Large-scale in silico spectral library supplies scalable structural priors for de novo molecular generation

당신이 범죄를 해결하려는 탐정이라고 상상해 보십시오. 하지만 당신이 가진 유일한 단서는 산산조각 난 유리 조각뿐입니다. 당신은 이 유리가 특정 병에서 나온 것이라는 사실은 알고 있지만, 어떤 병인지는 모릅니다. 화학의 세계에서 과학자들도 매일 이와 유사한 퍼즐에 직면합니다. 그들은 **질량 분석법(mass spectrometry)**이라는 강력한 도구를 사용하여 아주 작은 분자들을 파편으로 "부수고", 그 파편들이 만드는 고유한 패턴인 **스펙트럼(spectrum)**을 만들어냅니다. 이 패턴은 마치 산산조각 난 유리 조각과 같습니다. 그것은 분자의 정체성에 대한 비밀을 담고 있습니다. 하지만 탐정이 비교할 수 있는 '알려진 병들의 데이터베이스'가 없다면 사건을 해결할 수 없듯이, 화학자들도 자신의 스펙트럼 패턴이 라이브러리에 등록되어 있지 않다면 분자를 식별할 수 없습니다.

문제는 가능한 분자의 세계가 너무나 방대하여, 우리의 실험적 라이브러리는 마치 거대한 대양에 떨어진 작은 물방울과 같다는 점입니다. 우리는 실제 샘플을 불과 몇 백만 개만 테스트했을 뿐이지만, 가능한 조합은 수십억 개에 달합니다. 이 간극을 메우기 위해 과학자들은 컴퓨터를 사용하여 실제 존재하는 분자의 '산산조각 난 유리 조각'이 어떤 모습일지 예측하려고 시도해 왔습니다. 하지만 이러한 컴퓨터 예측은 종종 지저-분하고 오류가 많으며, 탐정을 잘못된 길로 인도할 수 있습니다. 따라서 이 분야의 핵심 질문은 이것입니다: 어떻게 하면 이 지저분한 컴퓨터 생성 단서들을 사용하여 노이즈에 속지 않고 진짜 정답을 찾아낼 수 있을 것인가?

---

논문의 핵심 아이디어: 거대한 라이브러리를 가진 스마트한 탐정

이 논문은 SiTGen이라는 새로운 탐정 도구를 소개합니다. 이것은 단순히 맨바닥에서 답을 추측하는 것이 아니라, 거대한 컴퓨터 생성 '가상 시나리오' 라이브러리를 사용하여 분자의 실제 구조를 파악하는 데 도움을 주는 초스마트 AI라고 생각하면 됩니다.

이야기는 다음과 같이 전개됩니다:

1. "만약에" 라이브러리의 문제점
보통 과학자들이 분자를 식별하고 싶을 때, 실제 스펙트럼을 알려진 실제 스펙트럼 라이브러리와 비교합니다. 일치율이 완벽하다면 좋습니다! 하지만 분자가 새롭거나 희귀하다면 라이브러리는 비어 있게 됩니다. 이를 해결하기 위해 연구자들은 거대한 예측된 스펙트럼(컴퓨터의 추측) 라이브러리를 구축했습니다. 문제는 이 라이브러리들이 너무 크고 예측값이 너무 노이즈가 심해서, 건초더미에서 바늘을 찾는 것만큼 어렵다는 것입니다. 이는 마치 백만 명의 사람들이 저마다 조금씩 다르고 혼란스러운 가면을 쓰고 있는 군중 속에서 특정 친구를 찾는 것과 같습니다.

2. SiTGen 전략: 검색, 필터링, 그리고 생성
이 논문의 저자들은 단순히 AI에게 이 지저분한 예측값들을 암기하도록 훈련시키지 않았습니다. 대신, 그들은 매우 효율적인 탐정 팀처럼 작동하는 3단계 프로세스를 구축했습니다:

• 1단계: 신속한 검색 (Retrieval). 새로운 미지의 스펙트럼이 들어오면, SiTGen은 먼저 862,963개의 컴퓨터 예측 스펙트럼으로 구성된 거대한 라이브러리를 검색합니다. 이 과정에서 "Flash Entropy Search"라는 빠른 방법을 사용하여 유사할 가능성이 있는 후보군 수천 개를 뽑아냅니다. 이는 마치 군중을 빠르게 훑으며 당신의 친구와 비슷하게 생긴 사람들을 찾는 것과 같습니다.
• 2단계: 스마트 필터 (Reranking). 이 부분이 결정적입니다. 초기 검색은 노이즈가 많습니다. 즉, 많은 "닮은꼴"들이 사실은 가짜(impostors)일 수 있습니다. SiTGen은 두 번째의 더 똑똑한 AI(LightGBM 모델)를 엄격한 문지기로 사용하여 후보들을 걸러냅니다. 이 모델은 분자량이나 특정 화학식과 같은 추가적인 단서들을 대조하여 잘못된 매칭을 걸러냅니다. 이 단계는 남은 후보들의 순위를 매겨 정말 도움이 될 법한 것들만 남깁니다. 이 과정을 통해 지저분했던 목록은 고품질의 요약 목록으로 변하며, "좋은" 매칭을 찾아내는 비율이 크게 증가했습니다.
• 3단계: 창의적인 설계자 (Generation). 마지막으로, AI는 단순히 목록에서 가장 좋은 것을 고르는 데 그치지 않습니다. 대신, 가장 좋은 매칭들을 가이드 삼아 완전히 새로운 구조를 처음부터 만들어냅니다. AI는 실제 스펙트럼, 분자식, 그리고 찾은 상위 몇 개의 "참조" 구조들을 살펴본 뒤, 언어를 이해하는 데 유명한 AI인 트랜스포머(Transformer)를 사용하여 가장 가능성 높은 화학 구조를 생성합니다. 이는 마치 요리사가 몇 가지 비슷한 레시피와 재료 목록을 보고, 단순히 기존 레시피를 복사하는 것이 아니라 완벽한 새로운 요리를 발명하는 것과 같습니다.

3. 연구 결과
연구팀은 SiTGen을 MassSpecGym이라는 표준 벤치마크로 테스트했습니다. 이 벤치마크는 진정한 창의력을 테스트하기 위해 훈련 데이터에서 유사한 분자들을 숨겨놓은 매우 어려운 테스트입니다.

• 결과: SiTGen은 정답을 첫 번째 추측으로 맞춘 확률이 **9.48%**였으며, 상위 10개 후보 안에 정답이 포함될 확률은 **18.74%**였습니다.
• 비교: 이는 이전 방식들보다 현저히 우수한 성적이었습니다. 예를 들어, 그다음으로 좋은 방법인 MetGenX는 첫 번째 추측에서 정확한 구조를 맞춘 비율이 **2.50%**에 불과했습니다. SiTGen은 이 성공률을 거의 4배 가까이 높였습니다.

4. 실제 데이터에서도 작동하는가?
저자들은 테스트 점수에서 멈추지 않았습니다. 그들은 SiTGen이 한 번도 본 적 없는 것들을 처리할 수 있는지 확인하고 싶었습니다.

• PFAS 테스트: 그들은 300종의 불소 화합물 오염물질(PFAS) 그룹을 테스트했습니다. AI는 훈련 과정에서 이 화학 물질들을 거의 본 적이 없었습니다. 이러한 "도메인 외(out-of-domain)" 도전 과제에도 불구하고, SiTGen은 첫 번째 추측에서 정답을 **39.33%**의 확률로 찾아냈습니다. 전문화된 도구인 MSGo가 약간 더 높은 성능(48%)을 보였지만, SiTGen은 별도의 특화 훈련 없이도 이러한 까다로운 화학 물질들을 다룰 수 있음을 증명했습니다.
• 실제 환경 테스트: 또한 그들은 고성능 실험 장비(Orbitrap)에서 얻은 100개의 실제 스펙트럼을 테스트했습니다. 여기서 SiTGen은 압도적인 승자였습니다. 라이브러리에서 단순히 답을 찾는 방식은 **4%**의 성공률을 보인 반면, SiTGen의 "검색 및 구축(search-and-build)" 방식은 정답을 **43%**의 확률로 찾아냈습니다.

5. 이 모델이 '아닌 것'에 대한 명시적 설명
이 논문이 주장하지 않는 바를 명시하는 것도 중요합니다. 저자들은 그 지저분한 컴퓨터 예측값들을 직접 AI에게 훈련시키는 방식에 대해 명확히 반대합니다. 그들은 만약 AI에게 예측된 스펙트럼을 주된 스승으로 직접 학습시킨다면, AI가 컴퓨터의 오류까지 학습하게 되어 오히려 성능이 떨어진다는 것을 발견했습니다. SiTGen이 효과적인 이유는 예측값을 직접적인 스승이 아닌, 필터링해야 할 '검색 가능한 참조 라이브러리'로 취급했기 때문입니다.

6. 결론
이 논문은 거대한 컴퓨터 생성 라이브러리와 스마트한 필터링 시스템을 결합함으로써, 우리가 현재 실험실에서 테스트할 수 있는 범위를 훨씬 넘어 분자 식별의 "탐색 공간"을 확장할 수 있음을 시사합니다. 이 방식이 모든 어려운 사례를 완벽히 해결하는 것은 아니지만(여전히 가장 어려운 사례의 약 90%를 첫 번째 추측에서 놓칩니다), 예측된 데이터를 사용하여 분자 식별을 훨씬 더 신뢰할 수 있게 만들고 더 넓은 화학적 세계를 포괄할 수 있는 강력한 새로운 방법을 제시합니다. 저자들은 이러한 "검색 증강(retrieval-augmented)" 접근 방식이 예측된 스펙트럼 정보의 오류가 최종 결과물을 망치지 않도록 하면서도, 그 정보를 최대한 활용할 수 있는 실용적인 방법이라고 결론짓습니다.