WEECFP-SuRGE: 부분구조 회전 그래프 거리 인코딩(Substructure Rotary Graph-distance Encoding)을 갖춘 Wide Embedded Extended Connectivity Fingerprint
WEECFP-SuRGE: Wide Embedded Extended Connectivity Fingerprint with Substructure Rotary Graph-distance Encoding
본 논문은 Morgan 부분구조를 단일 벡터의 대략 32개의 부호 있는 위치에 흩뿌리는, 매개변수 없는 1024차원 연속 분자 지문 WEECFP와, 셀프 어텐션(self-attention)이 WEECFP 부분구조 토큰에 SuRGE(Substructure Rotary Graph-distance Encoding)—분자 최단 경로 그래프 거리로 매개변수화된 RoPE 유사 회전—을 적용하는 트랜스포머 아키텍처 WEECFP-SuRGE를 제안한다. 이 아키텍처의 7-모델 블렌드(WEECFP-SuRGE Blend)는 TDC ADMET 리더보드에서 평균 회귀 순위가 가장 낮고, TDC ADMET 리더보드 전체 2위(사전학습 MapLight+GNN에만 뒤처짐)이며, 외부 사전학습을 사용하지 않는 방법 중 전체 1위이다. 전체 22개 벤치마크 스위트에서 Pgp, Lipophilicity, CYP2D6 Substrate, Clearance Microsome, LD50에서 리더보드 1위를 차지하고(WEECFP-NoSuRGE Blend는 HIA에서 별도로 1위), 외부 사전학습 없이 달성하였다. MoleculeNet에서 WEECFP-SuRGE는 4개 회귀 과제 중 3개(ESOL, Lipophilicity, QM9)에서 모든 고전적 지문 기준선을 능가한다. 또한 WEECFP 토큰화가 거의 무손실임을 보인다. 탐욕적 겹침 재구성(greedy overlap reconstruction)은 9개 MoleculeNet 데이터셋에서 분포 내 분자의 99.9%에 대해 정확한 canonical SMILES를 복원하고, 교차 데이터셋 홀드아웃(HIV->Lipophilicity)에서는 분자의 98.93%를 복원한다. 그래프 거리의 3-참조 최원 우선(farthest-first) 인코딩은 실제 쌍별 거리와 Pearson r = 0.901로 상관하며, 동일한 정확도로 O(S) 위치 메모리를 가능하게 한다.