[논문 리뷰] Molecule Generation for Drug Design: a Graph Learning Perspective

Nianzu Yang, Huaijin Wu외 3명|arXiv (Cornell University)|2022. 02. 18.

Computational Drug Discovery Methods인용 수 6

한 줄 요약

이 종합적 서베이에서는 약물 설계 분야에서 신규 분자의 생성을 위한 그래프 학습 기반 방법을 포괄적으로 검토하며, 일괄 생성, 조각 기반, 노드 단위 생성 전략으로 분류한다. 2차원 그래프 기반 표현 방식이 화학적 타당성을 보장하는 데 유리하다는 점을 강조하고, 최근의 확산 기반 모델 등을 포함한 발전 사항을 논의하면서 거대 분자 설계, 3차원 약물 발견, 구조 기반 약물 설계 분야에서의 주요 과제와 향후 방향성을 밝힌다.

ABSTRACT

Machine learning, particularly graph learning, is gaining increasing recognition for its transformative impact across various fields. One such promising application is in the realm of molecule design and discovery, notably within the pharmaceutical industry. Our survey offers a comprehensive overview of state-of-the-art methods in molecule design, particularly focusing on \emph{de novo} drug design, which incorporates (deep) graph learning techniques. We categorize these methods into three distinct groups: \emph{i)} \emph{all-at-once}, \emph{ii)} \emph{fragment-based}, and \emph{iii)} \emph{node-by-node}. Additionally, we introduce some key public datasets and outline the commonly used evaluation metrics for both the generation and optimization of molecules. In the end, we discuss the existing challenges in this field and suggest potential directions for future research.

연구 동기 및 목표

• SMILES 및 3차원 표현 방식을 제외한 약물 설계 분야에서 분자의 생성을 위한 그래프 기반 딥러닝 방법에 특화된 최신 서베이를 제공하기 위해.
• 최신 기술적 전략을 세 가지 명확한 파라다임으로 분류하기 위해: 일괄 생성, 조각 기반, 노드 단위 생성.
• 분자의 생성 및 최적화 작업에서 사용되는 주요 공개 데이터셋과 표준 평가 지표를 정리하기 위해.
• 현재 연구에서의 주요 과제, 특히 거대 분자 설계, 3차원 분자 생성, 구조 기반 약물 발견 분야에서의 과제를 특정하기 위해.
• 현재의 한계를 넘어 기술적 발전을 이끌기 위한 세 가지 유망한 향후 연구 방향을 제안하기 위해.

제안 방법

• 논문은 그래프 기반 분자 생성 방법을 생성 전략에 따라 세 가지 범주로 분류한다: 일괄 생성(전체 그래프를 한 번에 생성), 조각 기반(서브스트럭처에서 분자를 조립), 노드 단위 생성(그래프를 점진적으로 구축).
• 분자의 표현을 그래프 $ G = ( extbf{A}, extbf{X}) $ 로 수식화하며, $ extbf{A} $ 는 결합 유형을 인코딩하는 인접성 텐서이고 $ extbf{X} $ 는 원자 유형을 인코딩하는 노드 특징 행렬이다.
• 표준 평가 지표를 사용하여 방법을 평가한다: 생성의 경우 유효성, 신규성, 다양성, 유일성, 재구성 능력; 최적화의 경우 QED, SA, logP 및 기타 약물 유사성 특성.
• 특히 2차원 표현에서 화학적 타당성과 구조 정확도를 확보하는 데 유리한 점을 고려할 때, SMILES 기반에서 그래프 기반 생성으로의 전환을 강조한다.
• 최근의 확산 기반 생성 모델을 분석하며, 이는 이전 서베이에서 다루지 않은 성장 중인 추세로 강조된다.
• 2020~2023년의 최신 문헌을 체계적으로 분석하여 그래프 기반 분자 생성 분야의 방법론적 추세, 과제, 열린 문제를 규명한다.

실험 결과

연구 질문

• RQ1 신규 분자 설계에서 일괄 생성, 조각 기반, 노드 단위 생성 전략 간의 효율성, 유연성, 구조 정밀도 측면에서의 차이점은 무엇인가?
• RQ2 그래프 기반 분자 생성 및 최적화 작업에서 일반적으로 사용되는 주요 공개 데이터셋과 평가 지표는 무엇인가?
• RQ3 왜 분야는 SMILES 기반 표현에서 그래프 기반 표현으로 전환했으며, 2차원 그래프 모델이 화학적 타당성을 보장하는 데 어떤 이점을 제공하는가?
• RQ4 그래프 학습을 활용한 거대 분자(예: 고분자) 생성, 3차원 분자 기하학적 구조 생성, 타겟 특이적 리간드 생성에서 아직 해결되지 않은 주요 과제는 무엇인가?
• RQ5 그래프 기반 딥러닝 모델은 어떻게 확장되어 구조 기반 약물 설계, 특히 화학적 공간의 유망한 하위 영역에서의 샘플링을 지원할 수 있는가?

주요 결과

• 그래프 기반 생성 방법은 SMILES 기반 접근 방식과 달리 구조적 타당성을 구축 과정에서 보장하므로 100% 화학적 타당성을 확보한다.
• 일괄 생성, 조각 기반, 노드 단위 생성이라는 세 가지 주요 생성 전략은 각각 효율성, 유연성, 복잡한 서브스트럭처 모델링 능력에서 고유한 트레이드오프를 제공한다.
• 최근의 확산 기반 생성 모델은 그래프 기반 분자 생성 분야에서 유망한 신규 클래스의 방법으로 부상했지만, 이전 서베이에서는 다루지 않았다.
• 진전이 있음에도 불구하고, 정확한 양자 성질 예측에 필수적인 3차원 분자 기하학적 구조 생성 분야에서는 여전히 연구가 부족하며, 이는 주요 연구 격차로 남아 있다.
• 현재의 방법들은 대부분 소분자에 국한되어 있으며, 구조적 복잡도 증가와 장거리 생성 시퀀스에서의 기울기 문제로 인해 고분자와 같은 거대 분자로의 확장에 큰 도전 과제를 안고 있다.
• 특정 단백질-리간드 결합을 목표로 하는 구조 기반 약물 설계 분야는 머신러닝 분야에서 아직 탐색되지 않은 핵심 영역으로, 향후 연구의 주요 전초 분야로 남아 있다.