케미셉션 최소 화학 지식으로 전문가 수준 QSAR QSPR 모델 성능 구현

초록

본 논문은 2차원 분자 구조 이미지를 입력으로 하는 깊은 합성곱 신경망(CNN)인 Chemception을 제안한다. 화학적 지식이나 전통적인 분자 설명자를 사용하지 않고도 독성, 활성, 용해도 등 다양한 물성 예측에서 기존 ECFP 기반 MLP와 동등하거나 더 나은 성능을 보였다.

상세 분석

Chemception은 구글 Inception‑ResNet 구조를 변형한 깊은 CNN으로, 입력은 RDKit 등으로 생성한 2D 분자 그림이다. 이미지 해상도는 80×80 픽셀로 고정하고, 각 원자는 색상 채널(R,G,B)로 구분해 원소 종류와 결합 정보를 암묵적으로 인코딩한다. 이 접근법은 전통적인 화학 피처(예: 원자 종류, 전하, 토폴로지)를 명시적으로 제공하지 않으며, 네트워크 자체가 이미지에서 유용한 패턴을 학습하도록 설계되었다.

네트워크는 초기 7×7 컨볼루션 레이어와 여러 Inception‑ResNet 블록을 거쳐 전역 평균 풀링(Global Average Pooling) 후 완전 연결층을 통해 최종 예측값을 산출한다. 활성화 함수는 ReLU, 정규화는 배치 정규화(Batch Normalization)를 적용해 학습 안정성을 높였다. 손실 함수는 회귀 문제에서는 평균 제곱 오차(MSE), 분류 문제에서는 교차 엔트로피를 사용했으며, Adam 옵티마이저로 학습률을 1e‑3에서 시작해 10‑epoch마다 감소시켰다.

데이터셋은 독성(Tox21, 7,8008,000분자), 활성(ESOL, 1,128분자), 용해도(FreeSolv, 6,000분자) 등 3가지 물성을 대상으로 60040,000개의 화합물을 사용했다. 각 데이터셋에 대해 5‑fold 교차 검증을 수행했으며, 성능 평가는 ROC‑AUC(분류)와 RMSE(회귀)로 측정했다. 결과적으로 Chemception은 ECFP‑MLP 대비 독성 예측에서는 약 0.02 낮은 AUC를 보였지만, 활성 및 용해도 예측에서는 각각 0.010.03 높은 AUC와 0.120.18 낮은 RMSE를 기록했다. 이는 이미지 기반 피처가 화학적 상호작용을 충분히 포착할 수 있음을 시사한다.

한계점으로는 이미지 해상도와 화학 구조의 복잡도 사이의 트레이드오프가 존재한다는 점이다. 고해상도 이미지는 더 많은 세부 정보를 제공하지만 메모리와 연산 비용이 급증한다. 또한, 입체화학(스테레오) 정보가 2D 그림에 완전히 반영되지 않아 입체특이적 반응이나 물성 예측에 제약이 있다. 향후 연구에서는 3D 격자 또는 그래프 신경망과 결합해 입체 정보를 보강하거나, 전이 학습(transfer learning)으로 대규모 공개 화합물 데이터베이스를 사전 학습시켜 소규모 도메인 데이터에 대한 일반화 능력을 향상시킬 수 있다.

전반적으로 Chemception은 화학 지식이 최소화된 상태에서도 기존 피처 기반 모델과 경쟁력 있는 성능을 달성했으며, 딥러닝이 화학 분야에서 피처 엔지니어링 부담을 크게 경감시킬 수 있음을 실증하였다.