Therapeutic Data Commons의 ADMET 하위 데이터셋을 대상으로 한 DeepAutoQSAR, ChemProp 및 DeepPurpose의 벤치마크 연구

초록

더 강력한 하드웨어와 기법의 등장으로, 최근 화학 관련 분야에서 기계 학습( 머신러닝 , ML) 기법의 활용이 크게 증가했습니다. 특히 신약 개발 분야에서 ADMET(흡수, 분포, 대사, 배설 및 독성) 특성의 예측은 기계 학습 적용의 주요 목표입니다. 본 논문에서는 ML 모델 구축 및 벤치마킹을 위한 대규모 공개 데이터 집합인 Therapeutic Data Commons(TDC)의 ADMET 하위 데이터셋을 대상으로, Schrödinger의 자동화된 ML 모델 구축 엔진인 DeepAutoQSAR의 성능 지표를 제시한다. 또한 DeepAutoQSAR의 성능을 ChemProp 및 DeepPurpose라는 두 가지 오픈소스 프로젝트의 성능과 비교한다.

DeepAutoQSAR는 조사된 22개 사례 중 20개에서 최고 수준의 성능을 보였으며, 그중 9개 사례에서는 다른 방법들을 확실히 앞질렀습니다. 나머지 11개 사례의 경우, 테스트된 다른 방법 중 적어도 하나는 비슷한 성능을 보였습니다. DeepAutoQSAR의 정확도, 화학 데이터 변화에 대한 견고성, 라벨 효율성 측면에서 지속적인 개발과 추가적인 개선을 통해 더 빠르고 비용 효율적인 신약 개발이 가능해질 것이며, 이는 궁극적으로 새로운 치료제의 개발로 이어질 것이라고 믿습니다.

서론

신규 분자의 ADMET(흡수, 분포, 대사, 배설 및 독성) 프로파일이 신약 개발의 성공에 핵심적인 역할을 한다는 점은 널리 인정받고 있습니다. 이는 수많은 관련 평가 지표를 측정하고 예측하기 위한 신뢰할 수 있는 모델을 개발하기 위해 학계와 제약 업계 모두에서 막대한 시간과 노력을 기울이고 있다는 사실로 뒷받침됩니다¹. 임상 개발( 신약 개발)의 후기 단계에서 불리한 ADMET 프로파일이 초래할 수 있는 잠재적으로 치명적인 영향을 고려할 때, 잠재적인 문제를 가능한 한 조기에 파악하는 것이 공통된 목표입니다.

초대규모 온디맨드 라이브러리와 DNA 인코딩 라이브러리(예: Enamine REAL Space 또는 WuXi LabNetwork)의 등장으로, 잠재적 문제점을 조기에 식별하기 위해서는 잠재적으로 유망한 후보 물질을 배제하지 않으면서도 수억 개의 화합물을 평가할 수 있을 만큼 계산 속도가 빠르고, 비용이 저렴하며, 정확도가 높은 방법이 필요합니다. 이는 당연히 실험적인 생체 내(in vivo) 또는 체외(in vitro) 방법의 사용을 배제합니다. 흔히 인공지능(AI)이라고도 불리는 현대적인 기계 학습( 머신러닝 , ML) 접근법은 짧은 시간 내에 낮은 계산 비용으로 수백만 개의 분자를 수용 가능한 정확도로 손쉽게 처리할 수 있습니다.

물리 기반 인실리코(in silico) 방법과 달리, ML/AI 방법은 주어진 종결점을 예측하기 위해 훈련에 고품질 데이터가 필요합니다. 고품질의 훈련 데이터는 종종 구하기 어렵습니다. 데이터는 정제되고 체계적으로 관리되어야 하며, 화학 분야의 데이터셋은 이미지나 텍스트에 적용되는 머신러닝과 같은 다른 분야의 데이터셋보다 규모가 작은 경우가 많습니다. 이러한 엄격한 데이터 요구 사항으로 인해, 복잡하고 정확한 모델을 학습시키기에 훈련 데이터의 양이 부족한 경우가 많아, 더 복잡한 머신러닝/인공지능 접근법의 적용이 제한될 수 있습니다.

그러나 지난 수십 년간 ADMET 특성의 프로파일링 중요성을 인식한 대형 제약사들은 방대한 양의 데이터를 생성해 왔으나, 안타깝게도 이러한 데이터는 대개 비공개로 유지되며 내부 프로그램에만 독점적으로 활용되고 있다. 공개 데이터는 드물지만, 공개 데이터를 수집하고 통합하려는 노력 2가 이루어지고 있을 뿐만 아니라, 데이터 기밀성을 유지하면서도 기존 모델을 개선하기 위해 비공개 데이터를 현명하게 공유하려는 시도 3도 진행 중이다.

딥러닝(DL) 접근법의 성공으로 인해 화학 분야에서의 머신러닝(ML)/인공지능(AI) 활용이 부흥을 맞이했으며, ADMET 평가 지표를 대상으로 할 때 선택할 수 있는 오픈소스 및 상용 소프트웨어가 대거 등장했습니다. 오픈소스 소프트웨어는 개발 주기가 더 짧아 새로운 과학적 통찰을 더 신속하게 반영할 수 있는 장점이 있지만, 실제 적용은 해당 분야의 전문가로 제한되는 경우가 많습니다. 반면, 상용 소프트웨어는 체계적인 품질 보증(QA), 문서화 및 지원이라는 장점을 갖추고 있으며, 포괄적인 사용자 인터페이스를 제공하여 비전문가들의 진입 장벽을 크게 낮춰줍니다.

이 논문에서는 널리 사용되는 오픈소스 패키지 중 두 가지인 ChemProp과 DeepPurpose, 그리고 슈뢰딩거(Schrödinger)의 ML/AI 패키지인 DeepAutoQSAR의 성능을 자세히 살펴보고, 최근 발표된 벤치마크 데이터셋을 바탕으로 이들 간의 성능 비교를 제시할 것이다.