분자 그래프 자기지도·대조학습 기반 약물/분자 표현 학습 연구

Molecular graph self-supervised and contrastive representation learning for drug property prediction

연구 내용

분자 그래프에서 라벨이 부족한 상황을 고려해 자기지도·대조학습으로 2D/3D 정보를 반영하는 표현을 학습하고, 약물 특성 예측 및 사전학습 약물 모델 개발로 이어지는 연구

본 분야는 분자 데이터를 그래프로 모델링하고, 라벨 의존도를 낮추는 자기지도학습을 통해 분자 표현을 사전학습하는 데 초점을 둡니다. 사전학습 단계에서 대조학습, 마스킹 설계, 멀티레벨 프리텍스트 태스크를 적용하여 로컬·글로벌 구조와 의미를 함께 반영하도록 구성합니다. 또한 3D 구조 정보를 사용하는 학습 프레임워크와 공정한 비교 실험을 통해 다운스트림 성능과 표현 유용성을 검증합니다. 이를 바탕으로 약물 모델을 확장 가능한 방식으로 개발하는 데 필요한 학습 전략을 체계화합니다.

관련 프로젝트

1건

연구 흐름

초기에는 분자 그래프에서 자기지도학습이 성능에 미치는 영향과 공정한 비교 기준을 정리하고, 다운스트림에서 유용한 표현이 형성되는지 한계 조건을 분석하는 방향으로 연구를 수행했습니다. 이후에는 3D 정보를 활용하는 소형 3D 그래프 대조학습 프레임워크로 확장하여, 제한된 샘플과 모델 규모에서도 분자 특성 예측 성능을 확보하는 방법을 제안했습니다. 최근에는 마스킹 기법의 세부 설계를 체계적으로 비교하고, 로컬·글로벌 및 2D·3D·저/고수준 의미를 함께 고려하는 멀티레벨 분자 사전학습(MORE)으로 표현의 범용성을 강화하는 흐름을 보입니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

약물 효능 예측
ADMET 성능 추정
분자 생성 모델 보조
약물-표적 상호작용 예측
정밀 분자 분류
데이터 부족 상황 대응
모델 사전학습 설계 자동화
설명가능 분자 그래프 분류
대규모 분자 데이터 전처리
전이학습 파이프라인 고도화