과학자들이 비커에 화학 물질을 섞는 대신 컴퓨터에서 데이터를 섞으며 새로운 약을 설계하려고 노력하는 세상을 상상해 보세요. 이 분야를 케모인포매틱스(chemoinformatics, 화학정보학)라고 부르며, 이들의 주요 임무는 컴퓨터에게 분자를 '보는' 법을 가르치는 것입니다. 이를 위해 컴퓨터는 복잡한 3D 원자 구조를 밀가루, 설탕, 달걀의 양을 적은 레시피 카드처럼 단순한 숫자 목록으로 변환해야 합니다. 이 숫자 목록은 모든 분자에 대한 고유한 ID 역할을 하기 때문에 '지문(fingerprints)'이라고 불립니다.

오랫동안 과학자들이 이러한 지문을 만드는 데 사용했던 도구들은 자신들만의 비밀 언어만을 구사하는 오래되고 투박한 기계와 같았습니다. 그들은 특정 작업에는 뛰어났지만, 데이터 과학자들이 인공지능을 구축하는 데 사용하는 현대적이고 매우 스마트한 도구들과는 대화할 수 없었습니다. 이는 마치 빈티지 라디오를 현대적인 스마트 홈 시스템에 연결하려는 것과 같았습니다. 전선이 맞지 않아 과정이 지저los하고, 느리며, 고장이 나기 쉬웠습니다. 이 논문은 scikit-fingerprints라는 새로운 도구를 소개하는데, 이 도구는 화학 분자의 세계와 현대 머신러닝의 세계를 연결하는 보편적인 번역가이자 숙련된 설계자 역할을 합니다.

분자를 위한 보편적 번역기

저자인 Jakub Adamczyk와 Adam Staniszewski는 scikit-fingerprints라는 새로운 파이썬 라이브러리를 구축했습니다. 이것은 화학 분자 데이터를 다루기에 완벽하게 들어맞는, 거대한 스위스 아미 나이프(맥가이버 칼)와 같습니다. scikit-learn은 컴퓨터가 데이터로부터 학습하도록 가르치는 데 가장 인기 있는 도구 상자이지만, 지금까지는 분자를 처리하는 능력이 부족했습니다. 기존의 화학 도구들은 고립된 섬과 같아서, 데이터를 학습 알고리즘 사이로 옮기기 위해 특수한 코드를 직접 작성해야 했습니다. scikit-fingerprints는 이 간극을 메워 과학자들이 다른 모든 작업에서 사용하는 것과 똑같이 깨끗하고 친숙한 블록들을 사용하여 전체 신약 개발 워크플로우를 구축할 수 있게 해줍니다.

이 라이브러리는 수년 동안 화학 구조를 다루는 표준이었던 강력한 오픈 소스 툴킷인 RDKit을 기반으로 구축되었습니다. 하지만 RDK-it은 강력하기는 하지만 현대적인 머신러닝 파이프라인과 잘 어울리도록 설계되지는 않았습니다. scikit-fingerprints는 RDKit의 힘든 작업을 가져와 깔고 정돈된 표준 패키지로 감싸줍니다. 이는 화학 이름(SMILES 문자열)을 읽는 단계부터 모델을 훈련하는 단계까지 모든 과정이 동일한 규칙을 따르도록 보장합니다. 즉, 코드 전체를 다시 작성할 필요 없이 프로세스의 한 부분을 다른 부분으로 교체할 수 있음을 의미합니다.

다양한 기술이 담긴 도구 상자

이 논문은 이 라이브러리가 단순히 분자를 숫자로 바꾸는 것 이상의 일을 한다는 점을 설명합니다. 이 라이브로리는 신약 개발 프로젝트의 전 과정을 아우르는 완전한 도구 세트를 제공합니다:

• 지문 공장 (The Fingerprint Factory): 이 라이브러리는 분자 지문을 생성하는 30가지 이상의 다양한 방법을 포함하고 있습니다. 어떤 방식은 특정 모양(부분 구조)을 찾고, 어떤 방식은 특정 패턴이 얼마나 자주 나타나는지를 계산합니다. 이는 서로 다른 디테일을 강조하기 위해 각기 다른 카메라로 독특한 사진을 찍는 것과 같습니다.
• 입구 컷 (The Bouncer/Filters): 테스트를 시작하기도 전에, 나쁜 요소들을 미리 걸러내고 싶을 수 있습니다. 이 라이브러리에는 클럽의 보안 요원처럼 작동하는 30개 이상의 '필터'가 있습니다. 이들은 분자가 '약물 같은(drug-like)' 성질을 가졌는지, 혹은 실험을 망칠 수 있는 위험하거나 반응성이 강한 부분을 포함하고 있는지 확인합니다. 만약 분자가 규칙을 통과하지 못하면 자동으로 퇴출됩니다.
• 자 (The Ruler/Distances and Similarities): 과학자들은 종ā히 두 분자가 얼마나 유사한지 알아야 합니다. 이 라이브러리는 지문이나 심지어 3D 형상을 기준으로 분자를 비교할 수 있는 초정밀 자처럼 작동하며, 십여 가지 이상의 방식으로 이 거리를 측정하는 방법을 제공합니다.
• 안전망 (The Safety Net/Applicability Domain): 이것은 매우 중요한 기능입니다. 이는 모델이 추측하고 있는 것인지, 아니면 실제로 확신하고 있는 것인지를 과학자들이 알 수 있게 도와줍니다. 모델이 훈련받은 데이터와 새로운 분자가 충분히 닮았는지 확인합니다. 만약 새로운 분자가 너무 생소하다면, 도구는 이를 '신뢰할 수 없음'으로 표시하여 과학자들이 잘못된 예측을 믿지 않도록 방지합니다.
• 분리 도구 (The Splitter): 모델이 제대로 작동하는지 테스트하려면 데이터를 '훈련' 세트와 '테스트' 세트로 나누어야 합니다. 이 라이브러리는 스마트한 분리 방식을 제공하여, 테스트용 분자들이 훈련용 분자들과 진정으로 다르다는 것을 보장함으로써 모델이 실제 환경에서 얼마나 잘 작동할지에 대한 더 정직한 점수를 줍니다.

프로세스 가속화

이 분야의 가장 큰 문제 중 중 하나는 이러한 지문을 계산하는 것이 매우 느릴 수 있다는 점이며, 특히 수백만 개의 분자를 다룰 때 더욱 그렇습니다. 논문은 scikit-fingerprints가 속도를 위해 구축되었다는 점을 강조합니다. 이 도구는 병렬 처리를 사용하는데, 이는 한 번에 한 가지 일만 하는 것이 아니라 컴퓨터 프로세서의 모든 코어를 동시에 사용할 수 있음을 의미합니다.

저자들은 자신들의 도구를 테스트하여 기존 방식보다 훨씬 빠르다는 것을 발견했습니다. 예를 들어, 대규모 데이터셋에 대해 특정 유형의 지문(PubChem 지문)을 계산하려고 했을 때, 이들의 방식은 한꺼번에 너무 많은 일을 요구받으면 멈추거나 충돌하는 표준 웹 기반 도구들보다 훨씬 빨랐습니다. 거의 700만 개의 분자를 대상으로 한 테스트에서, 이 라이브러리는 메모리 사용량을 기존 방식보다 39배에서 45배까지 줄여주는 '희소(sparse)' 형식을 사용하여 효율적으로 처리했습니다.

또한 이들은 하이퍼파라미터(머신러닝 모델이 학습하는 방식을 제어하는 설정값)를 튜닝하는 까다로운 문제를 해결했습니다. 보통 최적의 설정을 찾으려면 컴퓨터가 새로운 설정을 시도할 때마다 지문을 매번 다시 계산해야 하므로 시간 낭비가 발생합니다. scikit-fingerprints는 지문을 한 번만 계산하고 이를 모든 다른 설정에 재사용할 수 있을 만큼 영리하여, 수 시간의 컴퓨팅 시간을 절약해 줍니다.

이것이 왜 중요한가

이 논문은 새로운 약을 발견했거나 생명의 신비를 풀었다고 주장하지 않습니다. 대신, 화학의 도구들이 인공지능의 도구들과 대화할 수 있게 만드는 매우 지루하지만 결정적인 문제에 대한 실용적인 오픈 소스 솔루션을 제공합니다. 이러한 워크플로우를 더 쉽고, 빠르고, 오류가 적게 만듦으로써, 이 라이브러리는 과학자들이 아이디어를 빠르게 프로토타입화하고 결과를 안정적으로 재현할 수 있게 해줍니다.

저자들은 이것이 오픈 프로젝트임을 강조하며, 누구나 무료로 사용할 수 있고 심지어 개선하는 데 도움을 줄 수도 있다고 말합니다. 그들은 이미 고급 신경망을 사용하여 새로운 유형의 분자 지문을 만드는 것과 같은 더 많은 기능을 추가하기 위해 작업 중입니다. 호기심 많은 십 대 학생이나 노련한 과학자 모두에게, 이 라이브러리는 지저üst한 커스텀 스크립트에서 벗어나 분자를 위한 머신러닝 모델을 만드는 것이 레고 블록을 조립하는 것만큼 쉬워지는 체계적이고 전문적인 워크플로우로의 전환을 의미합니다. 이는 복잡하고 혼란스러운 화학 데이터의 세계를 조직적이고 효율적이며 미래의 신약 개발을 준비할 수 있는 상태로 변화시킵니다.