약물 질병 상관관계 예측을 위한 Cross-Attention 기반 멀티모달 학습 방법론

• Published in: 정보과학회 컴퓨팅의 실제 논문지 Vol. 30; no. 12; pp. 648 - 656
• Main Authors: 추재우(Jae-Woo Chu), 박종훈(Jong-Hoon Park), 조영래(Young-Rae Cho)
• Format: Journal Article
• Language: Korean
• Published: Korean Institute of Information Scientists and Engineers 01.12.2024; 한국정보과학회
• Subjects: 컴퓨터학; 약물-질병 상관관계; 멀티모달 학습; cross-attention; self-attention; multimodal learning; drug repositioning; 약물 재배치; drug-disease associations
• ISSN: 2383-6318; 2383-6326
• DOI: 10.5626/KTCP.2024.30.12.648

인공지능을 활용한 약물 재배치 기법 연구는 신약 개발 분야에서 활발히 진행되고 있다. 특히 다양한 모달리티를 통합하여 약물의 복잡한 상호작용을 예측하는 방법이 주목받고 있다. 본 연구에서는 약물과 질병 간의 상관관계를 예측하기 위한 멀티모달 학습 방법론을 제안한다. 제안하는 방법론은 약물의 이미지, 그래프, 분자 지문의 세 가지 모달리티와 질병의 유사도 모달리티를 통합하여 학습하며, 이를 위해 multi-head self-attention 및 cross-attention 기법을 활용한다. 다양한 실험으로 성능을 검증한 결과, 본 연구에서 제안한 모델이 이전 모델 대비 최대 29.5%의 성능 향상을 보였다. 또한, 모달리티 특징 추출 실험을 통해 각 모달리티 별로 최적의 특징 추출 방법을 탐색하였고, 단일 모달리티 및 멀티모달 사용 평가 실험을 통해 약물의 세 가지 모달리티의 통합이 최대 8.9%의 성능 향상을 보여 제안한 방법론의 우수성을 보였다. 마지막으로 범용성 평가에서 다양한 데이터 셋에 대해 모두 ROC-AUC 0.8 이상의 성능을 보여, 제안한 방법론의 높은 범용성을 확인하였다. Drug repositioning based on artificial intelligence techniques is being actively investigated in the field of new drug development. Particularly, there is a growing interest in methods that integrate various modalities to predict complex interactions of drugs. In this paper, we propose a multimodal learning approach to predict associations between drugs and diseases. The proposed approach integrates three modalities of drugs, including images, graphs, and fingerprints of molecules and a modality of similarity between diseases, utilizing multi-head self-attention and cross-attention mechanisms. The performance was validated through various experiments, showing that the proposed model improved performance by up to 29.5% compared to previous models. Additionally, modality-specific feature extraction experiments were conducted to identify the optimal extraction method for each modality. Comparative evaluations of single modality versus multimodal approaches demonstrated that integrating the three drug modalities resulted in a performance improvement of up to 8.9%, highlighting the superiority of the proposed method. Finally, in generalizability assessment, the proposed method demonstrated an ROC-AUC performance of over 0.8 across various datasets, confirming its high generalizability. KCI Citation Count: 0