여러 약물을 동시에 사용하는 것은 질병 치료에서 흔히 시행되는 방식이지만, 동일한 약물 조합이라도 생리적, 약리학적 또는 유전체 조건의 차이에 따라 서로 다른 효과를 초래할 수 있다. 이러한 조건들을 통칭하여 ‘컨텍스트(context)’라고 한다. 다양한 컨텍스트 전반에서 약물 조합의 결과를 정확히 예측하는 것, 즉 약물 관계 학습(drug relational learning, DRL)은 치료의 효능과 안전성을 향상시키는 데 필수적이다. 그럼에도 불구하고 기존 방법에는 두 가지 주요 과제가 있다. 첫째, 종종 특정 DRL 과제에 맞추어 설계되어 일반화 가능성이 부족하고, 둘째, 컨텍스트가 약물 상호작용에 미치는 영향을 명시적으로 모델링하지 못한다. 이러한 한계는 대부분의 방법이 주로 약물-복합물의 전체 구조에 초점을 맞추어, 컨텍스트를 반영한 예측에 결정적으로 중요한 원자 수준의 미세 상호작용을 간과하기 때문이다. 이러한 과제를 해결하기 위해, 우리는 DRL을 위한 새로운 컨텍스트 인지 계층적 융합 아키텍처를 제안한다. 약물-약물-컨텍스트 삼중항의 라벨 예측 문제로 이를 정식화함으로써, 본 접근은 약물 간 상호작용을 명시적으로 모델링한다. 즉, 먼저 약물의 고유한 원자 수준 상호작용을 학습한 뒤, 정보 융합(information fusion)을 통해 원자 수준에서 컨텍스트를 임베딩에 통합한다. 시너지(synergy) 예측, 다약제(polypharmacy) 부작용 탐지, 약물-약물 상호작용 예측과 같은 다양한 과제 전반에 걸친 실험은, 본 모델이 컨텍스트 인지 정보를 효과적으로 포착할 수 있음을 보여준다. 특히, 본 방법은 고도로 복잡한 시나리오에서도 일관되게 견고한 성능을 달성하여, 컨텍스트 인지 약물 관계 학습을 발전시키는 데 있어 적응성과 유용성을 강조한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.