SPADE: Faster Drug Discovery by Learning from Sparse Data

기술 요약: SPADE – 희소 데이터 학습을 통한 신속한 신약 개발

문제 정의
본 논문은 초기 단계 신약 개발의 치명적인 비효율성, 즉 사전 데이터가 존재하지 않는 새로운 표적 단백질에 대한 고친화도 리간드를 식별하는 과제를 다룹니다. 이 과정은 최소한의 설계 - 제작 - 테스트 - 분석 (DMTA) 사이클을 사용하여 특정 임계값 (예: PIC ≥ 8 또는 8.5) 이상의 결합 친화도 (pIC50 또는 PIC 로 측정) 를 가진 $k$개의 리간드를 찾는 "Race-to-k"문제로 프레임됩니다.

이 설정은 네 가지 근본적인 도전을 제시합니다:

1. 방대한 탐색 공간: 2,048 차원의 고차원 임베딩으로 표현된 수백만 개의 후보 리간드.
2. 극심한 데이터 희소성: 초기 스크리닝에서 성공하는 후보는 5% 미만이며, 새로운 단백질의 경우 모델은 라벨이 지정된 데이터가 전혀 없는 상태에서 시작하여 순차적이고 적응적으로 수집된 관찰로부터 학습해야 합니다.
3. 불균형 신호: "양성 클래스 (고친화도 리간드)"는 극도로 작아, 현재 데이터셋에서 종종 $k-1$개의 리간드만으로 구성됩니다.
4. 고처리량 요구사항: 알고리즘은 각 사이클에서 $10^5$에서 $10^6$개의 미검증 리간드를 점수화해야 하므로 극도의 계산 속도가 필요합니다.

베이지안 최적화 (친화도와 불확실성을 추정) 나 딥러닝과 같은 표준 접근법은 고차원이고 데이터가 희소한 영역에서의 정확한 추정 어려움과 수백만 개의 후보를 점수화하는 데 드는 계산 비용으로 인해 여기서 어려움을 겪습니다.

방법론: SPADE
제안된 알고리즘인 SPADE(Drug Exploration 가속화를 위한 희소 데이터 예측) 는 표준 친화도 추정과 달리 분류 기반 선택 전략을 채택함으로써 이점을 다릅니다.

1. 추정 대신 분류: SPADE 는 모든 리간드에 대한 연속적인 PIC 값을 예측하는 대신 더 간단한 작업인 현재 $k$번째 최상위 리간드를 능가할 수 있는 후보 리간드인지 예측하는 데 초점을 맞춥니다. 이는 상위-$k$ 집합을 개선하는 목표를 직접 최적화합니다.
2. 희소성 하의 견고한 학습: 양성 클래스가 극도로 작은 극심한 불균형을 처리하기 위해 SPADE 는 소수의 양성 예제에 대한 경험적 위험을 최소화하지 않습니다. 대신 현재 상위-$k$ 리간드 각각에 대해 별도의 견고한 분류기 $C_i$를 훈련시킵니다.
   • 임베딩 $x_i$를 가진 양성 리간드 $i$에 대해, 분류기는 $x_i$를 모든 음성 리간드 ($S^-$) 로부터 분리하도록 훈련됩니다.
   • 결정적으로, 양성 클래스에 대한 손실 함수는 점 자체의 손실이 아니라 $x_i$를 중심으로 한 가우시안 분포 ($N(x_i, \sigma^2 I)$) 에 대한 기대 손실로 정의됩니다. 이는 과적합을 방지하고 모델이 안정적인 패턴을 학습하도록 장려하는 원칙적인 정규화제 역할을 합니다.
   • 저자들은 이 기대 손실에 대한 **폐형 표현 (closed-form expression)**을 유도하여 (Theorem 3.1) 샘플링의 필요성을 제거하고 계산 효율성을 보장합니다.
3. 점수화 및 선택: 각 DMTA 사이클에서 SPADE 는 현재 상위 리간드로 훈련된 분류기들의 출력에 가중 합을 취하여 미검증 리간드에 점수를 매깁니다. 가장 높은 점수를 받은 리간드가 다음 실험 사이클을 위해 선택됩니다.
4. 구현 세부 사항: 알고리즘은 단일 고성능 리간드가 너무 많은 사이클에 걸쳐 미래 선택을 지배하는 것을 방지하기 위해 그 영향력을 제한합니다. 하이퍼파라미터 (견고성 매개변수 $\sigma$ 등) 는 민감하지 않은 것으로 나타나 개별 단백질 조정 없이 일관된 성능을 제공합니다.

주요 기여

• 문제 정의: 새로운 단백질에 대한 초기 단계 신약 개발을 희소하고 순차적인 Race-to-$k$문제로 재정의.
• 알고리즘적 혁신: 글로벌 친화도 추정을 현재 상위-$k$를 능가하는 타겟 예측으로 대체하는 분류 기반 선택 방법 도입.
• 견고한 정규화: 샘플링 없이 극심한 클래스 불균형과 노이즈를 처리하기 위해 가우시안 분포에 대한 폐형 기대 손실 유도.
• 데이터셋 구축: 현실적인 희소성 조건 하에서 순차적 리간드 발견을 벤치마크하기 위한 새로운 150 만 개 항목의 PubChem 기반 데이터셋 구성.
• 실증적 검증: 100 개의 단백질에 걸쳐 최첨단 베이스라인보다 일관된 우월성 입증.

실험 결과
저자들은 100 개의 단백질에 대해 SPADE 를 베이지안 최적화 방법 (GP-UCB, GP-EI, GP-PI 와 같은 가우시안 프로세스 변형), 딥러닝 모델 (TabPFN, TabM), 그리고 표준 분류기 (XGBoost, MLP) 와 비교 평가했습니다.

• 샘플 효율성: SPADE 는 목표 PIC 에 도달하기 위해 일관되게 더 적은 리간드 테스트를 필요로 했습니다. 목표 PIC 가 8 인 경우, SPADE 는 평균 2940 회의 테스트만 필요했습니다. 가장 가까운 경쟁자와 비교할 때 SPADE 는 샘플 효율성 (필요한 테스트 횟수 감소) 에서 **중앙값 7%32% 개선**을 달성했습니다.
• 승률: 직접 비교에서 SPADE 는 무작위보다 훨씬 더 자주 1 위를 차지하는 "신뢰할 수 있는 더 나은 방법"으로 대부분의 단백질, 특히 목표 PIC 가 8 및 8.5 일 때 나타났습니다.
• 계산 속도: SPADE 는 후보 리간드 점수화 시 가장 가까운 경쟁자 (GP-PI) 보다 10 배 빠릅니다. GP 방법은 $10^6$개의 리간드 점수화에 약 39 초가 걸린 반면, SPADE 는 약 4 초가 걸렸습니다.
• 견고성: 이 방법은 리간드 임베딩 (ECFP, MACCS, ChemBERTa) 선택에 강건하며, 견고성 매개변수 $\sigma$를 제외하고는 대부분의 하이퍼파라미터에 민감하지 않습니다.
• 실패 모드: SPADE 는 목표 PIC 가 극도로 드문 경우 (예: <0.5% 의 리간드만 기준을 충족하는 PIC ≥ 9) 에만 목표 달성에 실패했습니다.

의의 및 주장
본 논문은 SPADE 가 새로운 단백질에 대한 신약 개발의 " haystack 속의 바늘"문제에 대한 실용적인 해결책을 제공한다고 주장합니다. 연속 분포를 추정하는 것에서 최상위 수행자를 견고하게 식별하는 것으로 목표를 전환함으로써 SPADE 는 상당한 비용 및 시간 절감을 달성합니다. 저자들은 사전 단백질 정보 없이 극도로 희소한 데이터로부터 학습할 수 있는 방법의 능력과 높은 처리량 속도가 신약 개발 초기 단계를 가속화할 수 있는 실현 가능한 도구로 만든다고 강조합니다. 결과는 SPADE 가 기존 딥러닝 및 베이지안 최적화 접근법보다 효율성과 속도 모두에서 40 회 이하의 테스트로 10 개의 고품질 리간드를 식별할 수 있음을 시사합니다.