A Study on Semantic Molecular Prompt Engineering Method for Large Language Model-based Molecular Property Prediction

신약후보물질의 분자 물성을 조기에 정확히 예측하는 것은 신약 개발의 성공률을 높이는 핵심요소이다. 최근 인공지능 기술의 발전으로 문자열 형태의 분자 구조 데이터를 활용한 딥러닝 모델이 가상 스크리닝에 널리 적용되고 있으나, 구조 정보만으로는 예측 정확도 향상에 한계가 존재한다. 본 연구에서는 사전 학습된 거대 언어 모델을 기반으로 분자의 물리화학적 특성과 구조 정보를 통합 분석하여 물성을 예측하는 기술인 S-MolPrompt를 제안한다. 제안하는 방법은 세 개의 벤치마크 데이터집합에 대하여 전통적인 분자 지문 기반 모델과 딥러닝 기반 모델보다 우수한 성능을 보였다. 더욱이, 여러 가지 프롬프트 템플릿들을 비교함으로써 분자 물성 예측에서 프롬프트 엔지니어링의 중요성을 확인하였다. 이러한 결과들은 거대 언어 모델과 적절한 프롬프트 디자인을 통해 신약후보물질 발굴의 효율성을 높일 수 있는 새로운 방향을 제시하며, 신약 개발 관련 인공지능 기술 발전에 기여할 수 있을 것으로 기대된다.