신약 개발 과정에서 약물의 독성을 정확하게 예측하는 것은 후기 단계의 실패율을 줄이는 데 매우 중요하지만, 데이터 불균형, 새로운 분자 구조에 대한 일반화의 어려움, 그리고 예측 결과에 대한 설명 가능성 부족으로 인해 여전히 큰 도전 과제로 남아있습니다. 기존에는 분자 구조를 텍스트(SMILES)로 표현하는 트랜스포머(Transformer) 모델이나 그래프(Graph) 형태로 표현하는 그래프 신경망(GNN)이 주로 사용되었으나, 이들은 분자 구조의 상보적인 측면을 포착할 뿐, 독성 원인을 명확히 설명하는 데는 한계가 있었습니다.
이러한 한계를 극복하기 위해, 베트남 연구진이 SMILES 트랜스포머 인코더와 GATv2 그래프 인코더를 교차 어텐션(cross-attention) 방식으로 융합한 멀티모달(multimodal) 아키텍처 'SMILESGNN'을 개발했습니다. 이 모델은 단 0.4M(40만) 개의 파라미터(매개변수)만으로 ClinTox 데이터셋에서 0.987의 AUC-ROC와 0.906의 F1 점수를 달성하며, 강력한 SMILES 트랜스포머나 더 큰 규모의 ChemBERTa-2/GATv2 결합 모델과 견줄 만한 경쟁력 있는 성능을 보였습니다. 특히, SMILESGNN은 예측 파이프라인 내에 명시적인 그래프 브랜치를 유지하여, GNNExplainer 기반의 분석을 통해 독성 예측과 관련된 분자 하위 구조를 시각적으로 설명할 수 있는 것이 특징입니다.
SMILESGNN의 등장은 신약 개발 분야에 중요한 의미를 가집니다. 단순히 독성 예측 정확도를 높이는 것을 넘어, '왜' 특정 약물이 독성을 나타내는지에 대한 해석 가능한 정보를 제공함으로써 연구자들이 약물 설계 단계에서 잠재적인 문제를 조기에 파악하고 개선할 수 있도록 돕기 때문입니다. 이는 임상 시험 단계에서 발생할 수 있는 막대한 비용과 시간 낭비를 줄이고, 궁극적으로 더 안전하고 효과적인 신약 개발을 가속화하는 데 크게 기여할 것입니다. 교차 어텐션 방식의 멀티모달 융합은 예측 성능을 유지하면서도 그래프 기반의 설명 가능성을 제공하는 실용적인 대안임을 시사합니다.