딥러닝에서 결합 분자 지문으로 예측 성능 향상

딥러닝에서 약물 분자의 물리적 특성과 생물활성의 정확한 예측은 분자가 어떻게 표현되는지에 달려 있습니다. 정량적 구조-활성/속성 관계(quantitative structure-activity/property relationships, QSPR)를 위해 많은 유형의 분자 설명자가 개발되었습니다. 그러나 각각의 분자 설명자는 인코딩 선호도에 따라 특정 응용 프로그램에 최적화되어 있습니다. 독립형 피처화 방법이 화학 분자의 정보의 일부만 커버할 수 있다는 점을 고려하여, 우리는 두 개의 보조 지문을 결합하여 결합 지문을 구축할 것을 제안했습니다. 결합 지문과 각 독립형 지문이 예측 성능에 미치는 영향은 기계 학습/딥 러닝(ML/DL) 방법인 랜덤 포레스트(RF), 서포트 벡터 회귀(SVR), 극단적 그래디언트 부스팅(XGBoost), 장단기 메모리 네트워크(LSTM), 심층 신경망(DNN)을 사용하여 로그 분배 계수(logP)와 단백질-리간드의 결합 친화도를 예측하는 데 체계적으로 평가되었습니다. 결과는 결합 지문이 향상된 예측 성능을 제공하며, 조사된 다섯 가지 방법 중 네 가지에서 두 개의 독립형 지문을 사용하는 합의 모델보다 더 나은 성과를 거두었음을 보여주었습니다. 결합 지문 방식이 간편한 확장성과 높은 적용 가능성을 보여주므로, 우리는 제안된 결합 방식이 다양한 유형의 지문의 상호 보완성을 활용하여 딥러닝의 예측 성능을 지속적으로 향상시킬 수 있는 새로운 기회를 창출할 것으로 기대합니다.