Multimodal Deep Learning for Drug–Drug Interaction Prediction using Structural Biological and Semantic Information

현대 의학의 세계에서 환자들은 복잡한 건강 상태를 관리하기 위해 종종 여러 가지 서로 다른 약물을 동시에 복용합니다. 이러한 방식은 생명을 구하는 데 도움이 될 수 있지만, 숨겨진 위험을 동반합니다. 두 가지 이상의 약물이 체내에서 만날 때, 예상치 못한 방식으로 반응할 수 있기 때문입니다. 약물-약물 상호작용(drug-drug interactions)이라고 알려진 이러한 반응은 유익한 치료를 위험한 것으로 바꿀 수 있으며, 심각한 부작용을 일으키거나, 약물의 효과를 감소시키거나, 심지어 입원까지 초래할 수 있습니다. 수십 년 동안 과학자들은 이러한 위험한 조합을 환자에게 도달하기 전에 찾아내기 위해 실험실 실험과 임상 시험에 의존해 왔습니다. 그러나 승인된 의약품의 수가 급격히 증가함에 따라, 가능한 모든 조합을 일일이 손으로 테스트하는 것은 불가능해졌습니다. 이는 너무 느리고, 비용이 많이 들며, 새로운 발견의 속도를 따라잡을 수 없습니다. 이로 인해 연구자들은 컴퓨터를 사용하여 이러한 상호작용을 예측하고, 수백만 개의 잠재적 조합을 빠르고 안전하게 스크리닝할 수 있기를 희망하며 컴퓨터를 활용하는 방향으로 나아가고 있습니다.

이란 기초과학 고등연구소(Institute for Advanced Studies in Basic Sciences)의 연구진이 발표한 새로운 연구는 이 수수께끼를 풀 수 있는 강력하고 새로운 방법을 제시합니다. 마흐디 누루지(Mahdi Nouroozi), 모센 후슈만드(Mohsen Hooshmand), 파테메 나시리(Fatemeh Nasiri)가 이끄는 팀은 HySEAtt-DDI라고 불리는 컴퓨터 시스템을 개발했습니다. 이들의 시스템은 약물을 단 하나의 관점으로만 보는 대신, 약물이 어떻게 작용하는지 이해하기 위해 세 가지 다른 유형의 단서를 수집하는 탐정처럼 행동합니다. 첫째, 약물의 화학적 구조를 조사하여 각 분자를 독특하게 만드는 원자들의 특정 배열을 살펴봅니다. 둘째, 약물의 생물학적 프로필을 연구하여 약물이 체내의 어떤 단백질에 결착되는지, 그리고 인체 시스템과 어떻게 상호작용하는지 확인합니다. 셋째, 가장 놀랍게도, 의료 데이터베이스에 기록된 약물의 서술된 설명을 읽으며, 고급 언어 기술을 사용하여 단어 뒤에 숨겨진 맥락과 의미를 이해합니다.

연구진은 신뢰할 수 있는 글로벌 제약 정보 저장소인 DrugBank에서 추출한 방대하고 정교하게 정제된 데이터 컬렉션을 기반으로 이 시스템을 구축했습니다. 이 데이터셋에는 2,148개의 승인된 저분자 약물과 2,000개 이상의 단백질 표적이 포함되어 있으며, 거의 60만 건의 알려진 상호작용을 다룹니다. 컴퓨터 모델이 단순한 이름 암기가 아니라 약물 상호작용의 진실을 학습하도록 하기 위해, 팀은 데이터를 익명화하여 특정 약물 이름을 일반적인 라벨로 대체했습니다. 이를 통해 시스템이 단순한 단어 연상이 아닌, 화학과 생물학의 근본적인 패턴에 집중하도록 강제했습니다. 그런 다음, 이 풍부하고 다층적인 정보를 인간이 놓칠 수 있는 복잡한 패턴을 찾아내도록 설계된 인공지능의 일종인 정교한 신경망에 입력했습니다. 이 시스템은 방대한 양의 데이터를 압축적이고 의미 있는 요약본으로 압축한 다음, 다양한 약물 특징들 사이의 국소적 세부 사항과 장거리 연결을 분석하는 일련의 특화된 층(layers)을 사용합니다.

연구진이 이 새로운 시스템을 테스트했을 때 결과는 놀라웠습니다. HySEAtt-DDI 프레임워크는 전통적인 컴퓨터 방식과 이 작업에 사용되었던 다른 고급 딥러닝 모델들을 지속적으로 능가했습니다. 일부 상호작용은 드물고 다른 상호작용은 흔한 실제 상황을 모사하도록 설계된 테스트에서, 이 새로운 시스템은 높은 수준의 정확도를 달성했으며, 경쟁 모델들보다 더 높은 신뢰도로 약물 쌍 사이의 상호작용 유형을 정확하게 식별해 냈습니다. 이 연구는 화학적, 생물학적, 텍스트 정보를 결합하는 것이 단일 데이터 소스에만 의존하는 것보다 훨씬 더 효과적이라는 것을 보여주었습니다. 예를 들어, 시스템은 약물의 텍스트 설명을 읽는 것이 화학적 구조와 단백질 표적만으로는 밝혀낼 수 없는 결정적인 통찰력을 제공한다는 것을 입증했습니다.

연구진은 또한 시스템의 어떤 부분이 가장 큰 역할을 하는지 확인하기 위해 특정 테스트를 수행했습니다. 그들은 자신들이 구축한 모든 구성 요소가 최종적인 성공에 기여했다는 것을 발견했습니다. 텍스트를 읽는 부분, 생물학적 표적을 분석하는 부분, 그리고 화학적 형태를 살펴보는 부분이 모두 고유한 가치를 더했습니다. 이 중 하나라도 제거했을 때 시스템의 성능이 저하되었으며, 이는 완전한 그림을 위해서는 세 가지 유형의 정보가 모두 필요함을 확인시켜 주었습니다. 나아가, 이 연구는 고품질의 다면적 데이터가 주어진다면 단순하고 잘 확립된 머신러닝 방법조차 매우 우수한 성능을 보일 수 있다는 점을 강조했지만, 새로운 딥러닝 아키텍처는 약물 간의 미묘하고 복잡한 관계를 포착함으로써 정확도를 더욱 높였습니다.

이 시스템은 중요한 진전이지만, 저자들은 현재의 한계점도 명확히 밝히고 있습니다. 이 시스템은 가장 흔한 유형의 의약품인 저분자 약물에 특화되어 설계되었으며, 아직 더 큰 규모의 생물학적 치료제는 다루지 않습니다. 또한, 시스템은 단일 출처의 데이터에 의존하고 있으며, 연구진은 향-후 작업에서 더 다양한 데이터를 통합하고 이 방법론이 더 드물거나 복잡한 약물 조합에 어떻게 적용될 수 있는지 탐구해야 한다고 언급했습니다. 그럼에도 불구하고, 이 연구는 컴퓨터에게 읽고, 분석하고, 다양한 종류의 과학적 정보를 연결하는 법을 가르침으로써 우리가 훨씬 더 나은 위험 예측 도구를 구축할 수 있음을 보여줍니다. 이러한 접근 방식은 위험한 약물 조합을 환자에게 도달하기 전에 식별할 수 있는 확장 가능한 경로를 제공하며, 잠재적으로 생명을 구하고 현대 의학의 복잡한 세계를 모두에게 더 안전하게 만들 것입니다.