[논문 리뷰] Chemi-net: a graph convolutional network for accurate drug property prediction

Ke Liu, Xiangyan Sun외 8명|arXiv (Cornell University)|2018. 03. 16.

Computational Drug Discovery Methods참고 문헌 17인용 수 39

한 줄 요약

Chemi-Net는 도메인 특화 기술자나 지문을 사용하지 않고 약물 흡수, 분포, 대사 및 배설(ADME) 특성을 예측하는 그래프 컬러션 네트워크(GCN) 기반 딥러닝 모델이다. 분자 그래프에서 엔드 투 엔드로 훈련된 이 모델은 아마젠에서 널리 사용되는 산업 표준 방법인 Cubist를 뛰어넘어 실제 비교 연구에서 예측 정확도를 크게 향상시켰다.

ABSTRACT

Absorption, distribution, metabolism, and excretion (ADME) studies are critical for drug discovery. Conventionally, these tasks, together with other chemical property predictions, rely on domain-specific feature descriptors, or fingerprints. Following the recent success of neural networks, we developed Chemi-Net, a completely data-driven, domain knowledge-free, deep learning method for ADME property prediction. To compare the relative performance of Chemi-Net with Cubist, one of the popular machine learning programs used by Amgen, a large-scale ADME property prediction study was performed on-site at Amgen. The results showed that our deep neural network method improved current methods by a large margin. We foresee that the significantly increased accuracy of ADME prediction seen with Chemi-Net over Cubist will greatly accelerate drug discovery.

연구 동기 및 목표

• 수작업으로 만든 화학 지문이나 도메인 특화 기술자를 사용하지 않는 약물 특성 예측을 위한 딥러닝 모델을 개발하는 것.
• 산업 약물 발견에서 사용되는 기존 머신러닝 방법보다 ADME 특성 예측 정확도를 향상시키는 것.
• 분자 구조를 그래프 기반 데이터에서 직접 학습하는 완전히 데이터 기반의 엔드 투 엔드 학습 가능한 프레임워크를 구축하는 것.
• 실제 산업 현장에서 아마젠의 최신 기술 표준인 Cubist와의 비교를 통해 모델 성능을 검증하는 것.

제안 방법

• Chemi-Net는 원자들을 노드로, 결합을 간선으로 하는 분자 그래프를 처리하기 위해 그래프 컬러션 네트워크(GCN)를 사용한다.
• 모델은 메시지 전파 메커니즘을 통해 이웃 원자들로부터 정보를 집계하면서 노드 표현을 반복적으로 갱신한다.
• 학습 가능한 필터를 적용하여 분자 내 국소적 구조나 계층적 구조 패턴을 포착한다.
• 최종 분자 표현은 모든 원자 수준 표현에 대해 글로벌 풀링을 통해 도출된다.
• 최종 예측 헤드는 풀링된 분자 임베딩에서 ADME 특성을 출력하기 위해 완전 연결 층을 사용한다.
• 전체 모델는 회귀 작업을 위해 평균 제곱 오차 손실을 사용하여 표준 backpropagation을 통해 엔드 투 엔드로 훈련된다.

실험 결과

연구 질문

• RQ1 그래프 컬러션 네트워크 기반 딥러닝 모델이 전통적인 머신러닝 방법보다 ADME 특성을 예측하는 데 뛰어나게 성능을 내는가?
• RQ2 데이터 기반의 특징 없는 접근 방식이 실생활 약물 발견 환경에서 Cubist와 같은 산업 표준 도구의 성능을 따라하거나 뛰어넘을 수 있는가?
• RQ3 화학 지문 없이도 GCN 기반 아키텍처가 분자 그래프에서 의미 있는 분자 표현을 효과적으로 학습할 수 있는가?
• RQ4 분자 그래프에서 엔드 투 엔드로 훈련하는 것이 약물 특성 예측의 일반화 능력과 예측 정확도 향상에 기여하는가?

주요 결과

• Chemi-Net는 아마젠에서 널리 사용되는 머신러닝 프로그램인 Cubist를 뛰어넘어 대규모 현장 기반 ADME 특성 예측 연구에서 뚜렷한 성능 향상을 보였다.
• 모델는 Cubist보다 예측 정확도를 크게 향상시켜 GCN 기반 표현 학습이 약물 특성 예측에 효과적임을 입증했다.
• 성능 향상은 여러 ADME 관련 특성에서 일관되게 관찰되어 이 방법의 광범위한 적용 가능성을 시사한다.
• 결과는 Chemi-Net의 데이터 기반, 도메인에 구애받지 않는 접근 방식이 초기 단계의 특성 예측을 더 정확하게 수행함으로써 약물 발견을 가속화할 수 있음을 시사한다.