멀티태스크 ADME 속성 예측을 위한 확률적 대조적 사전학습
Probabilistic Contrastive Pretraining for Multi-task ADME Property Prediction
흡수, 분포, 대사, 배설(ADME) 속성의 정확한 예측은 신약 개발에 매우 중요하지만, ADME 종점(endpoints)은 노이즈가 많고 상호 의존적이며 데이터가 부족한 경우가 많아 여전히 어려운 문제로 남아 있습니다. 우리는 화학 특화 자기 지도 학습(self-supervision)과 대조적 상호 정보 기계 학습(contrastive mutual information machine learning, cMIM)을 결합한 분자 그래프 트랜스포머(graph-transformer) 사전학습 프레임워크를 제안합니다. 본 방법은 분자 그래프를 잠재 변수로 인코딩하고 그래프 유래 잠재 코드에서 SMILES 문자열을 재구성하며, 도메인 특화 자기 지도 화학 작업을 통해 대조적 목적 함수(contrastive objective)를 보강합니다. 이러한 작업을 별도로 조정된 손실(loss) 가중치를 가진 보조 정규화기로 취급하는 대신, 재구성, 대조적 판별, 화학 특화 감독을 단일 확률적 잠재 변수 목적 함수 내의 단위 가중치 로그 확률 인자로 공식화합니다. 미세조정(fine-tuning)을 위해, 작업별 다층 퍼셉트론(multilayer perceptron) 헤드를 갖춘 멀티태스크 GNN 리드아웃 아키텍처를 제안하여, 공유 표현 학습을 유지하면서 네거티브 전이(negative transfer)를 완화하고 이질적이며 비선형인 작업 관계 모델링을 개선합니다. Biogen, ExpansionRX, ChEMBL-MT 데이터셋 전반에서, 결과적으로 생성된 Contrastive KERMT 사전학습은 KERMT 기준선(baseline) 대비 각각 7.6%, 9.9%, 9.5% 향상된 성능을 보였습니다(유의미하게 개선된 종점 평균). 사전학습 말뭉치에 ADME 인접 분자를 추가하면 전이 성능이 더욱 향상되며, 대조적 구성 요소는 화학적으로 의미 있는 잠재 이웃을 더욱 명확하게 구분합니다.