🧬 생물학

Benchmarking Data Augmentation Strategies for Drug--Target Interaction Prediction under Class Imbalance: A Controlled Comparative Study

본 연구는 클래스 불균형 상황에서의 약물-표적 상호작용 예측을 위한 14가지 데이터 증강 전략에 대한 통제된 벤치마킹 분석을 제시하며, 경계 인식 정제(boundary-aware cleaning) 및 잠재 구조 인식 증강(latent-structure-aware augmentation)이 4가지 단백질 패밀리에 걸쳐 F1-스코어와 PR-AUC를 개선하는 데 있어 오버샘플링보다 우수함을 밝혀냈다.

원저자: Vitor Magalhaes Silva, Khadidja Henni, Neila Mezghani

게시일 2026-11-05

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Vitor Magalhaes Silva, Khadidja Henni, Neila Mezghani

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

생물학이라는 거대하고 정적이며 방대한 도서관 속에는 현대 의학을 이끄는 근본적인 질문이 존재합니다. 그것은 바로 어떤 화학 화합물이 어떤 단백질에 결합하여 질병을 변화시킬 것인가 하는 문제입니다. 이것은 약물-표적 상호작용(drug-target interaction)의 영역으로, 과학자들이 잠재적 의약품과 그것이 고치고자 하는 생물학적 기계 사이의 보이지 않는 악수를 지도화하려는 시도가 이루어지는 분야입니다. 문제는 데이터의 부족이 아니라 균형의 부족입니다. 현실 세계에서 확인된 상호작용은 수백만 개의 쓸모없는 열쇠들 사이에서 딱 맞는 몇 개의 특정 열쇠를 찾는 것처럼 매우 드뭅니다. 가능한 조합의 대다수는 알려지지 않았거나 기능이 없는 것으로 알려져 있습니다. 이러한 극단적인 불균형은 컴퓨터 모델에 사각지대를 만드는데, 모델들은 흔하고 안전한 사례들을 선호하느라 드물고 중요한 일치 사례들을 무시하는 경향이 있습니다. 이를 해결하기 위해 연구자들은 더 많은 희귀 사례를 보여줌으로써 모델을 학습시키려 노력해 왔으며, 공백을 메우기 위해 인위적으로 새로운 데이터 포인트를 생성해 왔습니다. 그러나 결정적인 질문이 남아 있습니다. 데이터를 만들어내는 것이 실제로 도움이 되는가, 아니면 그저 모델을 혼란스럽게 만드는가 하는 점입니다.

몬트리올의 TELUQ 대학교와 CHUM 연구 센터의 연구팀은 엄격하고 통제된 실험을 통해 이 질문에 답하고자 했습니다. 그들은 단순히 새로운 방법을 제안한 것이 아니라, 합성 데이터를 생성하는 14가지 서로 다른 전략을 비교할 수 있는 테스트 환경을 구축했습니다. 이 전략들은 기존의 사례를 단순히 복사하여 붙여넣는 것부터, 완전히 새롭고 그럴듯한 약물-단백질 쌍을 처음부터 발명하려고 시도하는 복잡한 생성 모델에 이르기까지 다양했습니다. 연구팀은 이 방법들을 효소, G-단백질 결합 수용체, 이온 통로, 핵 수용체라는 네 가지 뚜렷한 단백질 군에 적용했으며, 이 분야의 공통 언어 역할을 하는 표준 벤치마크 데이터셋을 사용했습니다. 그들은 모든 방법이 동일한 데이터 분할과 동일한 최종 예측 엔진을 사용하여 정확히 동일한 조건 하에 테스트되도록 함으로써, 결과가 고립된 일화들의 모음이 아닌 공정한 비교가 되도록 보장했습니다.

연구 결과는 놀라울 정도로 미묘했습니다. 연구진은 모든 상황에 적용되는 단 하나의 "최선"의 데이터 증강 방법은 없다는 사실을 발견했습니다. 실제로 가장 정교하고 첨단 기술을 사용한 방법들이 단순하고 오래된 기술들을 일관되게 능가하지는 못했습니다. 어떤 단백질 군의 경우, 데이터 클래스 간의 경계가 겹치는 부분을 정리하거나 사례의 수를 단순히 조정하는 기본적인 방법에서 최선의 결과가 나타났습니다. 다른 경우에는 데이터의 기저 구조를 학습하여 새로운 샘플을 생성하는 고급 수학을 사용하는 더 복잡한 생성 모델이 특정 지표에서 약간의 개선을 보여주기도 했지만, 그것이 더 나은 전체 예측을 보장하지는 않았습니다. 가장 중요한 발견 중 하나는 데이터를 생성하는 데 사용된 방법보다 데이터의 기저 표현(representation)의 품질이 더 중요하다는 것이었습니다. 만약 컴퓨터가 약물과 단백질을 이해하는 초기 방식이 취약하다면, 아무리 많은 합성 데이터를 추가하더라도 최종 예측을 바로잡을 수 없었습니다.

또한 이 연구는 모델을 평가하는 방식에 있어 중요한 절충 관계를 강조했습니다. 연구진이 훈련 데이터를 상호작용하는 쌍과 상호작용하지 않는 쌍의 수가 동일하도록 완벽하게 균형을 맞추도록 강제했을 때, 모델은 드문 상호작용을 찾아내는 능력은 향상되었으나 오보(false alarms)를 피하는 능력은 떨어지는 경우가 많았습니다. 반대로, 데이터를 자연스러운 불균형 상태로 두었을 때 때때로 더 신뢰할 수 있는 전반적인 결과를 얻을 수 있었습니다. 연구팀은 특정 단백질 군의 경우, 가장 복잡한 생성형 AI가 아니라 데이터의 자연스러운 구조를 존중하는 균형 잡힌 접근 방식을 통해 최상의 성능이 달성된다는 것을 발견했습니다. 그들은 인공 데이터를 추가하는 것이 자동으로 신약 발견을 개선하는 마법의 탄환이 아니라고 결론지었습니다. 대신, 이러한 기술의 성공 여부는 구체적인 생물학적 맥락, 초기 데이터 표현의 품질, 그리고 예측의 구체적인 목표에 크게 좌우됩니다. 이 연구는 약물이 어떻게 작용하는지를 예측하는 과정에서, 단순히 더 많은 데이터를 생성하는 것보다 세심하고 통제된 실험이 종종 더 나은 통찰력을 제공한다는 점을 시사하며 필요한 현실적인 점검을 수행하고 있습니다.

기술 요약: 클래스 불균형 상황에서의 약물-표적 상호작용 예측을 위한 데이터 증강 전략 벤치마킹

1. 문제 정의

약물-표적 상호작용(DTI) 예측은 계산 약물 발견의 핵심적인 구성 요소이지만, 극심한 클래스 불균형과 희소한 상호작용 행렬이라는 중대한 문제에 직면해 있다. 벤치마크 및 실제 데이터셋에서 확인된 양성 상호작용은 가능한 약물-표적 쌍 중 아주 적은 부분만을 차지한다. 이러한 조건 하에서 학습된 모델은 다수 클래스(비상호작용)를 선호하는 경향이 있어, 실제 상호작용에 대한 민감도가 제한되고 오도된 성능 추정치를 나타내게 된다.

데이터 증강이 희소성과 불균형을 해결하기 위해 빈번하게 사용되지만, 기존 문헌에는 통일된 평가 프레임워크가 부족하다. 기존 연구들은 이질적인 전략(예: 리샘플링, 생성 모델, 행렬 분해)과 일관되지 않은 평가 프로토콜(예: 다양한 데이터 분할, 누수 제어, 음성 샘플링)을 사용하고 있으며, 이는 특정 방법론의 강건성을 비교하는 것을 어렵게 만들고 비교 가능성을 저해한다.

2. 방법론

본 연구는 14가지의 서로 다른 데이터 증강, 리샘플링, 필터링 및 생성 방법론에 대한 통제된 벤치마킹 분석을 제시한다. 평가는 Yamanishi 벤치마크의 네 가지 단백질 패밀리인 Enzyme, G-단백질 결합 수용체(GPCR), 이온 채널(Ion Channel), 핵 수용체(Nuclear Receptor)를 대상으로 수행되었다.

실험 파이프라인

본 연구는 혼란 변수를 제거하기 위해 설계된 통일된 실험 파이프라인을 채택하였다:

데이터 분할: 고정된 층화 5-겹 외부 교차 검증(fixed stratified five-fold outer cross-validation)이 사용되었다. 각 외부 학습 폴드 내에서, 고정된 층화 80/20 분할을 통해 내부 학습 및 검증 서브셋을 정의하였다.
누수 제어(Leakage Control): 행렬 분해 모델은 오직 내부 학습 레이블만을 사용하여 피팅되었다. 검증 및 외부 테스트 레이블은 행렬 분해 손실로부터 격리되었으며 증강 절차에서도 제외되었다.
표현 학습(Representation Learning): 잠재 표현을 생성하기 위해 세 가지 행렬 분해 백본이 활용되었다:
1. 다중 유사도 협업 행렬 분해(MSCMF): 그래프 라플라시안 정규화를 통해 약물 및 표적 유사도 행렬을 통합한다.
2. 비음수 행렬 분해(NNMF): 잠재 요인을 비음수로 제한한다.
3. 로지스틱 행렬 분해(LMF): 이진 상호작용 확률을 직접 모델링한다.
- 잠재 차원은 $k=50$ 으로 고정되었다. 약물-표적 쌍은 50차원의 약물 임베딩과 표적 임베딩을 결합하여 100차원으로 표현되었다.
증강 전략: 14가지 방법이 내부 학습 서브셋에만 적용되어 클래스 분포를 목표 비율인 50/50, 80/20, 85/15, 90/10(비상호작용/상호작용)으로 조정하였다. 방법론은 다음과 같다:
- 리샘플링/클리닝: 무작위 오버샘플링(ROS), 무작위 언더샘플링(RUS), 토멕 링크(Tomek Links), CNN + 토멕 링크.
- 합성 오버샘플링: SMOTE, 기본 SMOTE, SMOTE + 토멕 링크, ADASYN, k-Means SMOTE, Borderline-SMOTE.
- 특징 섭동(Feature Perturbation): 노이즈 주입(Noise Injection), 잠재 샘플링(Latent Sampling).
- 생성 모델: 변이형 오토인코더(VAE), 그래디언트 페널티를 포함한 와서스테인 생성적 적대 신경망(WGAN-GP), 잠재 확산 모델(Latent Diffusion Models).
다운스트림 분류: 공통적인 심층 신경망(DNN) 구조(512–256–128 은닉 유닛, ReLU 활성화 함수)가 증강된 데이터로 학습되었다.
평가: 각 구성은 확률적 DNN 학습을 포함하여 10회 반복 실행되었다. 지표로는 Accuracy, Precision, Recall, F1-score, ROC-AUC, PR-AUC가 사용되었으며, 이는 풀링된 out-of-fold 예측값으로부터 계산되었다.

3. 주요 기여

통일된 벤치마크: 본 연구는 누수 방지 처리가 된 단일 실험 파이프라인을 사용하여 네 가지 단백질 패밀리에 대해 14가지 증강 전략을 통제된 비교를 제공한다.
생성 모델 vs. 고전적 모델: 현대적인 생성적 접근 방식(WGAN-GP, VAE, Latent Diffusion)을 동일한 프레임워크 내에서 고전적인 리샘플링 및 경계 클리닝 기법과 비교 평가한다.
표현 의존성: 잠재 표현(MSCMF, NNMF, LMF)의 선택이 생성적 증강 방법과 어떻게 상호작용하는지를 명시적으로 조사한다.
비율 민감도: 타겟 클래스 분포 변화(50/50에서 90/10까지)가 모델 성능에 미치는 영향을 분석한다.

4. 결과

결과는 단일 증강 방법이나 클래스 비율이 모든 단백질 패밀리 또는 평가 지표에서 압도적인 우위를 점하지 못함을 보여준다.

성능 변동성:
- Enzyme 및 Ion Channel: 이 패밀리들은 높은 베이스라인 성능을 보였다. 증강을 적용하지 않은 MSCMF 구성이 경쟁력이 있었으며, 종종 최상의 증강 결과와 대등하거나 근접한 성능을 보였다. Enzyme의 경우, 90/10 비율에서 k-Means SMOTE를 통해 가장 높은 F1-score(0.7824)를 달성했다.
- GPCR 및 Nuclear Receptor: 이 패밀리들은 더 큰 변동성을 보였다. GPCR의 경우, Tomek Links(비율 조정 포함)가 90/10 비율에서 가장 높은 F1-score(0.5833)를 기록했다. Nuclear Receptor의 경우, **무작위 언더샘플링(Random Under-Sampling)**이 90/10 비율에서 가장 높은 F1-score(0.3705)를 달성했다.
생성 모델: 생성 모델(WGAN-GP, VAE, Latent Diffusion)이 F1-score 측면에서 고전적인 방법들을 일관되게 능가하지는 못했다.
- VAE는 GPCR에서 가장 높은 PR-AUC를 달성했다.
- Latent Diffusion은 Nuclear Receptor에서 가장 높은 ROC-AUC를 달성했다.
- 그러나 순위 지표(ROC-AUC, PR-AUC)에서의 이득이 반드시 더 높은 F1-score로 이어지지는 않았다.
잠재 표현의 영향: 백본의 선택은 생성적 성능에 상당한 영향을 미쳤다. MSCMF는 WGAN-GP 및 VAE와 함께 사용될 때 NNMF나 LMF보다 일관되적으로 높은 F1-score를 나타냈으며, 이는 생성적 증강이 약한 기초 표현을 보완할 수 없음을 시사한다.
클래스 비율 효과: 80/20 및 90/10 설정이 50/50 균형 설정보다 더 높은 F1-score를 생성하는 경우가 빈번했다. 표준 오버샘플링은 정밀도(precision)를 희생하면서 재현율(recall)을 부풀리는 경향이 있는 반면, 경계 인식 클리닝(예: Tomek Links)은 여러 설정에서 F1-score를 개선했다.

5. 의의 및 주장

본 논문은 증강 성능이 잠재 표현, 클래스 비율, 그리고 평가 지표와 불가분하게 연결되어 있다고 주장한다.

보편적 해법의 부재: 연구는 DTI 예측을 위한 "원 사이즈(one-size-fits-all)" 증강 전략은 존재하지 않는다는 결론을 내린다. 특정 방법의 효과는 단백질 패밀리와 선택된 성능 지표에 크게 의존한다.
베이스라인의 경쟁력: 증강을 적용하지 않은 MSCMF 구성이 특히 Enzyme 및 Ion Channel 패밀리에서 여전히 매우 경쟁력이 있다는 점을 보여준다. 이는 클래스 분포를 수정하는 것이 자동으로 분류 성능 향상을 보장하지 않으며, 기초적인 표현의 품질이 가장 중요하다는 것을 시사한다.
평가 프로토콜: 본 연구는 관찰된 차이가 증강 전략 자체가 아닌 실험적 아티팩트에서 기인하는 것을 방지하기 위해 통제된 평가 프로토콜(고정된 분할, 누수 제어)의 중요성을 강조한다.
생성 AI에 대한 신중한 주장: 생성 모델의 이론적 잠재력을 인정하면서도, 저자들은 생성 모델의 복잡성을 높이는 것 자체가 이러한 특정 잠재 DTI 표현에 대해 단순한 리샘플링이나 섭동 방법보다 일관된 개선을 만들어내지는 못한다고 조심스럽게 기술한다.

요약하자면, 본 연구는 증강 전략을 독립적인 전처리 단계로 취급하기보다 표현 학습 방법 및 클래스 분포와 결합하여 함께 평가할 것을 권고한다.