기술적 요약: GNN 기반 약물 독성 예측의 설명 가능성 격차 분류

문제 제기

그래프 신경망 (GNN) 은 원자 간 연결성에 직접 작동함으로써 분자 독성 예측에 구조적으로 자연스러운 접근 방식을 제공하지만, 근본적인 질문은 여전히 충분히 탐구되지 않은 채 남아 있습니다: 약물의 알려진 약리학 프로파일 중 실제로 분자 구조에 인코딩될 수 있는 비율은 얼마인가? Good Pharmacovigilance Practice(GVP) 및 새로운 접근 방법론 (NAMs) 과 같은 규제 체계가 인공지능을 점점 더 통합함에 따라, 구조 기반 예측의 한계를 이해할 필요성이 절실합니다. 구체적으로, 예측 실패가 고유한 생물학적 복잡성, 데이터 부족, 분석법 불일치, 또는 모델 표현 오류에서 기인하는지 여부는 불분명합니다.

방법론

본 연구는 광범위한 임상 역사, 잘 규명된 작용 기전 (표적 내 및 표적 외), 그리고 원자 수준의 해석 가능성을 용이하게 하는 작은 크기 (13 개의 무거운 원자) 를 가진 모델 화합물로 **아세틸살리실산 (ASA/아스피린)**을 사용합니다.

모델 아키텍처 및 학습

• 모델: Neural Network Convolution(NNConv) 기반의 메시지 전달 신경망 (MPNN) [Gilmer et al., 2017].
• 입력: RDKit 를 통해 구축된 분자 그래프로, 31 차원 원자 특징과 12 차원 결합 특징을 포함합니다.
• 학습: Tox21 벤치마크 (12 가지 독성 분석 말단) 에 대한 멀티태스크 학습. 모델은 전역 평균 풀링 레이어와 2 층 MLP 분류기를 사용합니다.
• 설명 가능성: GNNExplainer [Ying et al., 2019] 를 적용하여 원자 수준의 귀인 마스크를 생성합니다. "약리체 비율 (Pharmacophore Ratio)" 지표를 정의하여 모델이 올바른 화학적 하위 구조 (예: 방향족 고리 대비 카르복실기) 에 집중하는지 정량화합니다.
• 대조 실험: 표현 오류가 집계 단계에서 기인하는지 아니면 메시지 전달 레이어에서 기인하는지 테스트하기 위해 Attention Pooling 메커니즘 [Li et al., 2015] 을 구현합니다.

격차 분류 체계 구축

저자들은 예측 실패를 분류하기 위해 4 가지 범주의 분류 체계를 정의합니다:

1. GAP-1 (인코딩 불가): 분자 그래프에 없는 환자 수준의 맥락 (나이, 유전학) 이 필요한 효과.
2. GAP-2 (데이터 격차 / MNAR): 원칙적으로 구조적으로 예측 가능하지만 "무작위성이 아닌 결측 (Missing Not At Random, MNAR)" 메커니즘 (예: 독점 데이터) 으로 인해 공개 학습 데이터에서 누락된 효과.
3. GAP-3 (분석 패널 불일치): 학습 패널 (Tox21) 이 관련 생물학적 기전을 측정하는 분석법을 포함하지 않음.
4. GAP-4 (표현 오류): 학습 데이터의 교란으로 인해 올바른 특징이 존재함에도 불구하고 모델이 잘못된 구조적 특징을 예측자로 학습하는 경우.

실증적 검증

• MNAR 정량화: SR-MMP (미토콘드리아 막 전위) 활성 카르복실산에 대한 ChEMBL 데이터베이스의 체계적 쿼리를 수행하여 데이터 격차를 정량화했습니다.
• 매핑: Tox21 말단과 DrugBank 및 SIDER 에 문서화된 임상 부작용 간의 수동 매핑을 생성했습니다.

주요 결과

모델 성능 및 예측

• MPNN 은 Tox21 말단 전반에 걸쳐 평균 ROC-AUC 0.69를 달성했으며, 스트레스 반응 (SR-) 말단이 핵 수용체 (NR-) 말단보다 더 좋은 성능을 보였습니다.
• 중요 발견: ASA 를 평가할 때, 모델은 12 가지 Tox21 말단 모두를 음성 (0.5 임계값 미만) 으로 분류했습니다. 여기에는 ASA 독성과 약리학적으로 관련된 SR-MMP(학습 시 AUC 0.95) 와 SR-ARE가 포함됩니다. 모델은 일반 데이터셋에 대한 높은 학습 성능에도 불구하고 알려진 부작용을 예측하지 못했습니다.

귀인 분석 (GAP-4)

• SR-MMP 말단의 경우, GNNExplainer 는 평균 풀링 하에서 약리체 비율 0.646을 보여주었습니다. 이는 모델이 약리학적으로 관련된 카르복실기(원자 10–12) 대신 방향족 고리(원자 4–9) 에 잘못 집중했음을 나타냅니다. 이는 양성자 운반 메커니즘을 주도합니다.
• Attention Pooling 실험: 어텐션 게이트가 카르복실 원자를 올바르게 상향 가중치 ($\alpha = 0.62$) 했음에도 불구하고, 약리체 비율은 0.805로만 개선되어 "올바른 집중" 임계값에 도달하지 못했습니다. 이는 표현 오류가 집계 단계가 아닌 메시지 전달 레이어에 존재함을 확인시켜 주는데, 이는 학습 데이터가 다환 방향족 탄화수소와 교란되어 임베딩이 고리 중심으로 변했기 때문입니다.

격차 분류 체계 정량화

• 임상 부작용: 알려진 11 가지 ASA 부작용 중 구조적으로 인코딩 가능한 것은 **45%(5/11)**뿐입니다.
  • GAP-1 (인코딩 불가): 36%(예: 라이 증후군, 중독).
  • GAP-2 (MNAR): 9%(예: 이명; ChEMBL 에서 카르복실산에 대해 42 건의 분석법이 문서화되었으나 검색 가능한 생체 활성 항목은 0 건).
  • GAP-3 (분석 불일치): 18%(예: 위장관 출혈, 혈소판 억제).
  • GAP-4 (표현 오류): 9%(예: 간독성).
• Tox21 패널 커버리지: Tox21 말단의 **50%(6/12)**는 NSAID 에 대해 GAP-3 불일치를 나타내는데, 이는 패널이 COX-1 억제 또는 혈소판 기능 장애 메커니즘을 측정하지 않기 때문입니다.

중요성 및 주장

본 논문은 GNN 기반 독성 예측의 한계가 단순히 모델 아키텍처나 데이터 양의 문제가 아니라 구조적이고 체계적임을 주장합니다.

1. 실패의 분류 체계: 본 연구는 근본적으로 인코딩 불가능한 효과, 데이터 격차 (MNAR), 분석 불일치, 그리고 표현 오류를 구분하는 4 가지 범주의 격차 분류 체계 (GAP-1~GAP-4) 를 도입합니다. 이 프레임워크는 AUC 와 같은 집계 지표를 넘어 실패의 구체적인 근본 원인을 진단합니다.
2. MNAR 실증적 증거: 본 연구는 공개 데이터베이스에서의 MNAR 문제에 대한 실증적 증거를 제공하며, 특정 메커니즘 (예: 지용성 산에 의한 미토콘드리아 탈결합) 에 대한 중요한 데이터가 공개 저장소에는 부재하고 대신 독점 DMPK 데이터베이스에 존재함을 보여줍니다.
3. 표현 오류의 국소화: 어텐션 풀링 실험은 교란된 학습 분포로 인해 MPNN 의 메시지 전달 레이어에서 표현 오류 (GAP-4) 가 발생할 수 있음을 보여주며, 단순한 아키텍처 변경 (예: 어텐션 풀링) 은 근본적인 데이터 편향을 해결하지 않는 한 이를 수정하기에 충분하지 않음을 입증합니다.
4. 규제적 함의: 연구 결과는 현재 고속 스크리닝 (HTS) 패널 (Tox21 등) 과 NAM 이 특정 약물 클래스 (예: NSAID) 에 대해 구조적 맹점을 가질 수 있음을 시사합니다. 저자들은 NSAID 에 대한 50% 의 패널 불일치가 비임상 안전 커버리지의 정량적 한계를 구성한다고 주장하며, HTS 데이터에서의 메커니즘 부재를 보조 증거 없이 안전 음성 신호로 해석해서는 안 된다고 역설합니다.

본 연구는 이러한 격차를 해결하기 위해서는 표적화된 개입이 필요하다고 결론 내립니다: COX 특이적 분석 패널 (GAP-3 용), 독점 데이터 접근을 위한 연동 학습 (GAP-2 용), 그리고 시판 후 약물 감시 데이터베이스의 통합 (GAP-1 및 GAP-2 용).