분자 특성 예측을 위한 화학적 해석 가능한 설명

분자 특성 예측 및 신약 개발에서 머신러닝의 활용이 증가하고 있지만, 많은 모델의 블랙박스 특성은 해석 가능성, 신뢰성 및 학제 간 연구에서의 채택을 제한합니다. 특히 분자 머신러닝 분야에서는 모델 예측에 대한 설명이 정보에 입각한 의사 결정과 후속 작업에 필수적입니다. 협력 게임 이론에서 유래한 Shapley 값은 모델 예측을 개별 입력 특성에 귀속시키는 원칙적인 프레임워크를 제공하지만, 기존 방법은 샘플링 기반 근사치에 의존하거나 추상적인 특성 수준에서 작동하여 귀속 안정성을 저하시키고 화학적 해석 가능성 및 실행 가능성을 제한합니다. 본 연구에서는 화학적으로 의미 있는 조각(fragment) 수준에서 특성 기여도를 정확하게 계산할 수 있는 조각 수준 Shapley 값 프레임워크를 소개합니다. 이 접근 방식은 샘플링이나 특성 대치(imputation)에 의존하지 않고 분자를 조각으로 분해함으로써, 확립된 화학 개념과 직접적으로 관련될 수 있는 실행 가능한 설명을 제공합니다. 제안된 방법은 확장 연결 지문(extended-connectivity fingerprints) 및 분자 그래프를 포함한 일반적인 분자 표현을 사용하여 랜덤 포레스트 및 그래프 컨볼루션 네트워크 모델에 사후적으로 적용되었습니다. 조각 수준 Shapley 값은 수용성, 돌연변이 유발성 및 항바이러스 효능의 세 가지 대표적인 특성 예측 작업에서 평가되었습니다. 그 결과, 잘 확립된 화학적 경향을 재현하고 알려진 독성 작용기를 식별하며, 안내된 분자 최적화를 가능하게 함을 확인했습니다. 또한, 이 방법은 모델 학습 특성에 대한 통찰력을 제공하고, 특히 제한적이고 구조적으로 편향된 데이터 설정에서 적용 가능성 도메인을 명확히 하는 데 도움을 줍니다. 결론적으로, 본 연구는 Shapley 값을 화학적으로 의미 있는 조각 수준으로 적용함으로써 분자 특성 예측 모델의 해석 가능성과 신뢰성을 크게 향상시킬 수 있음을 보여줍니다. 이는 머신러닝 모델의 실제 적용을 가속화하고, 화학 및 재료 과학 분야의 연구자들이 더 효과적인 의사 결정을 내릴 수 있도록 지원할 것입니다.