KANEL: Kolmogorov-Arnold Network Ensemble Learning Enables Early Hit Enrichment in High-Throughput Virtual Screening

이 논문은 다양한 분자 표현을 기반으로 한 해석 가능한 콜모고로프 - 아르논드 네트워크 (KAN) 와 기존 머신러닝 모델을 결합한 앙상블 워크플로우 'KANEL'을 제안하여, 가상 스크리닝에서 초기 히트 선별 효율을 높이는 방법을 제시합니다.

핵심

📚 1. 배경: 거대한 도서관과 작은 도서관 사서

상상해 보세요. 전 세계의 모든 화학 물질이 담긴 거대한 도서관이 있다고 칩시다. (약 780 억 권의 책이 있다고 합니다!)
약물 개발자들은 이 도서관에서 '질병을 치료할 수 있는 마법의 책 (약물 후보)'을 찾아야 합니다. 하지만 실험실에서는 한 번에 몇 백 권의 책만 테스트해 볼 수 있습니다.

• 기존 방식 (AUC 등): 도서관 전체의 책들이 얼마나 잘 정리되어 있는지 '평균 점수'를 매기는 방식입니다. 전체는 잘 정리되어 있어도, 정작 우리가 가장 먼저 꺼내야 할 '최고의 책'이 책장 맨 아래에 숨겨져 있다면 소용없습니다.
• 이 연구의 목표 (PPV@128): "책장 맨 윗부분 128 권 안에 진짜 마법의 책이 몇 권이나 들어 있을까?"를 묻는 것입니다. 실험실에서는 딱 128 개만 테스트할 수 있기 때문에, 이 '맨 윗부분'의 정확도가 가장 중요합니다.

🤖 2. KANEL 이란 무엇인가? (지혜로운 심사 위원단)

기존에는 한 명의 '슈퍼 심사 위원 (단일 AI 모델)'이 모든 책을 평가했습니다. 하지만 KANEL 은 **다양한 배경을 가진 심사 위원들이 모여 토론하는 '위원회 (Ensemble)'**입니다.

• 다양한 심사 위원들:
  • KAN (콜모고로프-아르놀드 네트워크): 새로운 스타일의 AI 로, 복잡한 규칙을 직관적이고 이해하기 쉬운 그래프로 설명해 줄 수 있는 '해설가' 역할을 합니다.
  • XGBoost, 랜덤 포레스트 등: 기존에 검증된 베테랑 심사 위원들입니다.
• 다양한 책 읽기 방법 (특징):
  • 어떤 위원은 책의 **제목과 목차 (분자 지문)**만 보고 판단합니다.
  • 어떤 위원은 책의 **글자 수와 문장 구조 (분자 기술자)**를 분석합니다.
  • KANEL 은 이 모든 위원의 의견을 **가중치 (중요도)**를 두어 합칩니다.

🏆 3. 주요 성과: "맨 윗부분"을 어떻게 바꿨나?

이 연구는 5 개의 실제 약물 데이터 (PubChem) 로 실험을 했습니다. 결과는 놀라웠습니다.

• 단일 심사 위원 vs 위원회:
  • 가장 뛰어난 '단일 심사 위원'이 128 권 중 36 권의 마법 책을 찾아냈다면 (정확도 36%),
  • KANEL 위원회는 128 권 중 48 권을 찾아냈습니다 (정확도 48%).
  • 이는 약 40% 의 성능 향상입니다. 마치 100 명 중 12 명을 찾던 사람이 100 명 중 16 명을 찾게 된 것과 같습니다.
• 가장 중요한 발견:
  • 모든 위원을 한 테이블에 앉혀서 한 번에 읽게 하는 것보다, 각자 다른 방식으로 책을 읽은 뒤 결과를 합치는 것이 훨씬 더 정확했습니다.
  • 특히 '분자 지문 (Morgan Fingerprints)'이라는 방법을 쓴 위원이 가장 잘했지만, 다른 방법과 섞었을 때 더 큰 시너지가 나왔습니다.

🧪 4. 검증: 우연이 아니었다!

"혹시 운이 좋았을 뿐인가?"라는 의심을 하기 위해, 연구진은 **Y-랜덤화 (Y-randomization)**라는 장난을 치는 실험을 했습니다.

• 실험: 진짜 정답 (약이 되는지 여부) 을 무작위로 뒤섞어서 AI 에게 학습시켰습니다.
• 결과: AI 의 성능이 뚝 떨어졌습니다. 이는 KANEL 이 단순한 운이나 데이터의 오류가 아니라, 실제 화학 물질과 약효 사이의 진짜 관계를 학습했음을 증명합니다.

💡 5. 결론: 왜 이것이 중요한가?

이 연구는 약물 개발의 **'초기 단계'**에서 가장 중요한 결정을 내릴 때, 인공지능이 얼마나 효율적으로 도움을 줄 수 있는지 보여줍니다.

• 간단한 비유:
  • 예전에는 도서관 전체를 훑어보느라 시간이 오래 걸리고, 중요한 책이 놓칠 수도 있었습니다.
  • KANEL은 다양한 전문가들이 모여 '가장 유망한 책 128 권'을 골라내는 명함을 만들어줍니다.
  • 덕분에 과학자들은 실험실로 가서 테스트해야 할 물질을 훨씬 더 정확하게, 빠르게 고를 수 있게 됩니다.

한 줄 요약:

"수많은 후보 물질 중에서 실험실 테스트에 들어갈 '최고의 128 개'를 찾아내는 데, 다양한 AI 모델들이 팀을 이루어 협력하는 방식 (KANEL) 이 혼자 일하는 것보다 훨씬 더 정확하고 효율적입니다."

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 초대규모 화합물 라이브러리의 도전: Enamine REAL SPACE와 같은 완전히 열거된 화학 라이브러리는 781 억 개 이상의 분자를 포함하여, 기존의 분자 도킹 (Molecular Docking) 방법으로는 실험적 후속 조치가 불가능할 정도로 계산 비용이 높습니다.
• 기존 평가 지표의 한계: 가상 스크리닝 (Virtual Screening, VS) 에서 실험적으로 검증 가능한 화합물의 수는 극히 제한적입니다. 따라서 전체 라이브러리의 평균적인 순위 정확도를 평가하는 전통적인 지표 (AUC, Balanced Accuracy 등) 는 실제 실험적 의사결정에 적합하지 않습니다.
• 핵심 문제: 실험실에서는 상위 N 개 (예: 128 개) 의 화합물만 선별하여 테스트하므로, **상위 순위의 화합물들이 실제 활성 물질 (True Actives) 로 얼마나 풍부하게 채워져 있는지 (Early Hit Enrichment)**를 평가하는 것이 가장 중요합니다. 기존 연구들은 불균형 데이터셋을 균형 있게 샘플링하는 것보다, 불균형 상태를 유지한 채 **PPV@N (Top N 에 대한 양성 예측도)**을 최적화하는 것이 더 높은 초기 풍부도를 제공함을 주장했습니다.

2. 제안된 방법론 (Methodology)

저자들은 KANEL이라는 새로운 앙상블 워크플로우를 제안하며, 다음과 같은 핵심 요소들을 결합합니다.

• 모델 아키텍처 (Ensemble Workflow):
  • KAN (Kolmogorov-Arnold Networks): 해석 가능한 단변수 응답 함수를 학습하는 새로운 신경망 아키텍처 (FasterKAN, ReluKAN) 를 앙상블 구성 요소로 도입하여 다양성과 해석 가능성을 확보합니다.
  • 기존 모델: XGBoost, Random Forest (RF), Multilayer Perceptron (MLP) 등 다양한 모델 군을 활용합니다.
• 분자 표현 (Molecular Representations):
  • 세 가지 상보적인 분자 기술자 (Descriptor) 를 사용합니다: LillyMol 기술자, RDKit 기반 기술자, Morgan Fingerprints (서클형 지문).
  • 단일 모델에 모든 특징을 연결 (Concatenation) 하는 방식보다, 각 특징 집합에 특화된 모델을 학습시킨 후 예측 단계에서 결합하는 전략을 채택합니다.
• 학습 및 검증 프로토콜:
  • 데이터: PubChem BioAssay 의 5 개 공개 데이터셋 (AID 485314, 485341, 504466, 624202, 651820) 을 사용하며, 모두 활성 비율이 0.53%~4.12% 로 매우 불균형합니다.
  • 최적화: Optuna 를 사용하여 하이퍼파라미터를 최적화하며, 목적 함수는 내부 교차검증에서의 Mean PPV@512로 설정했습니다.
  • 앙상블 전략: 단순 평균, 요소별 곱셈, 그리고 **Optuna 최적화 가중치 앙상블 (Weighted Ensemble)**을 비교했습니다.
  • 평가 지표: 주요 지표는 실험적 플레이트 크기 (128 개 웰) 에 부합하는 PPV@128이며, ROC-AUC, BEDROC, Average Precision 등도 보조 지표로 사용합니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 앙상블의 성능 우위

• 5 개 데이터셋 전반에 걸쳐 Optuna 최적화 가중치 앙상블이 단일 최선 모델 (Best Single Model) 보다 일관되게 우수한 성능을 보였습니다.
• PPV@128 개선: 절대적 개선폭은 0.06~0.12, 상대적 개선률은 **9%~40%**에 달했습니다.
  • 예시: AID 624202 에서 PPV@128 이 0.36 에서 0.48 로 상승 (절대적 +0.12).
  • 예시: AID 485341 에서 0.15 에서 0.21 로 상승 (상대적 +40%).

B. 특징 표현 (Feature Representation) 의 중요성

• Morgan Fingerprints 우세: LillyMol 기술자보다 Morgan Fingerprints 기반 모델이 모든 지표에서 현저히 우수한 성능을 보였습니다.
• 특화 모델 앙상블 vs 단일 연결 모델: 모든 특징을 하나로 연결하여 단일 모델을 학습하는 것보다, 각 특징 집합에 특화된 모델을 학습 후 예측 단계에서 결합하는 (Prediction-level fusion) 방식이 더 높은 PPV@128 (0.88 vs 0.83) 을 달성했습니다.

C. 모델 해석 가능성 및 신뢰성

• Y-randomization 테스트: 라벨을 무작위로 교란 (50% corruption) 시켰을 때 모델 성능이 급격히 저하됨을 확인하여, 모델이 우연한 상관관계가 아닌 실제 구조 - 활성 관계 (SAR) 를 학습했음을 입증했습니다.
• KAN 의 역할: KAN 은 단일 모델로서 지배적인 성능을 내기보다는, 앙상블 내에서 **해석 가능성 (Interpretability)**과 **다양성 (Diversity)**을 제공하는 핵심 구성 요소로 작용했습니다.

D. 그래프 신경망 (GNN) 예비 연구

• AID 504466 에서 GNN 을 적용한 결과, 단일 모델로서는 경쟁력 있는 성능 (PPV@128 0.80) 을 보였으나, 전체 가중치 앙상블 (0.88) 에는 미치지 못했습니다. 계산 비용이 높고 실험이 제한적이었으나, 향후 앙상블 구성 요소로 통합할 가치가 있음이 시사되었습니다.

4. 의의 및 결론 (Significance & Conclusion)

• 실용적 가치: KANEL 은 가상 스크리닝의 초기 단계에서 실험적으로 검증할 화합물을 선별 (Hit Triage) 할 때, PPV@128과 같은 실행 가능한 지표를 최적화하여 연구 효율성을 극대화합니다.
• 방법론적 통찰:
  1. 최적화 목표는 전체 순위가 아닌 **상위 순위의 풍부도 (Early Enrichment)**여야 함.
  2. 단일 최강 모델보다는 상보적인 표현 (Representation) 과 모델 군을 결합한 앙상블이 더 효과적임.
  3. KAN은 해석 가능한 앙상블 구성 요소로서 가치가 높음.
• 향후 과제: 더 많은 어레이 (Assay) 로의 확장, 스캐폴드 기반 (Scaffold-based) 검증, GNN 통합, 해석 가능성의 정량화, 그리고 실제 실험적 약물 발견 프로젝트에서의 전향적 (Prospective) 검증이 필요합니다.

이 논문은 데이터 기반 약물 발견 분야에서 해석 가능한 KAN 기반 앙상블 학습이 고처리량 가상 스크리닝의 초기 히트 선별 문제를 해결하는 신뢰할 수 있는 워크플로우임을 입증했습니다.