NMIRacle: Multi-modal Generative Molecular Elucidation from IR and NMR Spectra

NMIRacle 는 IR 과 NMR 스펙트럼 데이터를 기반으로 분자 구조를 정확하게 예측하기 위해 분자 조각 재구성과 스펙트럼 임베딩을 결합한 2 단계 생성형 프레임워크를 제안하여 기존 방법들보다 우수한 성능을 입증한 연구입니다.

핵심

이 논문은 **"NMIRacle"**이라는 새로운 인공지능(AI) 도구를 소개합니다. 이 도구의 역할은 화학자들이 복잡한 실험 데이터를 보고 분자의 구조를 찾아내는 것을 돕는 것입니다.

기존의 방식은 마치 숙련된 탐정이 지문과 발자국을 보고 범인을 추리하듯, 화학자가 직접 스펙트럼 데이터를 해석해야 했습니다. 하지만 이는 매우 어렵고 시간이 오래 걸리는 일이었죠.

NMIRacle 은 이 과정을 두 단계로 나눈 똑똑한 비서처럼 작동합니다.

1. NMIRacle 이란 무엇인가요? (간단한 비유)

분자 구조를 찾는 일은 마치 레고 블록으로 복잡한 성을 만드는 것과 같습니다.

• IR(적외선) 스펙트럼: 분자가 진동하는 소리를 듣고 어떤 '레고 블록' (기능기) 이 있는지 알려줍니다.
• NMR(핵자기 공명) 스펙트럼: 그 블록들이 어떻게 연결되어 있는지, 그리고 몇 개씩 있는지 알려줍니다.

기존 AI 들은 이 소리를 듣고 바로 성을 짓는 것을 시도했지만, 너무 복잡해서 자주 실패하거나, 미리 정해진 레고 상자 (데이터베이스) 에 있는 성만 찾아냈습니다.

NMIRacle 의 혁신적인 접근법:
이 AI 는 "일단 레고 블록의 종류와 개수를 먼저 세어보고, 그다음에 그 블록들로 성을 짓자"는 두 단계 방식을 사용합니다.

---

2. NMIRacle 의 두 단계 작동 원리

1 단계: "레고 블록 카운터" 훈련 (Pre-training)

• 상황: AI 가 먼저 수많은 레고 블록 (분자 조각) 들을 보고, "이 블록은 3 개, 저 블록은 1 개"라고 개수를 세는 법을 배웁니다.
• 비유: 마치 요리사가 먼저 "이 요리를 만들려면 당근 2 개, 감자 3 개, 소금 약간이 필요하다"는 **재료 목록 (Count-aware)**을 외우는 과정입니다.
• 중요한 점: 기존 AI 들은 "당근이 있나? (Yes/No)"만 확인했지만, NMIRacle 은 **"당근이 몇 개인가?"**까지 정확히 파악합니다. 이 덕분에 더 복잡한 요리 (분자) 를 만들 수 있게 됩니다.

2 단계: "소리를 듣고 재료 목록 만들기" (Fine-tuning)

• 상황: 이제 실험실에서 나온 실제 소리 데이터 (스펙트럼) 를 입력받습니다.
• 작동: AI 는 이 소리를 듣고 "아, 이 소리는 '레고 블록 A 가 3 개'와 '블록 B 가 1 개'라는 뜻이구나!"라고 재료 목록을 추측합니다.
• 결합: 1 단계에서 배운 "재료 목록으로 성을 짓는 법"을 활용하여, 2 단계에서 추측한 목록을 바탕으로 **완벽한 분자 구조 (성)**를 다시 만듭니다.

---

3. 왜 이 방법이 특별한가요?

1. 데이터베이스에 의존하지 않음:

   • 기존 방식은 "내가 아는 레고 성들 중에서 가장 비슷한 것을 찾아라"였지만, NMIRacle 은 **"아직 본 적 없는 새로운 성도 만들어낼 수 있다"**는 점입니다. 즉, 새로운 약이나 물질을 발견하는 데 훨씬 유리합니다.

2. 복잡한 분자도 잘 다룹니다:

   • 실험실의 데이터는 항상 잡음 (노이즈) 이 섞여 있습니다. NMIRacle 은 이 잡음 속에서도 핵심적인 레고 블록의 개수와 종류를 정확히 찾아내어, 매우 크고 복잡한 분자에서도 높은 정확도를 보여줍니다.

3. 여러 데이터를 한 번에 봅니다:

   • IR, 1H-NMR, 13C-NMR 등 서로 다른 세 가지 데이터를 동시에 분석하여 서로의 정보를 보완합니다. 마치 세 명의 전문가가 모여서 하나의 사건을 해결하는 것처럼, 서로 다른 관점을 합쳐 더 정확한 결론을 내립니다.

4. 결론: 이 기술이 가져올 변화

NMIRacle 은 화학 연구의 속도를 획기적으로 높여줄 것입니다.

• 약물 개발: 새로운 약을 만들 때, 실험 데이터를 보고 분자 구조를 몇 초 만에 찾아낼 수 있게 됩니다.
• 환경 및 재료 과학: 미지의 물질을 분석할 때 전문가의 도움이 없어도 AI 가 대신 구조를 밝혀낼 수 있습니다.

한 줄 요약:
NMIRacle 은 복잡한 실험 소리를 듣고, 분자를 구성하는 '레고 블록'의 개수를 세어낸 뒤, 그 블록들로 새로운 분자 구조를 직접 조립해내는 초지능 AI입니다.

기술 요약

1. 문제 정의 (Problem Definition)

화학 분야에서 미지 화합물의 분자 구조를 분광학 데이터 (스펙트럼) 로부터 규명하는 것은 약물 개발, 대사체학, 신소재 설계의 핵심 과제입니다. 그러나 이 작업은 다음과 같은 이유로 매우 어렵습니다.

• 조합적 폭발: 소수의 중원자만 가진 분자라도 가능한 원자 배열의 수가 기하급수적으로 증가하여 (약 $10^{33}$ 개 이상), 전통적인 전문가 해석이나 데이터베이스 매칭만으로는 한계가 있습니다.
• 기존 AI 방법의 한계: 최근 딥러닝 기반 방법들은 다음과 같은 제약이 있습니다.
  1. 단일 분광 모드 (예: NMR 만 사용) 에 의존하여 상호 보완적인 정보를 누락함.
  2. 피크 추출 (peak extraction) 등 과도한 전처리가 필요하여 실험 데이터의 노이즈를 무시함.
  3. 화학식이나 분자 골격과 같은 강한 사전 정보 (prior) 를 가정함 (실제 실험 환경에서는 구하기 어려움).
  4. 주로 작은 분자 (중원자 20 개 미만, C/N/O 만 포함) 로 제한된 벤치마크에 머무름.

NMIRacle은 이러한 문제를 해결하기 위해, 원시 (raw) 다중 분광 데이터 (IR, $^1$H-NMR, $^{13}$C-NMR) 를 직접 입력받아 복잡한 분자 구조를 생성 (De novo generation) 하는 것을 목표로 합니다.

2. 방법론 (Methodology)

NMIRacle 은 분광 데이터에서 분자 구조를 생성하는 2 단계 생성 프레임워크입니다.

가. 1 단계: 조각 기반 분자 생성 사전 학습 (Fragments-to-Molecule Pre-training)

• 목표: 분자의 조각 (fragment) 구성에서 SMILES 문자열을 복원하는 생성 모델 ($p_\phi(y|c)$) 을 학습합니다.
• 핵심 혁신 (Count-aware Fragment Representation): 기존 연구들이 분자의 존재 유무만 나타내는 이진 (binary) 인코딩을 사용했다면, NMIRacle 은 **조각의 발생 횟수 (count)**를 명시적으로 고려합니다.
  • 입력: 조각 식별자 ($f_j$) 와 해당 조각의 개수 ($c_j$).
  • 임베딩: 조각 타입과 개수를 각각 임베딩한 후 합쳐서 컨텍스트를 형성합니다.
  • 효과: 고리 패턴이나 사슬 확장 등 조각의 반복에 의존하는 구조적 규칙성을 더 정확하게 포착하여, SMILES 복원 정확도를 높입니다.

나. 2 단계: 분광 데이터 기반 미세 조정 (Spectra-to-Molecule Fine-tuning)

• 목표: 사전 학습된 생성기를 분광 데이터로 직접 조건부 (conditioning) 생성하도록 미세 조정합니다.
• 다중 분광 인코더 (Multi-spectral Encoder):
  • IR 및 $^1$H-NMR: 1D 합성곱 (Convolution) 과 학습 가능한 위치 인코딩을 사용하여 연속적인 강도 프로파일을 처리합니다.
  • $^{13}$C-NMR: 피크 강도보다 화학적 이동 (chemical shift) 위치가 중요하므로, 피크 탐지 후 80 개의 이산화 구간 (bins) 으로 변환하여 이진 벡터로 표현합니다.
  • 융합: 각 모달리티별 인코더를 통해 특징을 추출한 후, 모달리티 간 (Inter-modal) 트랜스포머를 통해 IR 과 NMR 신호 간의 상호 의존성 (예: 동일한 작용기에 대한 IR 흡수대와 NMR 화학적 이동의 연관성) 을 학습합니다.
• 조건부 생성: 분광 인코더가 생성한 잠재 임베딩 ($z_\psi(S)$) 이 1 단계에서 학습된 조각 기반 생성기의 조건부 입력으로 사용됩니다. 이는 분광 데이터가 분자의 조각 구성을 암시하는 연속적인 대리 변수 (surrogate) 로 작용함을 의미합니다.
• 다중 태스크 학습: 분자 SMILES 생성 손실과 분광 데이터로부터 분자 조각 구성을 예측하는 분류 손실을 동시에 최적화하여, 잠재 공간이 화학적으로 의미 있는 조각 정보를 인코딩하도록 유도합니다.

3. 주요 기여 (Key Contributions)

1. NMIRacle 프레임워크 제안: 원시 IR, $^1$H-NMR, $^{13}$C-NMR 스펙트럼의 조합을 직접 입력받아 분자 구조를 생성하는 최초의 다중 모드 생성 프레임워크 중 하나입니다.
2. Count-aware Fragment Representation: 기존 이진 인코딩을 대체하여 분자 내 조각의 '발생 횟수'를 고려한 표현 방식을 도입했습니다. 이는 분자 조립의 모호성을 줄이고 구조적 복원력을 크게 향상시킵니다.
3. 다중 분광 융합 아키텍처: IR 과 NMR 의 서로 다른 특성 (연속 강도 vs 이산 화학적 이동) 을 처리하고, 모달리티 간 주의 메커니즘 (attention) 을 통해 상호 보완적 정보를 효과적으로 통합합니다.
4. 강력한 일반화 성능: 최소한의 전처리와 사전 정보 없이도, 중원자 35 개까지 포함된 복잡하고 다양한 화학 조성을 가진 분자에서 기존 기법들을 압도하는 성능을 입증했습니다.

4. 실험 결과 (Results)

• 데이터셋: Alberts et al. (2024) 의 대규모 다중 분광 데이터셋 (약 79 만 개의 분자, IR/NMR 포함) 을 사용했습니다.
• 성능 비교:
  • Top-1 정확도: IR, $^1$H-NMR, $^{13}$C-NMR 을 모두 사용할 때 NMIRacle 은 0.48의 정확도를 기록하여, 차세대 모델인 NMR2Struct (0.41) 와 Spec2Mol 등을 능가했습니다.
  • 구조적 유사성: Tanimoto 유사도 (0.88) 와 그래프 편집 거리 (MCES) 에서 모든 베이스라인보다 우수한 결과를 보였습니다.
  • 복잡한 분자에 대한 강건성: 분자 복잡도 (중원자 수, 고유 원소 수, 고리 수) 가 증가할수록 성능이 유지되는 경향을 보였습니다. 기존 모델들은 분자가 복잡해질수록 성능이 급격히 떨어지는 반면, NMIRacle 은 안정적으로 높은 유사도를 유지했습니다.
• 조각 예측: 분광 데이터로부터 분자 조각의 존재와 개수를 예측하는 태스크에서도 높은 정확도 (Micro-F1 0.87) 를 달성했습니다.

5. 의의 및 결론 (Significance)

• 현실적인 적용 가능성: 실험실에서 직접 얻은 원시 데이터를 전처리 없이 직접 처리할 수 있어, 실제 화학 연구 환경에서의 적용 가능성을 높였습니다.
• 새로운 패러다임: 단순한 데이터베이스 매칭이나 단일 모드 분석을 넘어, 다중 분광 정보를 통합하여 새로운 분자 구조를 '창조 (De novo)'하는 AI 접근법의 새로운 기준을 제시했습니다.
• 향후 방향: 현재는 2D 구조 생성에 집중되어 있으나, 향후 3D 입체 구조 규명, 실험 데이터의 노이즈 적응 (Domain Adaptation), 그리고 확률적 추론을 통한 불확실성 정량화 등으로 확장될 수 있는 기반을 마련했습니다.

요약하자면, NMIRacle은 분광학 데이터의 복잡성을 극복하고, 조각 기반의 계층적 생성 모델과 다중 모드 융합 기술을 결합하여, 실험 데이터로부터 정확한 분자 구조를 규명하는 데 있어 기존 방법론보다 훨씬 강력하고 확장 가능한 솔루션을 제시한 연구입니다.