최근 발표된 연구 논문에서 'MotifRole-Diff'라는 새로운 분자 그래프 생성 AI 모델이 소개되었습니다. 이 모델은 기존의 균일한 마스킹(masking) 방식의 한계를 극복하고, 분자 내 각 토큰(원자 또는 결합)의 역할과 중요성을 고려한 차등적인 손상(corruption) 전략을 적용하여 분자 생성 효율을 크게 높였습니다. 이는 AI 기반 신약 개발 및 재료 과학 분야에 중요한 진전을 의미합니다.
기존의 마스크드 이산 확산(masked discrete diffusion) 방식은 분자 그래프를 시퀀스(sequence) 형태로 변환한 후, 모든 토큰에 동일한 비율로 마스킹을 적용했습니다. 이는 분자 구조의 이질적인 구성 요소들을 모두 동일하게 재구성하기 어렵고 중요하다고 가정하는 비효율적인 방식이었습니다. 하지만 'MotifRole-Diff'는 분자 내 특정 모티프(motif)나 기능적 그룹처럼 재구성하기 어렵거나 최종 분자에 미치는 영향이 큰 부분에 더 높은 마스킹 비율을 할당합니다. 연구팀은 경험적으로 측정된 디노이징(denoising) 난이도와 그래프 수준의 교란 영향을 기반으로 최적의 마스킹 예산 할당을 수립했으며, 이는 모델 아키텍처나 디코더를 변경하지 않고도 성능 향상을 이끌어냈습니다.
실험 결과, 'MotifRole-Diff'는 QM9 데이터셋에서 분자 유효성(validity)을 0.905에서 0.944로, MOSES 데이터셋에서는 0.920에서 0.938로 향상시켰습니다. 동시에 프레셰트 화학 거리(FCD, Fréchet ChemNet Distance)는 QM9에서 1.701에서 1.609로, MOSES에서 2.125에서 1.850으로 감소하여, 생성된 분자가 실제 분자와 더 유사해졌음을 입증했습니다. 이는 동일한 컴퓨팅 자원과 훈련 예산 하에서 구조적 정보를 활용한 마스킹 전략이 균일한 방식보다 훨씬 효과적임을 보여줍니다. 이러한 발전은 AI가 더욱 정교하게 분자를 설계하고, 신약 후보 물질 탐색 시간을 단축하며, 새로운 기능성 재료를 개발하는 데 기여할 잠재력을 가지고 있습니다.