기술 요약: SCENT – 후각 지각을 위한 분자 구조와 질량 스펙트럼의 정렬

문제 제기

계산 후각학은 분자 구조에서 인간의 후각 지각을 예측하는 데 있어 (정량적 구조 - 후각 관계, QSOR) 상당한 진전을 이루었습니다. 그러나 기존 최첨단 모델들은 추론 시 입력으로 명시적인 화학 구조 (예: SMILES 문자열 또는 분자 그래프) 에 의존합니다. 이 요구 사항은 근본적인 배포 격차를 만듭니다: 실제 세계 감지 시나리오에서 명시적인 분자 구조를 획득하는 것은 특수 장비, 화학 전문 지식, 그리고 수 시간의 획득 시간이 필요하므로, 현재 모델들을 신속한 현장 감지에 실용적으로 만들기 어렵게 만듭니다.

전자 코 (electronic noses) 와 같은 신속 감지 기술이 존재하지만, 이들은 종종 화학적 해석 가능성이 제한된 비특이적 신호를 생성합니다. 반면, 직접 전자 이온화 질량 분석 (EI-MS) 은 신속한 획득 (초 단위) 과 화학적으로 정보 풍부한 분해 지문을 제공하지만, 역사적으로 후각 예측에는 미활용되어 왔습니다. EI-MS 스펙트럼을 원시 신호로 취급하는 이전의 엔드 - 투 - 엔드 접근 방식들은 분해 패턴 내에 인코딩된 암묵적 화학 정보를 명시적으로 활용하지 못했습니다.

방법론

저자들은 신속한 질량 스펙트럼 감지와 화학적으로 기반을 둔 후각 지각 사이의 격차를 해소하도록 설계된 다중 모달 대비 학습 프레임워크인 SCENT(Spectrum-to-Chemical Embedding aligNmenT) 를 제안합니다. 이 프레임워크는 두 단계로 작동합니다:

1. 모달리티 정렬

SCENT 는 CLIP 에서 영감을 받은 대비 학습 목적을 사용하여 두 가지 다른 모달리티의 표현을 정렬합니다:

• 질량 스펙트럼 인코더 (학습 가능): 이 모델은 질량 대 전하비 ($m/z$) 와 강도로 인덱싱된 피크로 구성된 EI-MS 데이터를 처리합니다. 합계 풀링을 사용하는 이전 연구 (예: EIMS2Vec) 와 달리, SCENT 는 네 개의 자기 주의 헤드가 있는 2 층 트랜스포머 인코더를 사용하여 피크 공발생을 인코딩합니다. 최종 임베딩은 학습 가능한 [CLS] 토큰에 적용된 투사 MLP 에서 파생됩니다. 피크 강도는 지수 스케일링 ($p=0.5$) 을 사용하여 가중치가 부여됩니다.
• 화학 구조 인코더 (동결): "화학적 진실"을 제공하기 위해, SCENT 는 SMILES 문자열에서 파생된 사전 훈련된 분자 구조 임베딩과 MS 임베딩을 정렬합니다. 두 개의 동결된 인코더가 사용됩니다:
  • Open-POM: 후각 예측에 특히 최적화된 재훈련된 메시지 전달 그래프 신경망 (GNN).
  • MolFormer: 11 억 개 이상의 분자로 사전 훈련된 대규모 파운데이션 모델.
• 학습 목적: 이 프레임워크는 $N$개의 쌍으로 구성된 미니배치에 대해 대칭 대비 손실 (식 1) 을 최소화합니다. 이는 MS 임베딩과 해당 구조 임베딩 간의 코사인 유사도를 최대화하면서 배치 내의 불일치 쌍에 대한 유사도를 최소화합니다. 이는 추론 시 명시적 구조가 필요 없이 MS 인코더가 스펙트럼 표현 내에 화학 구조 정보를 증류하도록 강제합니다.

2. 하류 후각 예측

정렬이 완료되면, MS 인코더는 동결되고 오직 질량 스펙트럼만을 입력으로 사용하여 두 가지 하류 작업에서 평가됩니다:

• 다중 레이블 후각 기술자 예측: 138 개의 기술자로 구성된 GS-LF 데이터셋을 사용하여, 가중 이진 교차 엔트로피 손실을 가진 학습 가능한 2 층 MLP 분류 헤드를 사용합니다.
• 인간 지각 평가 회귀: 21 개의 기술자로 구성된 DREAM 데이터셋을 사용하여, 고정된 임베딩에 대한 릿지 회귀를 사용하여 연속적인 인간 평가 (0–99 스케일) 를 예측합니다.

주요 기여

1. 신속 감지를 위한 최초의 계산 후각 모델: SCENT 는 훈련 중 고품질 구조 정보를 활용하면서 추론 시 오직 신속한 신호 기반 측정 (EI-MS) 만 의존하는 최초의 모델입니다.
2. 교차 모달 정렬 프레임워크: 이 논문은 EI-MS 표현을 분자 구조 임베딩과 정렬하기 위한 CLIP 스타일의 대비 학습 접근법을 도입하여, 화학적 의미론을 스펙트럼 임베딩으로 효과적으로 전이합니다.
3. 도메인 격차에 대한 강건성: 저자들은 학습된 표현이 피크 강도와 배경 잡음의 차이에도 불구하고, 라이브러리 참조와 비교하여 30 개의 단일 분자 향료에서 측정된 실제 세계 실험실 스펙트럼에 대해 일반화됨을 입증합니다.

결과

이 논문은 MS 만의 베이스라인 (EIMS2Vec) 과 구조 기반 상한선 (Open-POM, MolFormer) 에 대해 SCENT 를 평가합니다:

• 후각 기술자 예측: 필터링된 GS-LF 벤치마크에서 SCENT 는 MS 만의 베이스라인을 크게 능가합니다.
  • SCENT (MolFormer) 는 89.99의 마이크로 -AUC 를 달성하여 구조 기반 MolFormer (89.29) 와의 격차를 좁히고 정렬되지 않은 EIMS2Vec (87.98) 을 능가합니다.
  • SCENT 는 모든 레이블 빈도 구간에서 일관된 개선을 보여주며, 특히 저빈도 및 중빈도 카테고리에서 큰 향상을 보였습니다. 이는 정렬이 훈련 데이터가 부족한 영역에서 도움이 됨을 시사합니다.
• 인간 지각 평가 회귀: DREAM 데이터셋에서 SCENT (MolFormer) 는 구조 기반 MolFormer 모델과 비교 가능한 피어슨 상관관계를 달성하여 정렬되지 않은 EIMS2Vec 베이스라인을 크게 능가합니다. 이는 정렬된 MS 표현이 연속적인 인간 지각 판단을 성공적으로 근사함을 나타냅니다.
• 아블레이션 연구: 대비 정렬 목적을 제거하고 (마스킹 재구성 또는 직접 지도 학습으로 대체) substantial 성능 저하가 발생하여, 성취된 이득이 단순히 인코더 용량이나 레이블 감독이 아닌 화학 구조 임베딩과의 정렬에서 비롯됨을 확인합니다.
• 실제 세계 검증: 30 개의 실험실 측정 스펙트럼 (실제 세계 제약과 일치하도록 제한된 $m/z$ 범위 [50, 180] 으로 테스트 시) 에서 SCENT 는 경쟁력 있는 성능을 유지하여, 베이스라인이 깨끗한 라이브러리 스펙트럼에서 평가되었음에도 불구하고 EIMS2Vec 베이스라인을 능가했습니다.

중요성과 주장

이 논문은 SCENT 가 후각 지각을 위한 실용적이고 배포 가능한 입력 모달리티로서 직접 EI-MS 를 확립한다고 주장합니다. 신속한 센서 데이터를 화학적 의미론과 정렬함으로써, 이 프레임워크는 테스트 시 명시적인 분자 구조가 필요 없이 센서에서 파생된 표현이 화학적으로 기반을 둔 추론을 근사할 수 있게 합니다.

저자들은 이 작업을 분석 화학과 기계 학습 사이의 격차를 해소하는 한 걸음으로 위치시키며, 교차 모달 정렬이 분석 스펙트럼을 화학적 의미론에 기반을 두는 효과적인 전략임을 시사합니다. 그들은 훈련에 라이브러리 획득 스펙트럼에 의존한다는 점 (실제 세계 측정과 다름) 과 단일 분자 입력에 대한 현재 가정을 포함하여 한계를 인정하며, 프레임워크를 혼합 화합물 스펙트럼으로 확장하고 라이브러리 - 실제 세계 도메인 격차를 해결하는 것이 향후 연구의 주요 방향임을 지적합니다.