기술 요약: 화학자와 AI 의 연결 – 해석 가능한 경로 평가를 위한 전문가 증강 프레임워크

문제 제기

효율적인 다단계 합성 경로의 선택은 의약 및 공정 화학을 포함한 유기 합성 분야에서 중요한 병목 현상입니다. 컴퓨터 지원 합성 계획 (CASP) 도구가 다양한 경로 옵션을 생성하는 데 있어 진전을 이루었지만, 이러한 경로에 대한 후속 평가는 여전히 큰 과제로 남아 있습니다. 기존 데이터 기반 평가 시스템은 종종 합성 설계의 다목적적 특성 (실현 가능성, 비용, 안전성, 지속 가능성 등의 균형) 을 지나치게 단순화하며, 보편적이고 근거 있는 기준보다는 특허에서 추출된 경로와 같은 대리 데이터셋에 크게 의존합니다.

특허 데이터는 종종 최적의 화학이 아닌 시간 제약을 받은 선택을 반영하며, 일반적으로 분자당 한 가지 또는 소수의 합성만 보고되기 때문에 기존 데이터셋은 희소합니다. 결과적으로 특허 데이터만으로 훈련된 모델은 화학자 전문가가 사용하는 근본적인 추론 및 평가 휴리스틱을 학습하기보다는 특허 경로의 '외관'에 과적합될 위험이 있습니다. 또한, 고품질 부정적 반응 데이터의 부재로 인해 전방 합성 실현 가능성 예측이 어렵습니다. 현재 이 분야는 합성 화학자에 의한 수동 평가에 크게 의존하고 있는데, 이 과정은 느리고 비용이 많이 들며 확장하기 어렵습니다.

방법론

저자들은 기계 학습과 화학자의 도메인 지식을 통합하여 수치적 및 설명 가능한 경로 평가를 제공하는 전문가 증강 데이터 기반 점수 매기기 프레임워크(그림 1 에 도시됨) 를 제안합니다. 방법론은 세 단계로 진행됩니다:

1. DeepSets 기반 점수 모델의 사전 훈련 (1 단계)

시스템의 핵심은 반응 집합을 처리하도록 설계된 DeepSets 기반의 신경망 아키텍처로, 순열 불변성을 갖습니다. 이를 통해 모델은 다양한 수의 반응과 순서가 지정되지 않은 입력을 가진 경로를 견고하게 처리할 수 있습니다.

• 아키텍처: 모델은 두 개의 모듈로 구성됩니다:
  • 인코더 ($\phi$): 개별 반응 특징 (반응 유형, 실현 가능성 점수, 목표 화합물 표현, 선택적 경로 임베딩) 을 처리하여 반응 인코딩을 생성합니다.
  • 스코어러 ($\sigma$): 반응 인코딩을 집계하고 경로 수준의 속성 (비용, 부피, 복잡성, 분자 지문) 과 결합하여 최종 점수를 예측합니다.
• 훈련 목적: 모델은 생성된 경로와 참조 경로 간의 **트리 편집 거리 (Tree Edit Distance, TED)**를 예측하기 위해 대규모 특허 경로 코퍼스 (47,303 개의 분자, 약 170 만 개의 경로) 로 초기 훈련됩니다. TED 는 고품질 경로와 저품질 경로를 구분하는 데 다른 후보 지표들보다 우수한 구조적 및 전략적 유사성의 견고한 측도를 제공하기 때문에 지표로 선택되었습니다.
• 입력 특징: 시스템은 반응 임베딩 (테스트됨: 구조적 차이 지문 [SDF], 화학 반응 지문 [RXNFP], 차등 반응 지문 [DRFP]), 반응 유형 실현 가능성 점수, 그리고 비용 및 복잡성과 같은 경로 속성을 활용합니다.

2. 전문가 증강 미세 조정 (2 단계)

수치적 유사성 (TED) 과 인간의 판단 사이의 격차를 해소하기 위해, 프레임워크는 정성적 평가 계층을 도입합니다.

• 휴리스틱 기준: 전문가 화학자들은 5 점 반응 - 경로 점수 매기기 척도를 기반으로 명확한 3 단계 분류 시스템 ("좋음", "가능함", "나쁨") 을 수립했습니다.
  • 5 점 (좋음): 성공할 가능성이 매우 높으며, 작용기 영향이 무시할 수 있습니다.
  • 4 점 (가능함): 올바른 절단이지만 약간의 조정이 필요하거나 불필요하지만 유효한 단계를 포함합니다.
  • 3 점: 역합성적으로 정확하지만 특정 보호기 계획이나 산화 - 환원 조작에 의존합니다.
  • 2 점: 주요 선택성 문제 또는 개념적 변경이 필요합니다.
  • 1 점: 성공할 가능성이 매우 낮거나 출발 물질 문제가 해결되지 않았습니다.
• 미세 조정 전략: 사전 훈련된 DeepSets 백본은 소규모 데이터, 전문가 감독 적응을 사용하여 미세 조정됩니다.
  • LoRA (저랭크 적응): 기본 인코더와 스코어러의 가중치는 고정됩니다. 인코더의 은닉층의 LoRA 매개변수와 새로운 분류 헤드만 전문가가 라벨링한 데이터 (120 개 경로) 를 사용하여 최적화됩니다.
  • 출력: 이를 통해 모델은 원래 거리 예측기를 이차 신호로 유지하면서 고유한 경로 실현 가능성 등급을 학습할 수 있습니다.

3. 전문가 증강 평가 시스템 (3 단계)

최종 시스템은 정량적 다목적 점수와 해석 가능한 정성적 실현 가능성 등급 (좋음/가능함/나쁨) 을 모두 출력하여, 역합성 계획의 실제 의사 결정과 일치합니다.

주요 기여

1. 전문가 증강 프레임워크: 대규모 데이터 기반 모델링 (특허 데이터 기반 사전 훈련) 과 소규모 전문가 정렬 평가 (화학자 평가 기반 미세 조정) 를 결합한 새로운 파이프라인.
2. 이중 출력 시스템: 모델은 정량적 점수 (TED 예측) 와 해석 가능한 정성적 등급 (5 점 척도를 3 단계 범주로 매핑) 을 모두 제공하여 AI 기반 합성 계획의 투명성 필요성을 해결합니다.
3. 순열 불변 아키텍처: DeepSets 의 사용은 경로를 순서가 지정되지 않은 집합으로 처리하도록 보장하여, 순서와 무관한 반응 수준 속성에 초점을 맞춤으로써 학습 작업을 단순화하면서도 견고성을 유지합니다.
4. 효율적인 미세 조정: LoRA 의 사용은 사전 훈련된 지식을 파괴적 망각 없이 제한된 데이터셋 (120 개 경로) 을 사용하여 전문가 판단에 시스템이 적응하도록 합니다.

결과

시스템은 120 개 전문가 라벨링 경로를 사용한 5 폴드 교차 검증을 통해 평가되었습니다.

• 정성적 예측 (등급):

  • 모델은 5 점 척도에서 전문가 등급과 스피어만 상관관계 0.78 ± 0.05 및 피어슨 상관관계 0.77 ± 0.06을 달성했습니다.
  • 3 단계 분류 (좋음/가능함/나쁨) 의 경우, 모델은 전체 정확도 **67 ± 6.4%**를 달성했습니다.
  • 성능은 "좋음" (정밀도: 0.781, 재현율: 0.795) 과 "나쁨" 경로를 구분하는 데 특히 강력했으나, "좋음"과 "가능함" 카테고리 사이에는 일부 불확실성이 남아 있었습니다.

• 정량적 예측 (거리 및 순위):

  • 거리 예측: SDF 임베딩이 다른 방법 (DRFP, RXNFP, 임베딩 없음) 보다 우수하여 가장 낮은 평균 제곱 오차 (7.102 ± 0.200) 와 가장 높은 R-제곱 (0.723 ± 0.003) 을 달성했습니다.
  • 순위 정확도: 모델은 테스트 데이터셋에서 톱 -1 순위 정확도 60.2%(0.603 ± 0.007)를 달성하여 이전 기준 (17.5%) 을 크게 상회했습니다.
  • 톱 -k 성능: SDF 기반 모델은 상위 20 개 예측 내에서 참조 경로의 약 95% 를 식별했습니다.

• 임베딩 분석: 흥미롭게도, 연구는 더 정교한 방법 (DRFP, RXNFP) 보다 단순한 SDF 임베딩이 더 우수함을 발견했는데, 이는 경로 거리 예측의 경우 단순한 구조적 표현이 더 효과적이고 과적합에 덜 취약할 수 있음을 시사합니다.

중요성 및 주장

이 논문은 이 전문가 증강 프레임워크가 데이터 기반 기계 학습과 화학 도메인 지식 사이의 격차를 성공적으로 메웠다고 주장합니다. 특허 대리인에 대한 의존을 넘어 명시적인 전문가 휴리스틱을 통합함으로써, 시스템은 합성 경로에 대한 더 신뢰할 수 있고 투명하며 실행 가능한 평가를 제공합니다.

저자들은 이 시스템이 단순히 점수를 예측하는 것이 아니라, 전문가가 다목적 트레이드오프를 해결하는 방식 등을 포함한 전문가 화학적 판단의 뉘앙스를 포착한다고 강조합니다. 이중 출력 특성 (정량적 점수 + 정성적 등급) 으로 인해 이 시스템은 합성 계획 워크플로우에 실용적으로 통합하기에 적합합니다. 저자들은 모델이 유망한 성능을 보이지만, 인접한 카테고리 (예: 좋음 대 가능함) 를 구분하는 데 여전히 어려움을 겪고 있음을 지적하며, 향후 작업은 구조적 유사성 이상의 암묵적 지식을 포착하기 위해 더 세분화된 인간 - 루프 학습의 혜택을 받을 수 있다고 제안합니다.

이 연구는 AI 를 전문가의 인간 판단과 정렬하는 한 걸음으로 자신을 위치시키며, 저자들은 이 역량이 의료와 같은 복잡한 다목적 의사결정이 필요한 다른 영역으로 확장될 수 있다고 제안합니다.