LLM-H2G: biomedical semantic-enhanced hypergraph contrastive learning for herb--disease association prediction

당신이 식물, 미세한 화학 분자, 신체 단백질, 그리고 질병이라는 살아있는 조각들로 이루어진 거대하고 고대의 퍼즐을 풀려고 노력하고 있다고 상상해 보십시오. 수 세기 동안 전통 중의학은 사람을 치료하기 위해 약초의 복잡한 처방을 사용해 왔지만, 특정 약초가 정확히 어떻게 특정 질병을 고치는지 알아내는 것은 다른 바늘들로 만들어진 건불더미 속에서 단 하나의 바늘을 찾는 것과 같습니다. 문제는 하나의 약초가 단 한 가지 성분으로 이루어진 것이 아니라 수백 가지 화학 물질의 칵테일이며, 그 화학 물질들이 우리 몸의 수천 가지 서로 다른 단백질을 건드릴 수 있다는 점입니다. 과학자들은 컴퓨터 네트워크를 사용하여 이 연결 고리들을 지도처럼 그려보며 약초와 질병 사이의 선을 그려왔습니다. 하지만 종종 이 지도는 구멍투성이입니다. 많은 약초가 디지털 기록에서 너무 희귀하거나 연구가 부족하여, 컴퓨터는 이들을 세상의 나머지 부분과 연결될 다리가 없는 고립된 섬으로 인식합니다. 지도가 이토록 희소할 때, 기존의 방식들은 길을 잃고 어떤 약초가 어떤 병에 도움이 될지 예측하지 못하게 됩니다.

여기서 새로운 종류의 탐정 작업이 등장합니다. 연구자들은 LLM-H2G라고 불리는 도구를 개발했습니다. 이것을 단순히 연결 관계의 지도를 보는 것을 넘어, 모든 식물과 질병의 "전기(biography)"까지 읽어내는 매우 똑똑한 사서라고 생각하십시오. 강력한 언어 모델(인간처럼 텍스트를 이해하는 일종의 AI)을 사용함으로써, 이 도구는 연결 관계의 지도가 비어 있더라도 약초와 질병 이름 뒤에 숨겨진 "의미"를 이해할 수 있습니다. 이 도구는 이러한 "텍스트적 지혜"를 일반적인 지도보다 더 많은 사물을 그룹으로 처리하는 데 능숙한 "하이퍼그래프(hypergraph)"라는 특수한 형태의 네트워크와 결합합니다. 그 결과, 데이터가 지저도 있거나 불완전하더라도 식물과 질병 사이의 새로운 숨겨진 치유 연결 고리를 예측할 수 있으며, 심지어 특정 화학 물질과 단백질을 지목함으로써 왜 특정 약초가 효과가 있는지 그 이유까지 설명할 수 있는 시스템이 탄생했습니다.

스마트 약초 탐색기의 이야기

이 논문은 어떤 약초가 어떤 질병을 치료할 수 있는지 예측하기 위해 설계된 새로운 컴퓨터 프레임워크인 LLM-H2G를 소개합니다. 저자들은 계산 의학의 특정 골칫거리를 해결하기 위해 이 도구를 만들었습니다. 기존 방식들은 데이터의 "형태"(사물들을 연결하는 선)에 너무 크게 의존합니다. 만약 약초의 기록된 연결이 매우 적다면, 기존 모델들은 실패합니다. LLM-H2G는 여기에 "의미론적 이해(semantic understanding)"라는 층을 추가함으로써 이를 해결합니다. 즉, 본질적으로 약초와 질병의 이름과 설명을 읽어 그것들이 무엇인지 이해하는 것입니다.

작동 방식 (비유):
당신이 학교에 새로 온 전학생이 누구와 친구인지 추측하려고 한다고 상상해 보십시오.

• 기존 방식 (그래프 모델): 당신은 좌석 배치도를 봅니다. 만약 새 학생이 아직 아무도 옆에 앉지 않았다면, 당신은 그 학생의 친구가 누구인지 전혀 알 수 없습니다. 당신은 막히게 됩니다.
• LLM-H2G 방식: 당신은 좌석 배치도를 보면서 동시에 그 학생의 일기를 읽습니다. 설령 그 학생이 아직 아무와도 같이 앉지 않았더라도, 일기에는 "나는 축구와 과학을 좋아한다"라고 적혀 있습니다. 그러면 당신은 축구와 과학을 좋아하는 아이들이 뒷줄에 있다는 것을 알게 됩니다. 따라서 당신은 그들이 아직 함께 앉아 있는 것을 보지 못했더라도, 그들과 친구가 될 것이라고 예측합니다.

이 논문의 모델에서 "일기"는 생물 의학 언어 모델입니다. 이 모델은 약초, 화합물, 단백질, 질병의 이름을 가져와 풍부하고 의미 있는 설명으로 변환합니다. "좌석 배치도"는 약초를 화합물로, 화합물을 단백질로, 단백질을 질병으로 연결하는 복잡한 네트워크인 하이퍼그래프입니다. 모델은 "일기 설명"이 "좌석 배치도 현실"과 일치하도록 만드는 대조 학습(contrastive learning) 기법을 사용하여, 예측이 똑똑하면서도 생물학적 사실에 근거하도록 보장합니다.

연구 결과:
연구진은 두 개의 거대한 데이터셋인 TCM-suite(구조화된 중의학 데이터베이스)와 Ethnobotany(전 세계의 더 넓고 무질서한 식물 지식 모음)를 대상으로 LLM-H2G를 테스트했습니다.

• 결과: 새로운 모델은 경쟁 모델들을 압도했습니다. 구조화된 TCM-suite에서 이 모델은 올바른 연결을 예측하는 데 있어 0.9970(1.0 만점)이라는 완벽에 가까운 점수를 기록했습니다. 데이터가 무질서하여 다른 모델들이 0.65 정도의 점수로 고전했던 Ethnobotany 데이터셋에서도, LLM-H2G는 0.85로 뛰어올랐습니다.
• "희소성" 문제: 가장 큰 승리는 연결된 기록이 매우 적은 약초들에 대한 것이었습니다. 알려진 질병 연결이 단 하나뿐인 약초의 경우, 기존 모델들은 거의 무작위(마치 동전 던지기처럼)로 수행되었습니다. 그러나 LLM-H2G는 텍스트 설명을 사용하여 연결 고리를 찾아냈으며, 이를 통해 정확도를 엄청나게 향상시켰습니다. 이는 약초의 "친구 목록"을 보는 것만큼이나 그 약초의 "교과서"를 읽는 것이 중요하다는 것을 시사합니다.

왜 중요한가 (아하! 모먼트):
이 논문은 단순히 "작동한다"라고 말하는 데 그치지 않고, "어떻게" 작동하는지를 보여줍니다. 저자들은 알려진 약초-질병 쌍을 대상으로 모델에게 "어떤 화학 물질과 단백질을 사용하여 이 예측을 했는가?"라고 물었습니다.

• 사례 연구 1: 염증에 사용되는 약초에 대해, 모델은 **쿠마린(coumarin)**이라는 화합물과 COX-2라는 단백질을 지목했습니다. 연구진이 컴퓨터 시뮬레이션(분자 도킹)을 통해 테스트했을 때, 이들의 모양은 마치 열쇠와 자물쇠처럼 완벽하게 들어맞았습니다.
• 사례 연구 2: 대장암에 사용되는 약초에 대해, 모델은 **알파-리놀렌산(alpha-linolenic acid)**과 TP53 단백질을 강조했습니다. 다시 한번, 시뮬레이션은 강한 물리적 결합을 보여주었습니다.

미지의 발견:
가장 흥激한 부분은 모델이 공식 기록에는 누락되어 있지만 실제 과학적 근거가 있는 연결 고리를 찾아냈다는 점입니다.

• 은행나무(Ginkgo) 사례: 모델은 **은행나무(Gingko biloba)**가 **방사선 손상(Radiation Injuries)**을 치료할 수 있다고 예측했습니다. 이는 훈련 데이터에 없던 내용이었습니다. 그러나 연구진이 과학 문헌을 확인했을 때, 은행나무가 산화 스트레스를 줄임으로써 방사선 손상으로부터 보호한다는 여러 연구를 발견했습니다. 모델은 텍스트 기반 추론을 통해 숨겨진 진실을 성공적으로 "재발견"한 것입니다.
• 기타 성과: 모델은 또한 밀크씨슬(간 보호), 인삼(발기 부전), 생강(메스꺼움)에 대한 연결 고리를 올바르게 예측했습니다. 이들은 모두 데이터셋에 주석이 달려 있지 않았지만 약리학적으로 잘 알려진 사실들입니다.

논문이 배제하는 것:
저자들은 이것이 마법이 아님을 명확히 밝힙니다. 그들은 "텍스트 읽기" 부분(언어 모델)을 제거하거나 "복잡한 네트워크" 부분(하이퍼그래프)을 제거하면 모델의 성능이 현저히 떨어진다는 것을 명시적으로 보여주었습니다. 이는 최상의 결과를 얻기 위해서는 텍스트 이해와 복잡한 네트워크 구조가 모두 필요하다는 것을 증명합니다. 또한, 모델이 이러한 새로운 연결을 제안하더라도, 이것들은 추가적인 실제 실험이 필요한 "후보" 발견들이라는 점을 분명히 했습니다. 다만 지금까지 확인한 것들은 매우 유망해 보인다는 점도 덧붙였습니다.

요약하자면, LLM-H2G는 자연의 약국을 바라보는 새로운 방식입니다. 이것은 과학 텍스트를 읽는 힘과 복잡한 생물학적 네트워크를 매핑하는 힘을 결합하여, 데이터가 너무 희소하거나 관계가 너무 복잡해서 이전에는 보이지 않았던 치유의 연결 고리를 찾을 수 있게 해줍니다. 이는 컴퓨터에게 식물과 질병의 이름을 "읽는 법"을 가르침으로써, 우리가 어떻게 치유되는지에 대한 더 깊은 이해를 열 수 있음을 시사합니다.