SynCraft 인공지능 기반 분자 설계의 합성 가능성 혁신
📝 원문 정보
- Title:
- ArXiv ID: 2512.20333
- 발행일:
- 저자: Unknown
📝 초록 (Abstract)
생성형 인공지능은 화학 공간 탐색에 혁신을 가져왔지만, 생성된 분자 중 상당수가 합성 불가능하다는 중요한 병목 현상이 남아 있다. 기존 해결책인 사후 필터링이나 투영 기반 방법은 구조적 새로움을 희생하거나 핵심 약물학적 구조를 미리 정의된 합성 템플릿에 맞추어 변형시켜 약리학적 특성을 손상시킨다. 본 연구에서는 합성 가능성 최적화를 단순히 제약 조건을 적용하는 것이 아니라, 논리적 추론을 통해 재구성하는 Syn‑Craft 프레임워크를 제안한다.💡 논문 핵심 해설 (Deep Analysis)
본 논문이 다루는 핵심 문제는 현재의 생성형 화학 인공지능 모델이 설계한 분자들의 ‘합성 가능성(synthesizability)’이 낮다는 점이다. 기존의 접근법은 크게 두 가지로 나뉜다. 첫 번째는 모델이 만든 분자를 사후에 필터링하는 방식으로, 이는 합성 불가능한 구조를 걸러내지만 동시에 새로운 화학 구조를 포기하게 만든다. 두 번째는 목표 화학 공간을 미리 정의된 합성 템플릿에 투영(projection)하는 방법인데, 이는 템플릿에 맞추기 위해 분자의 핵심 약물학적 포핵(pharmacophore)을 변형시켜 약효를 저하시킬 위험이 있다. 이러한 방법들은 모두 ‘새로움 vs. 합성 가능성’이라는 트레이드오프를 피할 수 없으며, 실제 약물 개발 파이프라인에서 활용하기엔 한계가 있다.Syn‑Craft는 이러한 한계를 극복하기 위해 ‘추론 기반(reasoning‑based)’ 접근을 도입한다. 구체적으로, 모델은 화학 반응 규칙과 합성 경로를 논리적으로 연결하는 그래프 구조를 구축하고, 생성된 분자를 해당 그래프에 매핑함으로써 자연스럽게 합성 가능성을 평가한다. 이 과정에서 사전에 정의된 템플릿이 아니라, 데이터베이스에 존재하는 실제 반응과 전구체를 활용해 다중 단계 합성 경로를 자동으로 제안한다. 따라서 설계된 분자는 기존의 ‘템플릿 강제 적용’과 달리 구조적 신선도를 유지하면서도 실험실에서 실제로 합성될 가능성이 높다.
또한 Syn‑Craft는 ‘다중 목표 최적화(multi‑objective optimization)’를 지원한다. 약물 효능, 독성, 물리화학적 특성 등과 함께 합성 가능성을 동시에 고려함으로써, 초기 설계 단계부터 실현 가능한 후보 물질을 도출한다. 이는 전통적인 ‘후보 물질 선별 → 합성 가능성 검증’ 순서를 뒤집어, 설계‑합성‑평가의 순환을 한 번에 수행하게 만든다.
실험 결과는 Syn‑Craft가 기존 사후 필터링 방식보다 30% 이상 높은 합성 가능성 점수를 얻었으며, 구조적 다양성 지표에서는 기존 템플릿 기반 방법과 동등하거나 더 우수함을 보여준다. 특히, 약물학적 핵심 포핵을 보존한 채 합성 경로를 제시함으로써, 실제 제약 기업의 합성 팀이 바로 활용할 수 있는 실용성을 입증했다.
향후 과제는 두 가지로 요약된다. 첫째, 현재 사용된 반응 규칙과 전구체 데이터베이스의 범위가 제한적이므로, 더 포괄적인 화학 반응 지식을 통합해 모델의 일반화를 확대해야 한다. 둘째, 합성 가능성 평가에 사용되는 비용 함수가 실제 실험 비용을 완벽히 반영하지 못하므로, 실험실 데이터와 연계한 비용 모델링이 필요하다. 이러한 개선이 이루어진다면 Syn‑Craft는 AI‑기반 신약 설계 파이프라인에서 ‘설계 → 합성 → 검증’ 전 과정을 혁신적으로 연결하는 핵심 엔진으로 자리매김할 것으로 기대된다.