LGBM-BBB: A Web-Server for Blood-Brain Barrier Permeability Prediction using Winsorized Feature Engineering and Mathew Correlation Coefficient Threshold Optimisation

기술 요약: 혈액-뇌 장벽 투과성 예측을 위한 LGBM-BBB 웹 서버

문제 정의
중추신경계(CNS)를 표적으로 하는 약물 개발은 소분자 치료제의 약 98%를 차단하는 혈액-뇌 장벽(BBB)으로 인해 상당한 제약을 받고 있습니다. 투과성을 평가하기 위한 실험적 방법(in-vivo 및 in-vitro)이 존재하지만, 이는 시간 소모가 크고 처리량이 낮으며 윤리적으로 복잡합니다. 기존의 in-silico 모델들은 SMOTE 사용(노이즈를 유발할 수 있음), 고차원 희소 표현(예: 원-핫 인코딩된 어휘 기술자)에 대한 의존, 또는 계산 비용이 많이 드는 그래프 기반 접근 방식과 같은 한계를 갖는 경우가 많습니다. 또한, 이전 연구들은 표준화된 데이터와 실험 연구자를 위한 실용적인 배포 도구를 사용한 종합적인 헤드 투 헤드(head-to-head) 비교가 부족했습니다.

방법론
본 연구는 실험적으로 검증된 이진 투과성 분류를 가진 7,807개의 화합물로 구성된 B3DB 데이터셋을 활용하였습니다. 저자들은 데이터 큐레이션, 특징 공학(feature engineering), 모델 최적화를 포함하는 엄격한 파이프라인을 구현하였습니다:

1. 데이터 전처리 및 큐레이션:

   • 화합물은 분자량 범위 150–800 달톤(Daltons)으로 필터링되었으며, 그 결과 7,298개의 화합물이 남았습니다.
   • 50개의 서로 다른 데이터 소스에서 발생하는 이질적인 라벨링 문제를 해결하기 위해, 데이터 일관성과 임계값 보고를 기준으로 화합물을 네 가지 그룹(A–D)으로 분류하였으며, 적용 가능한 경우 logBB 컷오프 -1을 사용하여 분류를 표준화하였습니다.
   • 윈저화(Winsorization): 데이터를 삭제하지 않고 이상치를 처리하기 위해 1번째 및 99번째 백분위수 임계값을 적용하였습니다. 이를 통해 샘플 크기와 중앙 분포를 보존하면서 극단적인 값(특히 SLogP와 같은 친유성 기술자)을 완화하였습니다.

2. 특징 공학 및 선택:

   • 기술자 계산: Mordred와 RDKit을 사용하여 구성적, 위상적, 기하학적 특성을 포괄하는 1,613개의 초기 기술자(1D, 2D, 3D)를 생성하였습니다.
   • 필터링: 결측치가 5%를 초과하는 특징을 제거하였으며, 남은 결측치는 클래스별로 층화된 중앙값 임퓨테이션(median imputation)을 통해 채웠습니다. 거의 변하지 않는 특징(분산 < 0.01)은 폐기하였습니다.
   • 선택: 두 단계의 필터링 과정을 통해 59개의 비중복 기술자로 특징 집합을 축소하였습니다:
     • 거리 상관관계(Distance Correlation): 타겟 변수와 상관관계가 0.25보다 큰 특징을 유지하였습니다.
     • 스피어만 상관관계(Spearman Correlation): 다중공선성이 있는 특징(ρ > 0.85)을 제거하고, 타겟 연관성이 더 강한 특징을 유지하였습니다.

3. 모델 학습 및 평가:

   • Random Forest, XGBoost, LightGBM (LGBM), CatBoost, 로지스틱 회귀(Logistic Regression), SVC(Support Vector Classifier) 등 6가지 알고리즘을 벤치마킹하였습니다.
   • 데이터는 층화 추출(stratified sampling)을 사용하여 80%의 훈련 데이터와 20%의 테스트 데이터로 분할되었으며, 안정성 평가를 위해 10-겹 교차 검증(10-fold cross-validation)을 수행하였습니다.
   • 임계값 최적화: 기본값인 0.5 대신, 테스트 세트에서 매튜스 상관계수(MCC)를 최대화하기 위해 100개의 값을 평가하여 결정 경계를 최적화하였습니다.

4. 웹 배포:

   • 최적의 모델은 Python Flask(백엔드)와 React.js(프런트엔드)를 사용하여 웹 서버로 배포되었으며, Render 클라우드 인프라에 호스팅되었습니다.

주요 결과

• 모델 성능: 그래디언트 부스팅 방법들이 선형 모델(로지스틱 회귀, SVC)보다 우수한 성능을 보였습니다. LightGBM(LGBM)은 성능과 계산 속도의 최적의 균형을 달야 90.1%의 정확도와 0.953의 ROC-AUC에 도달하였습니다.
• 지표 비교: 부스팅 모델들은 선형 모델보다 MCC가 약 21% 높게 나타나, 클래스 불균형과 복잡한 비선형 상호작용을 처리하는 데 있어 탁월함을 입증하였습니다.
• 임계값 최적화: MCC를 위한 임계값 최적화는 통계적으로 미미한 이득(예: LGBM MCC가 77.76%에서 78.43%로 증가)만을 제공하였으며, 이는 모델의 자연스러운 결정 경계가 이미 잘 분리되어 있음을 시사합니다.
• 특징 중요도: SHAP 분석 결과, **위상적 극성 표면적(TopoPSA)**이 가장 지배적인 예측 인자로 식별되었으며, 그 뒤를 전기위상적 표면적(electrotopological surface area)과 산성 화합물 수가 이었습니다. 높은 극성 표면적(>90 Ų)은 비투과성과 강하게 연관되어 있었습니다.
• 규칙 기반 분석: Lipinski와 Ghose 필터를 모두 통과한 화합물은 74%의 투과율을 보인 반면, 둘 다 통과하지 못한 화합물은 32%였습니다. 그러나 규칙 기반 필터링만으로는 약 70%의 정확도만을 달성하였으며, 이는 머신러닝이 더 높은 정밀도를 위해 필요함을 강조합니다.
• 문헌과의 비교: LGBM 모델은 동일한 B3DB 데이터셋을 사용한 이전 연구들(예: Jia et al. 및 Nguyen et al.)과 대등하거나 더 나은 성능을 보였으나, 그래프 기반 입력의 계산 오버헤드나 SMOTE의 잠재적 노이즈 없이 이를 달성하였습니다.

핵심 기여

1. 강건한 특징 공학: 이상치를 처리하기 위한 윈저화 구현과 차원을 축소하면서도 중요한 정보를 손실하지 않는 엄격한 거리 상관관계 기반의 특징 선택 프로세스를 도입하였습니다.
2. 벤치마킹 및 최적화: MCC를 위한 명시적인 임계값 최적화를 포함한 6가지 알고리즘의 체계적인 비교를 통해, 이 특정 작업에 앙상블 트리 기반 방법이 우수함을 입증하였습니다.
3. 접근 가능한 도구: 연구자들이 로컬 컴퓨팅 자원이나 기술적 전문 지식 없이도 신속한 가상 스크리닝을 할 수 있도록, SMILES 문자열이나 CSV 파일을 입력할 수 있는 자유롭게 접근 가능한 웹 서버인 LGBM-BBB를 개발하고 공개하였습니다.
4. 해석 가능성: SHAP 기반의 통찰력과 MCC 임계값으로부터의 근접성에 기반한 신뢰도 점수를 제공하여, 화학자들이 예측 신뢰성을 이해할 수 있도록 지원합니다.

의의 및 주장
저자들은 본 연구가 신경 치료제 발견의 핵심 병목 현상을 해결하기 위해 검증되고 계산 효율적이며 접근 가능한 도구를 제공한다고 주장합니다. 그래프 기반 기술자의 복잡성을 피함으로써, 모델은 높은 예측력(90.1% 정확도)을 유지하면서도 더 빠르고 배포하기 쉽습니다. 본 연구는 Lipinski/Ghose와 같은 규칙 기반 필터가 유용한 초기 휴리스틱을 제공하지만, BBB 투과성을 지배하는 다차원적 관계를 포착하기 위해서는 머신러닝이 필수적임을 강조합니다. 웹 서버는 대규모 화학 라이브러리의 신속한 스크리닝을 가능하게 하여, 값비싼 리드 최적화 단계 이전에 유망한 후보 물질로 자원을 재배정할 수 있는 실용적인 자원으로 자리매김하고 있습니다. 저자들은 모델이 약물 유사 분자를 대상으로 설계되었으며, 펩타이드나 항체-약물 접합체(ADC)에 대해서는 일반화되지 않을 수 있다는 점과, 집계된 B3DB 데이터셋이 완전히 해결하지 못한 종 특이적 BBB 생리학적 차이 문제를 겸허히 언급하였습니다.