였다. 현재까지 본 방법은 Open Graph Benchmark(OGB)의 ogbg-molhiv 벤치마크 리더보드에서 1위를 기록하고 있다.