[Paper] 매치드 몰레큘러 페어 변환을 위한 Retrieval-Augmented Foundation Models, Medicinal Chemistry 직관 재현

Source: arXiv - 2602.16684v1

Overview

이 논문은 컴퓨터 지원 약물 설계에서 핵심 과제인, 리드 화합물을 반복 개발할 때 약물 화학자가 수행할 현실적인 화학 변형을 자동으로 제안하는 문제를 다룹니다. 수백만 개의 **matched molecular pair transformations (MMPTs)**에 대해 대규모 “foundation” 모델을 학습하고 이를 검색 시스템과 결합함으로써, 저자들은 인간 직관에 부합하는 제어 가능한 다양하고 풍부한 유사체 분자 생성을 가능하게 합니다.

주요 기여

• Variable‑to‑variable formulation – 아날로그 생성 방식을 전체 분자를 하나의 토큰으로 다루는 것이 아니라 “주어진 출발 분자를 기반으로 목표 분자를 생성한다”는 형태로 재구성합니다.
• Large‑scale foundation model – 방대한 MMPT 코퍼스에 사전 학습되어 의약 화학 편집의 통계적 패턴을 학습합니다.
• Prompt‑based controllability – 간단한 텍스트 또는 구조적 프롬프트(예: “메틸 그룹 추가”, “페닐을 피리딘으로 교체”)를 도입해 모델이 원하는 변환 패턴으로 유도됩니다.
• Retrieval‑Augmented Generation (MMPT‑RAG) – 알려진 아날로그들의 레퍼런스 라이브러리를 대상으로 외부 유사도 검색을 통합하여 관련성 및 프로젝트 특수성을 향상시키는 컨텍스트 단서를 제공합니다.
• Comprehensive evaluation – 공개 화학 데이터셋과 실제 특허 컬렉션 모두에서 다양성, 새로움, 충실도 측면의 향상을 입증합니다.

방법론

1. Data preparation – 저자들은 공개 화학 데이터베이스와 특허 문헌을 마이닝하여 matched molecular pairs를 추출했습니다: 단일하고 명확히 정의된 화학 편집(예: 기능기 교체)으로 차이가 나는 두 분자. 각 쌍은 source SMILES 문자열과 target SMILES 문자열로 표현됩니다.
2. Model architecture – 트랜스포머 기반 인코더‑디코더가 source SMILES를 target SMILES로 매핑하도록 학습됩니다. 작업이 variable‑to‑variable이기 때문에 모델은 전체 분자 어휘를 외우기보다 difference에 집중하는 방법을 학습합니다.
3. Prompting mechanism – 사용자는 source SMILES 앞에 짧은 “edit prompt”(예: +CH3, replace=Cl→F)를 추가할 수 있습니다. 모델은 이를 추가적인 조건 토큰으로 처리하여 디코더가 요청된 변환을 수행하도록 편향시킵니다.
4. Retrieval‑augmented generation – 디코딩 전에 유사도 검색(FAISS를 사용한 fingerprint 인덱스)을 통해 도메인‑특정 라이브러리에서 k개의 가장 관련성 높은 유사체를 가져옵니다. 이들의 SMILES를 프롬프트에 연결하여 모델이 화학자들이 이전에 유사 스캐폴드를 어떻게 수정했는지에 대한 추가 컨텍스트를 제공받게 됩니다.
5. Training & fine‑tuning – 기본 모델은 전체 MMPT 코퍼스에 대해 사전 학습된 뒤, 필요에 따라 좁은 프로젝트‑특정 세트(예: 단일 치료 영역)에서 미세 조정되어 미묘한 시리즈‑레벨 트렌드를 포착합니다.

결과 및 발견

• 다양성 및 새로움은 모델이 전체 분자를 복사하는 대신 편집을 재조합하는 방법을 학습하기 때문에 향상됩니다.
• 프롬프트 준수는 편집이 명시적으로 지정될 때 80 % 이상에 도달하며, 간단한 텍스트 힌트만으로도 세밀한 제어가 가능함을 보여줍니다.
• 특허 재구성 시나리오(리드 스캐폴드를 제공하고, 새로운 출원에 plausibly 나타날 수 있는 유사체를 생성)에서, MMPT‑RAG는 특허에 보고된 실제 유사체의 70 % 이상을 복구하여 기존 규칙 기반 및 그래프 생성 베이스라인을 능가합니다.

실용적 함의

• Lead‑optimization pipelines – MMPT‑RAG를 “다음 유사체 제안” 모듈로 통합합니다. 화학자는 스캐폴드를 입력하고 원하는 편집(예: 지용성 증가)을 지정하면 합성 가능성이 높은 후보들을 순위별로 받을 수 있습니다.
• Project‑specific knowledge transfer – 기업 내부 화합물 라이브러리를 검색 인덱스에 추가하면 모델이 자동으로 독점 SAR 트렌드를 반영하여 화학적으로 무관한 변화를 제안할 위험을 줄입니다.
• Rapid SAR hypothesis testing – 개발자는 다양한 프롬프트를 사용해 배치 생성 스크립트를 실행하고, 그 출력을 downstream 속성 예측 모델(ADMET, 도킹)으로 전달해 고속 가상 스크리닝을 수행할 수 있습니다.
• Low‑code integration – 프롬프트 인터페이스가 순수 SMILES 문자열로 동작하므로 깊은 ML 전문 지식 없이도 REST API나 Jupyter 노트북에 쉽게 래핑할 수 있습니다.

제한 사항 및 향후 작업

• Synthetic feasibility not guaranteed – 모델이 일반적인 의약 화학 편집을 학습하지만, 반응 수준의 제약을 명시적으로 적용하지 않는다; 생산 준비된 제안을 위해서는 레트로합성 엔진과 결합이 필요하다.
• Dependence on retrieval quality – RAG 구성요소의 성능은 외부 라이브러리의 관련성에 달려 있다; 부실하게 관리되었거나 지나치게 제한된 데이터베이스는 생성에 편향을 일으킬 수 있다.
• Scalability of prompts – 매우 복잡한 다단계 변환(예: “헤테로고리를 추가한 뒤 산화”)은 현재의 단일 프롬프트 설계에 여전히 도전 과제이다.
• Future directions proposed include:
  1. 합성 경로를 내재화하기 위해 반응 예측 모델과 공동 학습.
  2. 다단계 설계를 위한 계층적 프롬프트.
  3. 단백질 표적 생성 작업으로 프레임워크 확장(예: 결합 부위 정보를 활용한 스캐폴드 호핑).

저자

• Bo Pan
• Peter Zhiping Zhang
• Hao‑Wei Pang
• Alex Zhu
• Xiang Yu
• Liying Zhang
• Liang Zhao

논문 정보

• arXiv ID: 2602.16684v1
• Categories: cs.LG
• Published: 2026년 2월 18일
• PDF: PDF 다운로드