MOSAIC: A Framework Integrating Molecular Structure and Chemical Knowledge Embeddings for Drug-Target Interaction Prediction

신약 개발 초기 단계에서 딥러닝을 활용한 약물–표적 상호작용 예측은 비용과 시간을 절감하는 핵심 과정이다. 하지만 기존 접근법들은 분자구조 정보에만 의존하여 생물학적 맥락을 놓치거나, 대안으로 도입된 지식 그래프는 구축 및 활용에서 비효율적이라는 한계를 가진다. 본 연구는 구조적 적합성을 판별하는 분자구조 모델과 문헌에서 생물학적 맥락을 추출하는 화학지식 모델을 융합한 MOSAIC(MOlecular Structure And Integrated Chemistry)를 제안한다. MOSAIC는 서로 다른 데이터로 학습된 모델의 해석적 차이를 활용하여, 단일 데이터 소스로는 포착하기 어려운 복잡한 상호작용 패턴을 학습한다. 실험 결과, 세 개의 벤치마크에서 기존 최신 기법보다 우수한 성능을 달성하였으며, 사전학습 모델 중요도, 화학지식 모델 종류, 프로젝션 헤드 설계에 대한 다각적 분석을 통해 각 구성 요소의 기여를 검증하였다.