질량분석 영감의 멀티스케일 프래그먼트 사전학습과 cascaded Transformer를 결합한다. Meta-structure를 attention으로 융합해 우수한 generalization을 확보한다.
Fragment PretrainingCascaded TransformerMultitask
신약 후보의 90% 이상이 약동학·안전성(ADMET) 문제로 실패한다. AI는 분자 구조를 '프래그먼트 언어'로 재구성해, 실험 이전에 흡수·분포·대사·배설·독성을 in silico로 예측하는 필수 파이프라인이 되었다.
ADMET은 흡수·분포·대사·배설·독성의 약어로, 약물 후보의 약동학적·안전성 프로파일을 포괄한다. AI 기반 예측은 GNN 등 딥러닝으로 분자 구조(SMILES·그래프·3D)로부터 이 속성을 컴퓨터 내에서 예측하는 computational toxicology·chemoinformatics 접근이다.
약물 후보 물질이 체내에서 어떻게 흡수되고, 퍼지고, 분해되고, 배출되며, 독성을 일으키는지를 분자 구조만으로 미리 추정한다. 실험실 이전 단계에서 후보를 걸러내는 판단 근거가 된다.
최근 모델(MSformer-ADMET, OmniMol)은 단순 예측을 넘어 해석 가능성(interpretability)과 멀티태스크 학습을 강조한다. 분자를 프래그먼트(조각) 언어로 재구성해 화학적 의미를 더한다.
"분자를 '언어'로 본다 — 원자와 결합은 문자, 프래그먼트는 단어, 반응성은 문법이다. 모델은 이 언어를 읽어 물성을 번역한다."
전통 in vitro·in vivo 실험은 비용·시간·윤리 부담이 크고, 1060 이상의 방대한 화학 공간을 탐색하기 어렵다. AI 예측의 과제는 불완전 주석 데이터, 도메인 이동, 해석 가능성 부족, 일반화 한계로 요약된다.
"주어진 분자 구조로부터 인간에게 안전하고 효과적인 약동학적 행동을, 얼마나 정확하고 설명 가능하게 예측할 것인가."
AI 기반 ADMET 예측을 지탱하는 네 축이다. 분자를 어떻게 표현하고, 어떤 모델로 학습하며, 무엇으로 평가하고, 어디서 데이터를 얻는가.
2025년 이후 연구는 AI를 ADMET 예측의 필수 구성 요소로 승격시켰다. MSformer-ADMET·OmniMol·ADMETPred 등이 SOTA 성능을 달성하고, generative AI와 통합되어 de novo 설계까지 확장한다.
동기는 명확하다. 수십억 달러의 개발 비용과 10~15년의 시간을 줄이고, late-stage attrition을 최소화하며, 동물 실험을 대체해 윤리·지속가능성을 높인다. 배경은 전통 QSAR/QSPR에서 머신러닝(DT·RF·SVM), 딥러닝(GNN·Transformer)으로 이어진 진화의 궤적이다.
구조-활성/물성 정량 상관. 규칙 기반 기술자 설계.
통계적 학습으로 비선형 관계 포착.
구조를 직접 학습, 표현을 자동 추출.
구조+omics+이미지 통합, 대규모 사전학습. small molecule에서 biologics로 확대.
성능만으로는 임상 현장에 진입할 수 없다. 데이터의 편향부터 규제 수용성까지 네 층위의 장벽이 존재한다.
프래그먼트 사전학습, 하이퍼그래프, 하이브리드 트리+GNN. 각 모델은 서로 다른 축에서 해석 가능성과 일반화를 겨냥한다.
질량분석 영감의 멀티스케일 프래그먼트 사전학습과 cascaded Transformer를 결합한다. Meta-structure를 attention으로 융합해 우수한 generalization을 확보한다.
하이퍼그래프 관점으로 molecule-property 관계를 모델링한다. Task meta-information encoder로 explainability와 chirality sensitivity를 제공한다.
하이브리드(트리 기반 + GNN)로 해석 가능한 substructure 식별을 수행한다. 12만+ 화합물과 27개 endpoint를 다룬다.
대규모 라이브러리 필터링 (ADMET-AI 등).
De novo 설계 시 ADMET scoring.
Organ-specific, hERG, CYP inhibition 예측.
임상 후보 우선순위, 개인 맞춤 의약, TCM 안전성 평가.
2025~2026 연구는 AI가 단순 예측기를 넘어 '지능형 약물 설계 파트너'로 진화할 것을 강력히 시사한다. 이는 비용 절감과 성공률 향상, 나아가 환자 중심 의약품 개발을 가속한다.