기술 요약: 약물-약물 상호작용 예측을 위한 비대칭 포컬 손실(Asymmetric Focal Loss)

문제 정의

여러 약물을 동시에 사용하는 것(다제병용요법, polypharmacy)은 증가하는 임상적 과제이며, 약물 이상 반응(ADE)은 상당한 이환율과 사망률을 초래합니다. 유해한 약물-약물 상호작용(DDI)을 발생하기 전에 식별하는 것은 매우 중요하지만, 가능한 모든 약물 조합의 수는 임상 시험에서 평가할 수 있는 범위를 훨씬 초과합니다. 그래프 신경망(GNN)이 복잡한 약물 관계를 모델링하는 데 효과적인 도구로 부상했음에도 불구하고, 일반적인 학습 목적 함수인 이진 교차 엔트로피(BCE)는 잘 분류된 사례와 어려운 사례에 동일한 학습 용량을 할당합니다. 대규모의 불균형한 DDI 데이터셋에서 이러한 접근 방식은 "쉬운" 사례가 학습 목적 함수를 지배하게 만들어, 모델이 어려운 양성 상호작용(예측하기 어려운 실제 DDI)을 간과하게 만들 수 있습니다. 이는 놓친 실제 상호작용(위음성)이 심각한 임상적 결과를 초래할 수 있는 안전 중심 애플리케이션에서 특히 문제가 됩니다.

방법론

저자들은 기존의 그래프 아키텍처를 변경하지 않고 다중 관계 DDI 예측을 개선하기 위해 설계된 비대칭 포컬 목적 함수인 ClinicalFocal loss를 제안합니다.

데이터 및 전처리

• 데이터셋: 본 연구는 645개의 약물에 걸친 963개의 부작용 관계를 포함하는 4,576,287개의 양성 상호작용 삼중항(triple)을 담고 있는 TWOSIDES 벤치마크(Decagon 및 Stanford BioSNAP을 통해 처리됨)를 활용합니다.
• 특징량(Features): 약물은 반지름 2인 1,024비트 Morgan fingerprint와 200개의 RDKit 물리화학적 기술자(descriptor)가 결합된 1,224차원의 특징 벡터로 표현됩니다.
• 부정 샘플링(Negative Sampling): 양성 삼중항 중 하나의 약물을 무작위로 교체하여 생성된 조합이 관찰된 집합에 존재하지 않는 경우를 사용하여 균형 잡힌 데이터셋(1:1 비율)을 생성했습니다.
• 검증: 제안된 방법과 베이스라인 모두에 대해 동일한 데이터 분할, 무작위 시드(42), 하이퍼파라미터를 사용하여 5-겹 층화 교차 검증(five-fold stratified cross-validation)을 수행함으로써 통제된 비교를 보장했습니다.

모델 아키텍처

본 연구는 **관계 인식 그래프 합성곱 네트워크(Relation-Aware Graph Convolutional Network, R-GCN)**를 사용합니다:

1. 인코더(Encoder): 3개 층의 R-GCN이 부작용 유형의 에지로 연결된 약물 노드 간에 메시지를 전파합니다. 이는 기저 분해(basis decomposition)를 사용하여 관계 간에 파라미터를 공유하고, GRU(Gated Recurrent Unit)를 사용하여 노드 표현을 업데이트합니다.
2. 디코더(Decoder): 최종 약물 임베딩은 요소별 곱(element-wise product), 절대 차이(absolute difference), 합(sum)을 통해 결합된 후 부작용 관계 임베딩과 결합됩니다. 이후 MLP(Multilayer Perceptron)가 이를 처리하여 상호작용 확률을 예측합니다.
3. 학습 목적 함수: 핵심 혁신은 손실 함수에 있습니다. 아키텍처는 베이스라인과 동일하지만 학습 목적 함수가 다릅니다:
   • 베이스라인: 표준 이진 교차 엔트로피(BCE).
   • 제안된 방식 (ClinicalFocal): 다음과 같이 정의된 비대칭 포컬 손실을 사용합니다:
     $$L = w_r [(\alpha_{fn}(1-p)^{\gamma_{fn}} \times y) + (\alpha_{fp}p^{\gamma_{fp}} \times (1-y))] \times CE(p, y)$$
     • 양성 클래스 (어려운 사례): 어려운, 즉 놓치기 쉬운 상호작용에 학습을 집중시키기 위해 강한 포커싱 지수($\gamma_{fn} = 2.0$)와 높은 가중치(\alpha_{fn} = 0.75})를 사용합니다.
     • 음성 클래스: 더 완만한 포커싱 항($\gamma_{fp} = 0.5$)과 낮은 가중치(\alpha_{fp} = 0.25})를 사용합니다.

실험 프로토콜

두 모델 모두 동일한 하이퍼파라미터(학습률, 가중치 감쇠, 배치 크기 65,536)와 조기 종료(early stopping) 기준을 사용하여 AdamW 최적화로 학습되었습니다. 성능은 정확도(Accuracy), F1 스코어, AUROC, AUCPR, 그리고 클래스별 재현율(recall)/특이도(specificity) 지표를 사용하여 평가되었습니다.

주요 결과

ClinicalFocal loss의 통합은 BCE 베이스라인과 비교하여 모든 지표에서 통계적으로 유의미한 향상($P < 0.001$)을 가져왔습니다:

• 분류 성능:
  • 정확도(Accuracy): 0.699(BCE)에서 0.892로 증가 (+19.3 퍼센트 포인트).
  • F1 스코어: 0.700에서 0.894로 개선 (+19.4 퍼센트 포인트).
  • AUROC: 0.766에서 0.914로 증가.
  • AUCPR: 0.714에서 0.860으로 증가.
• 오류 감소:
  • 위음성률(False Negative Rate, 놓친 상호작용): **29.8%**에서 **9.1%**로 급격히 감소하였으며, 관찰된 상호작용 삼중항에 대해 90.9%의 재현율을 달성했습니다.
  • 위양성률(False Positive Rate): 30.4%에서 12.5%로 감소하였으며, 특이도는 69.6%에서 87.5%로 상승했습니다.
  • 전체 분류 오류는 64.1%(상대적 감소) 감소했습니다.
• 수렴 역학(Convergence Dynamics): ClinicalFocal은 검증 정확도가 에포크 54에서 최소한의 변동과 함께 0.82의 고점에 도달하며 우수한 수렴 안정성을 보여준 반면, BCE는 더 낮은 고점(0.71)과 높은 변동성을 보이며 수렴했습니다.
• 확률 보정(Probability Calibration): 제안된 모델은 양성 및 음성 예측 사이의 더 뚜렷한 분리를 생성하여, 양성 상호작용을 높은 확률 모드(>0.65)에 집중시키고 모호한 중간 범위의 예측을 줄였습니다.

최신 기술(State-of-the-Art)과의 비교

ClinicalFocal은 SkipGNN, CASTER, BioBERT, KG-DDI를 포함한 여러 기존 GNN 기반 및 딥러닝 DDI 예측 방법들을 모든 평가 지표(Accuracy, AUROC, AUCPR, F1)에서 능가했습니다. 특히, 복잡한 하위 구조나 지식 그래프 통합에 집중하는 대신 손실 최적화에 집중한 더 단순한 아키텍처 프레임워크를 사용했음에도 불구하고, AUROC 0.914를 달성하여 SkipGNN(0.892)과 CASTER(0.856)를 앞질렀습니다.

의의 및 주장

본 논문은 **손실 함수 설계가 그래프 기반 DDI 예측을 개선하기 위한 직접적이고 조절 가능한 레버(lever)**이며, 종종 아키텍처 혁신만큼 효과적이라고 주장합니다.

1. 안전 중심 최적화: 어려운 양성 사례를 비대칭적으로 강조함으로써, ClinicalFocal은 위음성률을 크게 낮추었으며, 이는 다제병용요법 스크리닝에서 환자 안전에 매우 중요합니다.
2. 아키텍처 불가지론적(Architecture Agnostic): 이 방법은 근본적인 그래프 인코더나 특징 표현을 수정하지 않고도 상당한 성능 향상을 달성하므로, 기존의 GNN 기반 DDI 모델과 쉽게 호환됩니다.
3. 효율성: 제안된 방식은 추가적인 계산 복잡성 없이(포컬 손실 파라미터 $\alpha$와 $\gamma$의 튜닝만 필요) 경쟁력 있거나 우수한 성능을 제공합니다.
4. 임상적 관련성: 개선된 확률 보정과 날카로운 결정 경계는 모델이 불확실한 사례를 필터링함으로써 임상의의 인지적 부담을 줄여주는, 임상 의사 결정 지원 시스템에 적합한 실행 가능한 예측을 생성함을 시사합니다.

저자들은 외부 검증 및 보정 평가가 필요하지만, 본 연구는 클래스 불균형을 손실 수준에서 해결하는 것이 DDI 예측 성능을 높이는 데 있어 지배적인 요소가 될 수 있음을 입증한다고 결론짓습니다.