기술 요약: 역합성 반응에서 순서의 중요성

문제 정의

단일 단계 역합성(retrosynthesis) 예측은 유기 화학 및 신약 개발의 핵심 과제로, 표적 화합물을 생성하기 위한 전구체 분자를 식별하는 것을 목표로 한다. 기존의 접근 방식은 크게 세 가지 패러다임으로 나뉘며, 각각 뚜렷한 한계를 지닌다:

1. **템플릿 기반 방법(Template-based methods)**은 고정된 반응 라이브러리에 의존하며, 해석 가능성은 높지만 템플릿 집합 외의 새로운 반응에 대한 일반화 능력이 부족하다.
2. **세미 템플릿 방법(Semi-template methods)**은 반응 중심(reaction center) 식별과 신톤(synthon) 완성을 단계별로 분해한다. 이 방식은 다루기 더 용이하지만, 신톤을 완성하기 위한 사전 정의된 규칙에 묶여 있어 생성의 유연성이 제한된다.
3. **템플릿 프리 방법(Template-free methods)**은 역합성을 엔드 투 엔드(end-to-end) 블랙박스 시퀀스 생성 문제로 취급한다. 최대의 유연성을 제공하지만, 화학 반응의 본질적인 구조적 분해를 무시하여 학습 효율이 낮고 높은 성능을 달성하기 위해 방대한 데이터나 모델 규모를 요구한다.

본 연구가 해결하고자 하는 핵심 과제는 고정된 템플릿이나 무차별적인 규모 확장(brute-force scaling)에 의존하지 않고, 세미 템플릿 방식의 구조적 통찰력과 템플릿 프리 방식의 생성 유연성을 어떻게 결합할 것인가이다.

방법론

저자들은 원자 순서(atom ordering)가 신경망 표현의 학습 효율에 유의미한 영향을 미친다는 통찰을 바탕으로, **구조 인식형 템플릿 프리 프레임워크(structure-aware template-free framework)**를 제안한다. 이 방법론은 세 가지 주요 구성 요소로 이루어진다:

1. 반응 중심 가이드형 원자 순서 (Reaction-Center-Guided Atom Ordering)

이 프레임워크는 단일 단계 역합성이 반응 중심을 식별하고 그에 상응하는 반응물 구조를 생성하는 두 단계로 자연스럽게 분해된다는 가설에 기초한다. 이를 **위치적 귀납적 편향(positional inductive bias)**으로 인코딩하기 위해, 저자들은 특정 그래프 순회 전략을 도입한다:

• 루팅(Rooting): 반응 중심 원자(학습 중에는 원자 매핑을 통해 식별되거나 추론 중에 예측됨)를 루트 노드로 지정한다.
• 순회(Traversal): 분자 그래프를 반응 중심으로부터 시작하여 순회하며, 이 원자들을 노드 시퀀스의 **헤드(head)**에 배치한다.
• 구조(Structure): 결과적인 시퀀스는 "헤드-바디-테일(Head-Body-Tail)" 구조를 따른다:
  • 헤드(Head): 반응 중심 원자들.
  • 바디(Body): 분자 골격(루트로부터의 위상적 거리에 따라 정렬됨).
  • 테일(Tail): 이탈기(leaving groups, 생성물에는 존재하지만 반응물에는 존재하는 원자)를 위한 자리 표시자 역할을 하는 더미 노드.
• 데이터 증강(Data Augmentation): 학습 과정에서 각 고유한 반응 중심 원자에서 그래프를 루팅함으로써 단일 반응에 대해 여러 샘플을 생성하며, 이를 통해 모델이 모든 활성 부위의 관점에서 패턴을 학습하도록 강제한다.

2. RetroDiT 아키텍처

정렬된 구조를 효과적으로 포착하기 위해, 저자들은 정렬된 분자 그래프에 최적화된 그래프 트랜스포머 백본인 RetroDiT를 설계하였다.

• 회전 위치 임베딩(Rotary Position Embeddings, RoPE): 학습 가능하거나 위상적인 위치 인코딩을 사용하는 표준 그래프 트랜스포머와 달리, RetroDiT는 RoPE를 사용한다. 이를 통해 어텐션 메커니즘이 상대적 위치를 명시적으로 모델링할 수 있게 한다. 제안된 순서에서 상대적 위치는 반응 중심으로부터의 위상적 거리와 상관관계를 가지며, 이를 통해 모델이 반응 중심과 이탈기 사이의 "헤드-투-테일(Head-to-Tail)" 상호작용을 학습할 수 있게 한다.
• 아키텍처: 모델은 멀티 헤드 셀프 어텐션(에지 정보에 의해 조절됨) 레이어와 피드포워드 네트워크를 통해 노드 및 에지 특징을 처리하며, 생성 궤적을 처리하기 위해 가산적 시간 컨디셔닝(additive time conditioning)을 적용한다.

3. 이산 흐름 매칭 (Discrete Flow Matching, DFM)

생성 과정은 표준 확산(diffusion)이 아닌 이산 흐름 매칭(Discrete Flow Matching) 문제로 정식화된다.

• 선형 보간(Linear Interpolation): 소스 분포는 생성물 그래프($G_0$)이고 타겟은 반응물 그래프($G_1$)이다. 확률 경로(probability path)는 $t \in [0, 1]$ 동안 이 두 구조적 상태 사이를 선형적으로 보간한다.
• 학습(Training): 모델은 중간 상태 $G_t$가 주어졌을 때 타겟 분포 $p_{1|t}$를 예측하도록 크로스 엔트로피 손실을 사용하여 학습된다. 이 방식은 시뮬레이션이 필요 없는(simulation-free) 방식으로, 미분 방정식을 풀 필요가 없다.
• 추론(Inference): 생성은 $t=0$에서 $t=1$까지 연속 시간 마르코프 체인(CTMC)을 시뮬레이션하여 진행된다. 주요 장점은 효율성이다. 이 방법은 기존 확산 기반 방법들이 일반적으로 500단계를 요구하는 것에 비해, 20~50단계만으로도 고품질의 생성을 달성한다.

모듈형 추론 파이프라인

이 프레임워크는 반응 중심 예측과 구조 생성을 분리한다:

1. 1단계: 경량화된 관계형 그래프 합성곱 신경망(R-GCN)이 반응 중심 확률을 예측한다. 상위 $k$개의 원자가 후보 루트로 선택된다.
2. 2단계: 각 후보 루트에 대해 그래프를 재정렬하고, RetroDT가 CTMC 샘플링을 통해 반응물을 생성한다.
   이러한 모듈성은 구성 요소의 독립적인 최적화를 가능하게 하며, 향후 반응 중심 예측의 개선이 전체 성능 향상으로 직접 이어지도록 보장한다.

주요 기여

1. 구조 인식 패러다임: 반응 중심을 기준으로 한 원자 순서 배치를 통해 역합성의 2단계 특성을 위치적 귀납적 편향으로 인코딩함으로써, 명시적인 템플릿 없이도 템플릿 프리 프레임워크를 도입하였다.
2. RetroDT 및 이산 흐름 매칭: 구조적 사전 지식을 포착하기 위해 회전 위치 임베딩을 갖춘 그래프 백본을 제안하였으며, 이산 흐름 매칭을 결结合하여 기존 확산 방법 대비 6배 빠른 학습 속도와 최대 25배 적은 샘플링 단계로 최첨단(SOTA) 성능을 달성하였다.
3. 체계적 분석: 구조적 귀납적 편향이 무차별적 규모 확장보다 우수함을 입증하는 경험적 근거를 제시하였다. 적절한 순서가 적용된 280K 파라미터 모델이 순서가 없는 65M 파라미터 모델의 성능과 대등한 결과를 보여주었다.
4. 병목 구간 식별: 반응 중심 예측 정확도가 주요 성능 병목임을 확인하여, 향후 개선을 위한 명확한 방향을 제시하였다.

실험 결과

본 방법론은 USPTO-50k 및 대규모 USPTO-Full 데이터셋에서 평가되었다.

• 예측된 반응 중심 사용 시 성능:
  • USPTO-50k: **61.2%**의 Top-1 정확도를 달성하여, 기존 템플릿 프리 방법(예: RetroBridge 50.8%)보다 10포인트 이상 높았으며 모든 세미 템플릿 베이스라인을 능가했다.
  • USPTO-Full: **51.3%**의 Top-1 정확도를 달성하여, 모든 비-LLM 템플릿 기반, 세미 템플릿 및 템플릿 프리 베이스라인을 앞질렀다.
• 오라클(Oracle) 반응 중심 사용 시 성능 (상한선):
  • USPTO-50k: 71.1% Top-1 정확도.
  • USPTO-Full: 63.4% Top-1 정확도.
  • 이러한 결과는 100억 개의 반응 데이터로 학습된 파운데이션 모델(예: RSGPT)보다 훨씬 적은 데이터(50k 샘플)와 현저히 적은 파라미터를 사용했음에도 불구하고 이를 능가한다.
• 효율성: 학습 속도가 이전 베이스라인보다 6배 빠르다. 추론에는 기존 확산 방법의 500단계와 비교하여 단 20~50단계의 샘플링만 필요하다.
• 어블레이션 연구(Ablation Studies):
  • 순서 vs 규모 확장: 적절한 순서 배치는 순서가 없는 작은 모델(280K)이 큰 모델(65M)의 성능을 따라잡을 수 있게 한다.
  • 위치 인코딩: RoPE는 필수적이다. 이것 없이는 모델이 구조적 순서를 효과적으로 활용할 수 없다.
  • 민감도: 생성 정확도는 반응 중심 예측 정확도와 강력한 상관관계를 가진다. 반응 중심 정확도가 약 35~40% 미만인 경우 구조적 편향이 오히려 해가 될 수 있으나, 그 이상의 경우에는 일관된 이점을 제공한다.

의의 및 주장

본 논문은 역합성에서 순서가 중요하다고 주장한다. 화학적 지식(반응 중심)을 입력 시퀀스의 위치 구조에 명시적으로 인코딩함으로써, 모델은 작업을 블랙박스 변환으로 취급하는 것보다 더 효율적으로 화학 법칙을 학습할 수 있다.

저자들은 잘 설계된 귀납적 편향이 무차별적인 규모 확장보다 더 효과적임을 강조한다. 이들의 접근 방식은 도메인 특화된 구조적 사전 지식이 거대 파운데이션 모델에 비해 훨씬 작은 모델과 적은 데이터로도 최첨단 성능을 달erm할 수 있음을 보여준다. 이 연구는 AI for Science 분야에서 대규모 데이터 스케일링에서 벗어나, 생성 모델에 화학적 구조를 지능적으로 통합하는 방향으로의 전환을 시사하며, 이는 효율적이고 정확한 분자 설계의 유망한 방향을 제시한다. 주요 한계점으로 식별된 것은 상위 단계의 반응 중심 예측기이며, 모듈형 프레임워크는 향후 이를 개선할 수 있도록 설계되었다.