메시지 패싱 그래프 기반 딥러닝 모델을 활용한 화합물의 심장독성 예측 (Prediction of Cardiotoxicity of Compounds Using Message Passing Graph-Based Deep Learning Models)

서지정보

· 발행기관 : 한국디지털콘텐츠학회
· 수록지 정보 : 디지털콘텐츠학회논문지 / 25권 / 10호 / 2961 ~ 2968페이지
· 저자명 : 이도현, 유선용

초록

hERG 채널은 심장의 전기 활동에 필수적이며, 이 채널을 차단하는 물질은 심각한 심장 독성 효과를 일으킬 수 있다. 인실리코 예측 모델은 hERG 차단제를 효율적으로 선별할 수 있어 시간과 자원을 절약할 수 있다. 이전 접근법은 예측 결과를 해석하고 분자 구조-기능 관계를 이해하는 데 어렵다. 본 연구에서는 공개 데이터베이스로부터 화합물을 수집하여 12,920개의 데이터셋을 구축하였다. 화합물의 그래프 구조를 고려하는 그래프 신경망(GNN) 가운데 메시지 패싱 신경망(MPNN)을 활용하여 특징 벡터를 추출하고, 이를 구조적ㆍ물리화학적 특성과 결합하여 최종 hERG 차단제를 예측하였다. 해당 모델은 AUROC는 0.864 (±0.009), AUPR은 0.907 (±0.010)의 성능을 달성하였다. 실험 결과, 제안된 모델은 그래프 특징 벡터를 통합하여 분자 특성을 효과적으로 반영하고 분자 간의 관계를 예측하여 hERG 차단제를 예측할 수 있음을 시사한다. 본 연구는 약물 개발과정에서 예비 도구로 활용되어 심장독성을 조기에 평가할 수 있을 것이다.

영어초록

The hERG channel plays a critical role in the heart's electrical activity, and compounds that block this channel can lead to severe cardiotoxicity. In silico prediction models can efficiently screen for hERG blockers, saving time and resources. However, previous approaches find it difficult to interpret predictions and understand molecular structure–function relationships. In this study, we collected compounds from public databases to construct a dataset of 12,920 compounds. We introduced a GNN (graph neural network) to predict hERG blockers by analyzing the graph structures of compounds. We employed a MPNN (message passing neural network) to extract feature vectors from these molecular graphs, combining them with structural and physicochemical properties to improve prediction accuracy. Our model achieved an AUROC of 0.864 (±0.009) and an AUPR of 0.907 (±0.010). Experimental results show that the proposed model effectively captures molecular characteristics through graph feature vectors and accurately predicts the relationships between molecules, identifying hERG blockers. This model can serve as an early-stage tool in drug development, enabling early cardiotoxicity evaluation.

참고자료

· 없음