O-GNN: 분자 모델링에 고리 사전 지식 통합하기

환원 구조를 포함하는 사이클릭 화합물은 약물 설계에서 중요한 역할을 한다. 그래프 신경망(GNN)을 활용한 분자 모델링 기술이 최근에 큰 성과를 거두었음에도 불구하고, 대부분의 모델들은 화합물 내의 고리 구조를 명시적으로 고려하지 않아 모델의 표현력에 한계가 있다. 본 연구에서는 원자와 결합뿐만 아니라 화합물 내 고리 구조도 명시적으로 모델링하는 새로운 GNN 아키텍처인 고리 강화형 GNN(O-GNN)을 제안한다. O-GNN에서는 각 고리가 잠재 벡터(latent vector)로 표현되며, 이 벡터는 원자 및 결합 표현에 의해 영향을 받고 반복적으로 업데이트된다. 이론적 분석 결과, 기존의 그래프 컨볼루션 신경망(GCN)이 여러 레이어를 필요로 하는 반면, O-GNN은 단일 레이어만으로 서로 다른 고리에 위치한 동형 부분 그래프(subgraph)를 구분할 수 있음을 보여주며, 이는 O-GNN이 더 높은 표현력을 지닌다는 것을 입증한다. 실험을 통해 O-GNN은 공개 데이터셋에서 우수한 성능을 보였으며, 특히 PCQM4Mv1 벤치마크에서 기존 KDDCup 우승 모델을 능가하는 최고 수준의 검증 성능을 달성했고, DrugBank 기반의 약물-약물 상호작용 예측 작업에서도 뛰어난 결과를 보였다. 또한, 고리 구조를 고려하지 않은 강력한 기준 모델들에 비해 분자 성질 예측 및 반응 경로 역추적 예측(task)에서 모두 우수한 성능을 기록하였다.