[논문 리뷰] DeepCCI: End-to-end Deep Learning for Chemical-Chemical Interaction Prediction

Sunyoung Kwon, Sungroh Yoon|arXiv (Cornell University)|2017. 04. 27.

Computational Drug Discovery Methods참고 문헌 45인용 수 14

한 줄 요약

DeepCCI는 원시 SMILES 문자열을 입력으로 사용하여 화학-화학 상호작용(CCI) 예측을 위한 엔드 투 엔드 딥 러닝 프레임워크를 제안한다. 공유된 1차원 컨볼루션 신경망(CNN)을 활용해 계층적 특징을 추출하고 교환법칙을 강제한다. 이는 전통적인 방법—딥 분류기 및 기존 기계학습 모델—을 모두 초월하며 일곱 가지 평가 지표에서 뛰어난 정확도와 강건성을 보여준다. 수동 특징 공학을 제거한다.

ABSTRACT

Chemical-chemical interaction (CCI) plays a key role in predicting candidate drugs, toxicity, therapeutic effects, and biological functions. In various types of chemical analyses, computational approaches are often required due to the amount of data that needs to be handled. The recent remarkable growth and outstanding performance of deep learning have attracted considerable research attention. However,even in state-of-the-art drug analysis methods, deep learning continues to be used only as a classifier, although deep learning is capable of not only simple classification but also automated feature extraction. In this paper, we propose the first end-to-end learning method for CCI, named DeepCCI. Hidden features are derived from a simplified molecular input line entry system (SMILES), which is a string notation representing the chemical structure, instead of learning from crafted features. To discover hidden representations for the SMILES strings, we use convolutional neural networks (CNNs). To guarantee the commutative property for homogeneous interaction, we apply model sharing and hidden representation merging techniques. The performance of DeepCCI was compared with a plain deep classifier and conventional machine learning methods. The proposed DeepCCI showed the best performance in all seven evaluation metrics used. In addition, the commutative property was experimentally validated. The automatically extracted features through end-to-end SMILES learning alleviates the significant efforts required for manual feature engineering. It is expected to improve prediction performance, in drug analyses.

연구 동기 및 목표

• 수동 특징 공학을 회피하는 엔드 투 엔드 딥 러닝 방법을 개발하여 CCI 예측을 수행한다.
• 딥 신경망을 활용해 원시 SMILES 문자열을 입력으로 사용하여 자동화되고 계층적인 특징 추출을 수행한다.
• CCI 예측에서 교환법칙을 강제하여 (A,B)와 (B,A)에 대해 대칭적인 상호작용 확률을 보장한다.
• 수동으로 설계된 분자 지문(예: PubChem)과 비교해 엔드 투 엔드 SMILES 학습의 우수성을 검증한다.
• 다양한 화학 상호작용에 일반화 가능하고 확장 가능한 프레임워크를 제공하여 약물 발굴 및 기타 화학 과학 작업에 적용 가능하도록 한다.

제안 방법

• 수동으로 설계된 분자 서술자 대신 원시 SMILES 문자열을 입력으로 사용한다.
• 공유된 1차원 CNN을 활용해 SMILES 시퀀스에서 깊이 있는 계층적 표현을 추출한다.
• 두 입력 화학물질 간의 모델 공유를 적용하여 대칭성을 강제하고 교환법칙을 보장한다.
• 두 화학물질의 은닉 표현을 요소별 평균 또는 연결을 통해 융합한다.
• 융합된 표현을 기반으로 상호작용 확률을 예측하기 위해 최종 분류기 헤드를 사용한다.
• SMILES 문자에 원-핫 인코딩을 적용하고, 시퀀스의 통일성을 확보하기 위해 패딩을 사용한다.

실험 결과

연구 질문

• RQ1 엔드 투 엔드 딥 러닝을 원시 SMILES 문자열에 적용할 경우 기존 방법보다 CCI 예측 성능이 뛰어나지 않는가?
• RQ2 공유된 CNN 아키텍처가 CCI 예측에서 교환법칙을 효과적으로 강제하는가?
• RQ3 딥 러닝을 통해 자동으로 추출된 특징은 PubChem 지문과 비교해 어떤 성능을 보이는가?
• RQ4 수동 특징 공학 없이도 다양한 화학 상호작용에 일반화 가능한가?
• RQ5 아키텍처 설계 선택 사항(예: 모델 공유, 표현 융합)이 예측 정확도와 대칭성에 어떤 영향을 미치는가?

주요 결과

• DeepCCI는 일곱 가지 평가 지표 전반에서 최고의 성능을 기록했으며, 단순 딥 분류기 및 기존 기계학습 모델을 모두 압도했다.
• 모델는 (A,B)와 (B,A) 쌍에 대해 동일한 훈련 및 테스트 정확도를 보였으며, 교환법칙의 실험적 검증을 완료했다.
• 기본 모델들(예: FFNN, SVM, RF, AdaBoost)은 입력 순서를 바꿀 경우 성능 저하가 10%에서 21%에 이르며 대칭성을 확보하지 못함을 확인했다.
• CNN을 통해 SMILES에서 자동으로 추출된 특징은 PubChem 지문의 성능을 뛰어넘었으며, 더 관련성 있고 복잡한 패턴을 발견함을 시사한다.
• 공유된 CNN과 표현 융합의 사용이 상호작용 대칭성을 성공적으로 유지했으며, 이는 균일한 상호작용 작업에 있어 핵심임을 입증했다.
• 엔드 투 엔드 자동 특징 학습 능력 덕분에 QSAR, 독성학, 약물 타겟 예측 등 더 넓은 분야에 응용 가능성이 있음을 보여주었다.