Multimodal Learning Approach Using Cross-Attention for Predicting Drug-Disease Associations

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 평가실험을 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.