통합 ChemProt‑DrugProt 데이터셋을 활용한 화학‑유전자 관계 추출 성능 향상

초록

본 논문은 ChemProt와 DrugProt 두 공개 관계 추출 데이터셋을 병합해 규모와 다양성을 확대한 새로운 벤치마크를 구축하고, BioBERT 단독 모델과 GCN‑BioBERT 하이브리드 모델을 비교 평가한다. 병합 과정에서 발생한 엔티티·관계 충돌을 수동으로 해결하고, 10개의 ChemProt Relation(CPR) 그룹 중 데이터가 충분한 8개 그룹을 대상으로 실험하였다. 결과는 병합 데이터가 기존 개별 데이터셋 대비 F1 점수를 평균 3~5%p 상승시켰으며, 특히 전역 문맥을 반영한 GCN‑BioBERT가 일부 CPR 그룹에서 정밀도와 재현율 모두를 개선함을 보여준다.

상세 분석

본 연구는 화학‑유전자 관계 추출 분야에서 데이터 부족 문제를 해결하고자 두 주요 데이터셋인 ChemProt와 DrugProt을 체계적으로 병합한 점이 가장 큰 공헌이다. 병합 전후 데이터 규모를 비교하면, 학습용 추상 수가 1,020 + 3,500 → 3,824로 3배 이상 증가하고, 엔티티와 관계 수 역시 각각 25,752 + 89,529 → 97,597, 6,437 + 17,274 → 20,401로 크게 확대되었다. 특히 CPR 그룹별 분포를 정밀히 매핑해 22개의 세부 관계를 10개의 상위 그룹으로 재구성함으로써, 모델 평가 시 클래스 불균형을 완화하고 해석성을 높였다. 병합 과정에서 동일 초록에 대한 엔티티는 일관성을 확인했으나, 관계 레이블 충돌이 63건(학습)·7건(검증) 발생했으며, 이를 수동 검토 후 일관된 라벨링으로 정제하였다. 모델 측면에서는 BioBERT 기반 문장‑레벨 인코더에 두 개의 1024‑유닛 완전 연결층을 추가해 다중 클래스 분류기를 구성했으며, Adam 옵티마이저와 0.01의 가중치 감쇠를 적용해 미세조정하였다. 전역 문맥을 반영하기 위해 GCN을 도입한 GCN‑BioBERT는 논문 내에서 동일 문서 내 엔티티 간의 그래프를 구축하고, 그래프 합성곱을 통해 관계 후보 간의 구조적 정보를 학습한다. 실험 결과, BioBERT만 사용했을 때 평균 F1이 71.2%였던 반면, GCN‑BioBERT는 74.8%로 약 3.6%p 상승하였다. 특히 CPR:4(다운레귤레이터·억제제)와 CPR:5(작용제·작용제‑활성제) 그룹에서 정밀도가 5~7%p 개선되었으며, 이는 전역 문맥이 복합적인 조절 메커니즘을 파악하는 데 유리함을 시사한다. 그러나 CPR:7·8(조절제·공동작용자)처럼 샘플이 극히 적은 그룹은 여전히 과소 학습되는 한계가 남아 있다. 또한, 테스트 데이터가 공개되지 않아 최종 성능 검증이 제한적이며, 병합 과정에서 수동 라벨링에 의존한 점이 재현성에 영향을 줄 수 있다. 향후 연구에서는 자동화된 충돌 해결 알고리즘과 대규모 사전학습된 언어 모델(예: PubMedBERT)과의 비교, 그리고 외부 지식베이스(예: UMLS)와의 통합을 통해 전반적인 일반화 능력을 강화할 여지가 있다.