화학물질의 다양한 분자 구조와 독성의 복잡한 생물학적 경로로 인해 생식 및 발달 독성을 예측하는 일은 여전히 어려운 과제로 남아 있다. 분자 기술자(molecular descriptors)에 의존하는 전통적인 정량적 구조-활성 관계(Quantitative Structure-Activity Relationship, QSAR) 모델은 생식 및 발달 독성의 복잡성을 포착하여 높은 예측 성능을 달성하는 데 한계가 있다. 본 연구에서는 다중 헤드 주의(multi-head attention)와 게이트드 스킵 연결(gated skip-connections)을 갖도록 설계한 그래프 합성곱 신경망(Graph Convolutional Network)을 구축하여, 기술자 비의존(descriptor-free) 딥러닝 모델을 개발하고 이를 통해 생식 및 발달 독성을 예측하였다. 독성과 직접적으로 관련된 구조적 경고(structural alerts)를 모델에 통합함으로써, 독성학적으로 관련 있는 부분구조(substructures)를 보다 효과적으로 학습할 수 있게 하였다. 유기물과 무기물을 모두 포함하는 4,514종의 다양한 화합물로 이루어진 데이터셋을 구축하였다. 모델은 층화 5-폴드 교차검증(stratified 5-fold cross-validation)으로 학습 및 검증하였다. 그 결과, 테스트 세트에서 81.19%의 정확도를 달성하는 등 우수한 예측 성능을 보였다. 딥러닝 모델의 해석 가능성을 다루기 위해, 알려진 구조적 경고에 대응하는 부분그래프(subgraphs)를 식별하여 모델의 의사결정 과정에 대한 통찰을 제공하였다. 본 연구는 신뢰할 수 있는 정량적 구조-활성 관계(Quantitative Structure-Activity Relationship) 모델링을 위한 OECD 원칙에 따라 수행되었으며, 독성 예측을 위한 견고한 in silico 모델 개발에 기여한다.

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