TITAN-BBB: Predicting BBB Permeability using Multi-Modal Deep-Learning Models

이 논문은 표형, 이미지, 텍스트 기반 특징을 어텐션 메커니즘으로 통합한 다중 모달 딥러닝 모델 'TITAN-BBB'를 제안하여 기존 최첨단 모델보다 혈액 - 뇌 장벽 투과성 예측 성능을 크게 향상시켰음을 보여줍니다.

핵심

🧠 1. 문제 상황: 뇌는 '엄마'처럼 보호하는 성벽을 가지고 있어요

우리 뇌는 '혈액 - 뇌 장벽 (BBB)'이라는 아주 튼튼한 성벽으로 둘러싸여 있습니다. 이 성벽은 뇌를 보호하기 위해 필요한 영양소는 들여보내지만, 해로운 독소나 약 98% 는 막아냅니다.

• 과거의 방식 (실험실): 약이 이 장벽을 뚫을 수 있는지 확인하려면, 실제 쥐나 세포를 이용해 실험해야 했습니다. 하지만 이 방법은 시간도 오래 걸리고, 비용도 비싸며, 윤리적인 문제도 있었습니다. 마치 새로운 문을 열 때마다 벽을 직접 두드려보며 "열릴까?"를 확인하는 것과 비슷합니다.
• 새로운 방식 (컴퓨터 예측): 그래서 과학자들은 "컴퓨터가 미리 예측해 주면 어떨까?"라고 생각했습니다. 하지만 기존 컴퓨터 프로그램들은 약의 성분을 너무 단순하게만 봐서, 정확한 예측을 하기 힘들었습니다.

🤖 2. 해결책: TITAN-BBB, 세 가지 눈을 가진 슈퍼 AI

이 논문에서 소개한 TITAN-BBB는 기존 AI 와는 다르게, 약을 볼 때 **세 가지 다른 '눈 (모달리티)'**을 동시에 사용합니다. 마치 한 사람을 판단할 때 세 명의 전문가가 합심하는 것과 같습니다.

1. 📋 표 (Tabular) - '약학자'의 눈:

   • 약의 분자량을 계산하거나, 화학 구조를 숫자로 나열한 전통적인 데이터를 봅니다.
   • 비유: 약의 성분을 분석한 정밀한 명세서를 보는 것과 같습니다. "이 약은 무게가 얼마고, 어떤 원자로 만들어졌지?"라고 숫자로 확인합니다.

2. 🖼️ 이미지 (Image) - '화가'의 눈:

   • 약의 분자 구조를 **그림 (이미지)**으로 그려서 봅니다.
   • 비유: 약의 모양을 사진으로 찍어서 봅니다. "이 약은 전체적으로 둥글까, 길까? 어떤 모양이 뇌 문에 잘 들어갈까?"를 시각적으로 파악합니다.

3. 📝 텍스트 (Text) - '언어학자'의 눈:

   • 약의 화학식을 **문자 (SMILES)**로 보고, AI 가 그 문자의 의미를 이해하도록 합니다.
   • 비유: 약의 화학식을 문장으로 읽습니다. "이 문자 조합은 어떤 기능을 하는가?"라고 언어적 맥락으로 이해합니다.

🧩 3. 핵심 기술: "어떤 정보가 더 중요할까?" (주의 메커니즘)

TITAN-BBB 의 가장 뛰어난 점은 이 세 가지 정보를 단순히 섞는 게 아니라, AI 가 스스로 "지금 이 약에는 어떤 정보가 더 중요할까?"를 판단한다는 것입니다.

• 비유: 세 명의 전문가 (약학자, 화가, 언어학자) 가 회의실에 앉아 있습니다.
  • 어떤 약은 **숫자 데이터 (약학자)**가 가장 중요할 수 있습니다.
  • 어떤 약은 **모양 (화가)**이 더 중요할 수 있습니다.
  • TITAN-BBB 는 이 세 전문가의 말을 듣고, **현재 상황에 가장 목소리가 큰 전문가의 말을 더 크게 들어주는 역할 (Attention Mechanism)**을 합니다.
  • 이렇게 세 가지 정보를 가장 잘 섞어서 최종 결론을 내립니다.

📊 4. 결과: 기존보다 훨씬 똑똑해졌습니다!

연구진은 수천 개의 약 데이터를 모아 이 모델을 훈련시켰습니다. 결과는 놀라웠습니다.

• 분류 (약이 통과할까? 말까?): 기존 최고의 기술보다 3.1% 더 정확해졌습니다. (약 86.5% 정확도)
• 회귀 (얼마나 많이 통과할까?): 오차 범위를 20% 줄였습니다.

이는 마치 약 개발 실패율을 크게 낮추고, 더 많은 환자에게 효과적인 약을 빨리 찾아낼 수 있게 되었다는 뜻입니다.

🔍 5. 왜 이렇게 잘할까? (해석 가능성)

연구진은 "왜 AI 가 그렇게 판단했는지"도 확인했습니다.

• 이미지는 약의 전체적인 모양 (고리 모양 등) 을 잘 파악했습니다.
• 텍스트는 특정 원자 (질소 등) 의 위치를 잘 파악했습니다.
• **표 (숫자)**는 약의 물리화학적 성질을 잘 파악했습니다.

세 가지가 서로 다른 정보를 제공해서, 하나만 보는 것보다 훨씬 더 똑똑한 판단을 내린 것입니다.

🚀 6. 결론: 약 개발의 새로운 시대

이 연구는 TITAN-BBB라는 모델을 공개했고, 사용한 데이터와 코드도 모두 무료로 공개했습니다.

• 의미: 이제 약 개발 초기 단계에서, 실험실로 뛰어들기 전에 컴퓨터로 "이 약은 뇌에 들어갈 가능성이 높다"고 확신할 수 있게 되었습니다.
• 미래: 이 기술은 뇌 질환 (알츠하이머, 파킨슨병 등) 을 치료할 수 있는 새로운 약을 찾는 데 큰 도움이 될 것입니다.

한 줄 요약:

"약학자, 화가, 언어학자가 팀을 이뤄 약의 뇌 통과 여부를 판단하는 AI 를 만들었더니, 기존 기술보다 훨씬 정확해져서 약 개발 속도가 빨라졌습니다!"

기술 요약

TITAN-BBB: 다중 모달 딥러닝 모델을 활용한 혈액 - 뇌 장벽 (BBB) 투과성 예측

1. 문제 정의 (Problem)

• 배경: 혈액 - 뇌 장벽 (BBB) 은 중추신경계 (CNS) 를 보호하지만, 뇌로 전달되어야 할 치료제 (약물) 의 98% 가 통과하지 못하게 하는 주요 장벽입니다.
• 현황: BBB 투과성을 실험적으로 평가하는 것은 비용이 많이 들고, 시간이 소요되며, 윤리적/기술적 한계 (in vivo/in vitro 모델의 불일치) 가 있습니다.
• 과제: 기존 머신러닝 모델은 주로 화학적 기술자 (descriptors) 에 의존하며, 도메인 지식과 딥러닝 임베딩을 통합한 접근법은 아직 충분히 탐구되지 않았습니다. 따라서 초기 약물 발견 단계에서 대규모로 효율적이고 정확한 BBB 투과성 예측을 할 수 있는 컴퓨팅 모델의 필요성이 대두되었습니다.

2. 방법론 (Methodology)

이 논문은 TITAN-BBB라는 새로운 다중 모달 (Multi-Modal) 딥러닝 아키텍처를 제안합니다. 이 모델은 분자의 SMILES 문자열을 입력받아 세 가지 다른 형태의 특징 (Tabular, Image, Text) 을 추출하고, 어텐션 (Attention) 메커니즘을 통해 이를 융합합니다.

• 입력 및 특징 추출:

  1. Tabular (표 형식) 특징: RDKit 을 사용하여 217 개의 2D 분자 기술자 (분자량, 극성 등) 와 166 개의 MACCS 키 (고정 길이 이진 지문) 를 추출하여 총 383 차원의 벡터를 생성합니다.
  2. Image (이미지) 특징: RDKit 으로 생성된 2D 분자 이미지를 ResNet50 (사전 학습된 CNN) 을 통해 처리하여 2048 차원의 임베딩을 생성합니다.
  3. Text (텍스트) 특징: SMILES 문자열을 ChemBERTa-100M (사전 학습된 트랜스포머) 을 통해 처리하여 토큰 임베딩의 평균을 계산, 768 차원의 문맥 벡터를 생성합니다.

• 융합 및 예측 아키텍처:

  • 프로젝션 (Projection): 세 가지 모달리티의 이질적인 특징을 모두 **2048 차원의 공유 잠재 공간 (Shared Latent Space)**으로 매핑합니다. 각 모달리티는 레이어 정규화, 선형 계층, ReLU, 드롭아웃으로 구성된 동일한 프로젝션 블록을 거칩니다.
  • 어텐션 퓨전 (Attention Fusion): 학습 가능한 어텐션 메커니즘을 사용하여 각 분자마다 Tabular, Image, Text 특징의 중요도 가중치 ($\alpha_1, \alpha_2, \alpha_3$) 를 동적으로 계산합니다. 가중치 합을 통해 최종 다중 모달 표현 ($Z$) 을 생성합니다.
  • 예측 헤드 (Prediction Head): 융합된 벡터를 피드포워드 신경망을 통해 분류 (BBB 투과 여부) 또는 회귀 (logBB 값) 작업에 사용합니다.

• 데이터셋:

  • 기존 문헌 (19 개 출처) 에서 데이터를 수집, 표준화, 정제하여 역사상 가장 큰 BBB 투과성 데이터셋을 구축했습니다.
  • 분류: 9,262 개 화합물 (BBB+ 5,636 개, BBB- 3,626 개).
  • 회귀: 실험적 logBB 값이 있는 1,147 개 화합물.
  • 평가 방식: 분류는 분자 구조 기반의 'Scaffold Split'을 사용하여 데이터 누출을 방지하고 엄격하게 평가했습니다.

3. 주요 기여 (Key Contributions)

1. 최대 규모의 통합 데이터셋 구축: 다양한 출처의 데이터를 통합하고 라벨을 표준화하여 분류 (9,262 개) 및 회귀 (1,147 개) 작업에 사용할 수 있는 공개 데이터셋을 제공했습니다.
2. 혁신적인 다중 모달 아키텍처: 화학적 기술자 (도메인 지식), 이미지 (전체 토폴로지), 텍스트 (반응성 원자/기능기) 를 결합하여 단일 모달리티 모델의 한계를 극복했습니다.
3. 오픈 소스 및 재현성: 소스 코드, 학습된 모델, 데이터셋을 GitHub 및 Hugging Face 를 통해 공개하여 연구의 투명성과 재현성을 보장했습니다.

4. 실험 결과 (Results)

TITAN-BBB 는 기존 머신러닝 모델 (Random Forest, XGBoost 등) 및 최신 딥러닝 모델 (DeepBBBP, Deep-B3, MTGP 등) 과 비교하여 모든 지표에서 우수한 성능을 보였습니다.

• 분류 작업 (Classification):
  • 균형 정확도 (Balanced Accuracy): 86.5% (최고 성능).
  • 기존 최첨단 (SOTA) 모델 대비 3.1%p 향상.
  • 특이도 (Specificity): 88.8%, 정밀도 (Precision): 94.0%, ROC AUC: 93.5%.
• 회귀 작업 (Regression):
  • 평균 절대 오차 (MAE): 0.436 (최저 오차).
  • 기존 SOTA 모델 대비 오차 약 20% 감소.
• 모델 해석 가능성 (Interpretability):
  • 어텐션 가중치 분석: Tabular 특징이 가장 높은 중요도 (약 60% 이상) 를 차지했으나, Text 와 Image 특징도 각각 약 20% 와 나머지 비율로 기여하여 상호 보완적임을 확인했습니다.
  • 특성 중요도: MACCS 키와 RDKit 기술자가 결정적 요인이었으며, 이미지 어텐션은 분자의 방향족 영역과 링 연결부를, 텍스트 어텐션은 질소 원자 등 특정 기능기를 중점적으로 학습함을 확인했습니다.
• Ablation Study:
  • Tabular 특징만 사용한 모델도 강력했으나 (Bal. Acc. 83.4%), 세 가지 모달리티를 모두 결합했을 때 성능이 가장 크게 향상되었습니다. 이는 각 모달리티가 고유한 정보를 제공함을 입증합니다.

5. 의의 및 결론 (Significance)

• 약물 발견 가속화: TITAN-BBB 는 초기 단계의 약물 후보 물질에 대한 BBB 투과성을 빠르고 정확하게 예측하여, 실험 비용을 절감하고 CNS 약물 개발 성공률을 높이는 데 기여합니다.
• 다중 모달 학습의 유효성 증명: 화학적 도메인 지식 (기술자) 과 딥러닝 기반 표현 (이미지, 텍스트) 을 결합하는 것이 단일 접근법보다 우월함을 실증적으로 보여주었습니다.
• 벤치마크 제공: 공개된 대규모 데이터셋과 모델은 향후 BBB 투과성 예측 연구의 표준 벤치마크로 활용될 수 있습니다.

이 연구는 계산 화학 및 AI 의 융합을 통해 뇌 질환 치료제 개발의 핵심 병목 현상인 BBB 투과성 문제를 해결하기 위한 강력한 도구로 평가됩니다.