향기 임베딩을 하나로: 단일 분자와 혼합물 통합 모델 AROMMA

초록

AROMMA는 화학 기반 기초 모델과 주의집중 집계 모듈을 결합해 단일 분자와 두 분자 혼합물의 냄새 임베딩을 동일한 공간에 정렬한다. 지식 증류와 클래스‑인식 의사라벨링을 통해 서로 다른 라벨 집합과 희소성을 완화하고, GS‑LF와 BP 데이터셋에서 각각 AUROC를 3.2%와 19.1% 향상시켜 최첨단 성능을 달성한다.

상세 분석

본 논문은 향기 예측 분야에서 가장 큰 제약 중 하나인 데이터의 파편화와 라벨 불균형 문제를 해결하기 위해 ‘통합 임베딩 공간’이라는 새로운 패러다임을 제시한다. 먼저, 기존의 POM(Principal Odor Map)이 5천 개 정도의 단일 분자에만 학습된 반면, AROMMA는 5천만 개 분자를 사전학습한 SPMM(Structure‑Property Multi‑Modal foundation model)을 기반으로 한다. SPMM의 SMILES 인코더를 LoRA(저‑랭크 어댑테이션)로 미세조정함으로써, 화학 구조와 53가지 생화학적 특성을 동시에 포착하는 고차원 표현을 얻는다.

혼합물 처리에서는 두 분자 간 비선형 상호작용을 모델링하기 위해 ‘분자‑별 자기‑주의(MSA)’와 ‘전역 학습 가능한 쿼리’를 이용한 교차‑주의(cross‑attention) 집계기를 설계하였다. MSA는 각 분자가 서로에게 영향을 미치는 비대칭 관계를 학습하게 하며, 이후 학습 가능한 쿼리는 CLS 토큰과 유사하게 전체 혼합물의 전역 표현을 생성한다. 이 구조는 순열 불변성을 유지하면서도 단순 평균·분산 같은 통계적 풀링보다 미세한 상호작용을 포착한다는 점에서 기존 POMMix의 한계를 극복한다.

라벨 정합성 문제는 두 단계로 해결한다. 첫째, 단일 분자 데이터(GS‑LF)와 혼합물 데이터(BP)의 라벨 집합을 152개로 통합하고, BP의 78개 누락 라벨을 0으로 패딩한다. 둘째, POM을 교사 모델로 삼아 다중 라벨 로짓 증류(MLD) 손실을 적용, 단일 분자 임베딩을 정규화한다. 이후, 클래스‑인식 의사라벨링을 도입해 BP에서 누락된 라벨을 추정한다. 클래스별 양성 비율(γ_c)을 기반으로 임계값 τ_c를 설정함으로써, 라벨 분포를 유지하면서 높은 신뢰도의 의사라벨을 생성한다. 이 과정을 거친 Pseudo‑78, Pseudo‑152 두 버전의 데이터셋을 재학습에 활용했으며, 결과적으로 BP의 평균 라벨 수가 1.4→2.7→5.6으로 크게 증가, 라벨 희소성을 완화하였다.

실험에서는 4개의 어텐션 헤드, d_e=768→196→384 차원 변환, LoRA r=4, α=8 등 경량화된 파라미터(≈0.26%)로 학습하였다. AUROC 기준, GS‑LF에서 0.939, BP에서 0.900을 기록, 기존 POM(0.874, 0.851)과 MPNN‑GNN(0.851, 0.734)을 크게 앞섰다. Ablation 연구는 SPMM이 POM보다 우수함을 확인하고, 교차‑주의 집계가 통계적 풀링보다 성능을 높이며, 지식 증류와 LoRA가 각각 단일·혼합물 예측에 기여함을 보여준다.

전반적으로 AROMMA는 (1) 강력한 화학 기초 모델, (2) 비대칭 상호작용을 포착하는 어텐션 기반 집계, (3) 지식 증류와 클래스‑인식 의사라벨링을 통한 라벨 정합성 보강이라는 세 축을 결합해, 단일 분자와 혼합물 사이의 임베딩 정렬을 성공적으로 구현하였다. 향후 3‑D 구조와 다중 분자(3개 이상) 혼합물 확장 가능성도 제시한다.