잔여 그래프 동형성 네트워크 기반 약물 시너지 예측 모델 (ResGIN-Att)

복잡한 질병 치료에서 단일 약물 요법만으로는 효능이 제한적이거나 내성(drug resistance)을 유발할 수 있습니다. 반면, 복합 약물 요법 (combination drug therapies)은 시너지 효과(synergistic effects)를 통해 치료 결과를 크게 개선할 수 있습니다. 그러나 모든 가능한 약물 조합을 실험적으로 검증하는 것은 엄청난 비용이 들기 때문에, 효율적인 계산 예측 방법론의 필요성이 매우 높습니다.

기존 딥러닝 및 그래프 신경망 (Graph Neural Networks, GNNs) 기반 접근법들이 상당한 발전을 이루었음에도 불구하고, 구조적 편향(structural bias) 감소, 일반화 능력 개선, 모델 해석 가능성 향상 등의 과제가 남아있었습니다. 이러한 한계점을 극복하기 위해 본 논문은 분자 구조 특징과 세포주 유전체 프로파일을 약물-약물 상호작용 (drug-drug interactions)에 통합한 협업 예측 그래프 신경망(collaborative prediction graph neural network)을 제안합니다.

핵심 모델인 잔여 그래프 동형성 네트워크와 어텐션 메커니즘이 결합된 ResGIN-Att를 도입했습니다. 이 모델은 다음의 단계로 작동합니다:

1. 다중 스케일 위상적 특징 추출: 잔여 그래프 동형성 네트워크(residual graph isomorphism network)를 사용하여 약물 분자의 다중 스케일 위상적 특징을 추출합니다. 여기서 잔여 연결(residual connections)은 깊은 레이어에서 발생하는 과도한 평활화(over-smoothing) 현상을 완화하는 데 도움을 줍니다.
2. 구조 정보 융합: 적응형 장단기 메모리 (adaptive Long Short-Term Memory, LSTM) 모듈이 국소적 스케일에서 전역적 스케일로 구조 정보를 효과적으로 융합합니다.
3. 상호작용 모델링 및 특징 식별: 마지막으로, 교차 어텐션(cross-attention) 모듈을 설계하여 약물 간 상호작용을 명시적으로 모델링하고 핵심 화학적 부분구조를 식별할 수 있게 합니다.

다섯 개의 공개 벤치마크 데이터셋에 걸쳐 광범위하게 수행된 실험 결과, ResGIN-Att는 주요 기준선 방법(baseline methods)들과 비교하여 경쟁력 있는 성능을 달성했으며, 특히 유망한 일반화 능력과 견고성을 보여주었습니다.