데이터 희소 환경에서의 화합물 활성도 예측을 위한 셀프 어텐션 기반 퓨샷 상호작용 예측 모델 연구 | sam

학술논문

데이터 희소 환경에서의 화합물 활성도 예측을 위한 셀프 어텐션 기반 퓨샷 상호작용 예측 모델 연구

이용수 80

영문명: A Study on a Self-Attention Based Few-Shot Interaction Predictor in a Data-Source Environment
발행기관: 한국산업기술융합학회(구. 산업기술교육훈련학회)
저자명: 홍지우 최형욱
간행물 정보: 『산업기술연구논문지』제31권 2호, 83~101쪽, 전체 19쪽
주제분류: 공학 > 산업공학
파일형태: PDF
발행일자: 2026.06.30

6,960원

구매일시로부터 72시간 이내에 다운로드 가능합니다.
이 학술논문 정보는 (주)교보문고와 각 발행기관 사이에 저작물 이용 계약이 체결된 것으로, 교보문고를 통해 제공되고 있습니다.

1:1 문의

국문 초록

본 논문에서는 데이터 희소 환경에서의 화합물 활성도 예측 문제를 해결하기 위해 Self-Attention 기반 Few-Shot 학습 모델을 제안한다. BindingDB의 SMILES 데이터를 기반으로 Morgan Fingerprint와 활성도를 결합한 특징을 구성하고 기존 평균 기반 결합 방식을 관계 학습 기반으로 확장하였다. 제안한 모델은 참조 화합물 간 상호작용을 반영한 문맥 표현을 생성한다. 실험 결과 1-shot 부터 8-shot까지의 환경에서 피어슨 상관계수 0.30에서 0.36을 달성 하였으며 이는 기존 모델 대비 14.2%에서 15.2% 향상된 수치이다. 본 연구는 적은 데이터로도 신뢰도 높은 활성도 예측이 가능한 딥러닝 프레임워크를 제시함으로써 향후 AI 기반 신약 후보 물질 발굴 프로세스의 효율성을 제고할 것으로 기대된다.

영문 초록

In this study, we propose a self-attention-based few-shot learning model for predicting compound activity under different data-source conditions. The proposed model constructs feature representations by integrating Morgan fingerprints and activity values and extends the existing mean-based combination method to a relational learning framework. The proposed model generates contextual representations that capture the interactions between context molecules. Experimental results showed that the Pearson correlation coefficients ranged from 0.30 to 0.36 across 1- to 8-shot settings, representing a performance improvement of 14.2% to 15.2%, respectively, compared with the reference model. The proposed framework enables reliable activity prediction even with limited data and is expected to enhance the efficiency of the artificial intelligence-based drug candidate discovery process.

키워드

신약개발 퓨샷러닝 화합물 활성도 예측 셀프어텐션 특징 집계 Drug Discovery Few-Shot Learning Compound Activity Prediction Self-Attention Feature Aggregation

국문 초록

영문 초록

목차

키워드

해당간행물 수록 논문

참고문헌

관련논문

공학 > 산업공학분야 BEST

공학 > 산업공학분야 NEW

최근 이용한 논문

APA

MLA