IUPAC 이름 토큰화로 TDP1 억제제 기능군 탐색: 비용·시간 절감형 컴퓨팅 전략

초록

**
본 논문은 IUPAC 명명법을 문자 단위로 토큰화해 기능성 그룹을 이진 피처로 변환하고, 이를 Random Forest와 CID‑SID 기반 머신러닝 모델에 적용해 인간 TDP1 억제제 후보를 예측하는 프로토타입 방법을 제시한다. 실험 검증은 없으며, 향후 실험실 테스트를 위한 오픈 제안으로 남긴다.

**

상세 분석

**
이 연구는 화학 구조 정보를 직접 다루지 않고, IUPAC 명명 문자열을 그대로 활용한다는 점에서 독창적이다. 4글자 이상 문자열을 추출해 ‘phenyl’, ‘imidazo’ 등 실제 화학적 기능군을 그대로 피처로 만든 뒤, 0/1 이진 매트릭스로 변환한다. 이러한 토큰화는 이름의 순서나 PIN(Preferred IUPAC Name) 차이에 영향을 받지 않아, 동일 구조에 대한 일관된 표현을 보장한다. 그러나 문자열 매칭이 완전 일치에만 의존하기 때문에, ‘amino’와 같이 부분 문자열이 포함된 경우 누락될 위험이 있다. 또한, IUPAC 이름 자체가 복잡하거나 비표준화된 경우 토큰 손실이 발생할 수 있다.

데이터 전처리 단계에서는 PubChem AID 686978(활성 64,192, 비활성 243,131, 불확실 116,652)와 AID 1996(용해성 40,860) 데이터를 병합해 클래스 불균형을 완화한다. 그러나 두 데이터셋을 병합하면서 선택 편향(selection bias)이 도입됐으며, 이는 ‘용해성’ 기준으로 화합물을 제한함으로써 실제 TDP1 억제제 탐색 범위를 축소시킬 가능성이 있다. 테스트 셋을 인위적으로 균형 맞춘 점은 정확도 패러독스를 방지하는 좋은 시도이나, 실제 스크리닝 상황에서의 불균형을 반영하지 못한다는 한계가 있다.

머신러닝 모델은 scikit‑learn 기반 Random Forest Classifier(RFC)를 사용했으며, 피처 중요도 분석을 통해 ‘phenyl’, ‘imidazo’ 등 특정 그룹이 TDP1 억제와 강하게 연관됨을 제시한다. 하지만 모델 성능 지표(ROC‑AUC, F1 등)가 논문에 명시되지 않아, 실제 예측 능력을 평가하기 어렵다. 또한, CID/SID 기반 모델을 별도로 구축했으나, CID와 SID가 구조와 실험 컨텍스트를 연결한다는 가정이 과연 충분히 일반화 가능한지 검증이 부족하다.

실험적 검증이 전혀 이루어지지 않은 점은 가장 큰 약점이다. 제안된 기능군 리스트와 모델 예측을 실제 바이오어세이와 비교하지 않으면, ‘가짜 양성’이나 ‘가짜 음성’이 얼마나 발생하는지 알 수 없다. 또한, IUPAC 토큰화만으로는 입체화학, 라디칼, 전하 등 중요한 화학적 특성을 포착하지 못한다는 점도 고려해야 한다. 향후 연구에서는 SMILES, SELFIES 등 구조 기반 피처와 결합하거나, LLM 기반 이름 생성 모델(iupacGPT, BioT5+)과 비교 검증을 수행하는 것이 바람직하다.

요약하면, IUPAC 이름을 직접 피처화하는 접근은 저비용·고속 스크리닝에 매력적이지만, 현재 구현은 데이터 편향, 피처 손실, 검증 부족 등 여러 실용적 한계를 안고 있다. 이러한 점들을 보완한다면, 초기 후보 물질 탐색 단계에서 유용한 보조 도구가 될 가능성이 있다.

**