약물-표적 상호작용(DTI)을 정확하게 식별하는 것은 신약 개발에서 중요한 단계이다. 구조 기반 약물 설계 방법은 도킹 예측 정확도에서 인상적인 성능을 보이지만, 막대한 계산 요구와 자원 집약적 특성으로 인해 다수의 화합물을 포함하는 방대한 화학 공간을 직접 처리하기에는 비현실적이다. 이러한 한계는 잠재적 약물 후보를 효율적으로 순위화하고 필터링할 수 있도록 속도와 정확도의 균형을 이루는 계산 도구의 필요성을 부각시킨다. 이에 비해, 다양한 단백질 및 분자 특성으로부터 표현을 학습하는 기존 리간드 기반 약물 설계 방법은 종종 보지 못한 데이터나 외부 데이터베이스에 대해 일관되지 않은 예측을 수행하여, 잠재적 약물 후보를 정확하게 순위화하고 필터링하는 데 적용 가능성이 제한된다. 이러한 문제를 해결하기 위해, 우리는 구조 기반과 리간드 기반 약물 설계 접근법 사이의 간극을 연결하는 새로운 프레임워크 EnsDTI를 제안한다. EnsDTI는 기존 딥러닝 모델을 활용하여 DTI 예측을 향상시키기 위해 혼합 전문가(mixture-of-experts) 아키텍처를 사용하며, 신뢰성을 보장하기 위해 신뢰 점수(confidence score)와 함께 예측 품질을 평가하는 귀납적 적합도(Inductive conformal) 예측기를 포함한다. 널리 사용되는 4개의 벤치마크 데이터셋에 대한 실험 결과, EnsDTI는 예측 정확도와 신뢰도 추정 모두에서 일관되게 높은 성능을 달성함을 보여주었다. 또한 후보 순위는 실제 도킹 친화도와 잘 상관되어, 신약 개발에서의 실용적 유용성을 시사한다. 소스 코드와 데이터셋은 https://github.com/solanoon/EnsDTI 에서 공개되어 있다.

다중 유전자 분석은 호르몬 수용체(HR) 양성 유방암 환자의 재발 위험을 예측하기 위해 널리 사용되어 왔다. 그러나 이러한 분석들은 재발 위험의 기저 메커니즘에 대한 설명력을 결여하고 있다. 이 한계를 해결하기 위해, 우리는 다중 유전자 분석을 위한 새로운 다층 지식 그래프 신경망을 제안하였다. 본 모델은 분석 유전자의 조절 경로를 설명하였으며, 위험 예측과 관련된 전사 하위 경로를 해석하면서 재발 위험을 예측하기 위해 주의(attention) 기반 그래프 신경망을 활용하였다. SCAN-B 데이터셋을 사용하여 세 가지 다중 유전자 분석—Oncotype DX, Prosigna, EndoPredict—에서 평가한 결과, 본 방법의 효율성이 입증되었다. 주의 가중치(attention weights)를 해석한 결과, 세 가지 분석 모두 주로 암의 증식을 촉진하는 신호전달 경로에 의해 조절되며, 특히 유방암 재발을 위한 RTK-ERK-ETS 매개 세포 증식이 두드러짐을 확인하였다. 또한 본 분석에서는, 다층 지식 그래프를 구성하는 데 사용된 서로 다른 지식 기반들 간에도 중요한 조절 하위 경로가 일관되게 유지됨을 강조하였다. 더 나아가 주의 분석을 통해, 이러한 하위 경로들이 환자 예후 예측에서 갖는 생물학적 의의와 임상적 관련성을 입증하였다. 소스 코드는 http://biohealth.snu.ac.kr/software/ExplainableMLKGNN 에서 제공된다.