특징 선택을 통한 기계학습 기반 약물-약물 상호작용 예측 성능 향상

초록

본 논문은 어떻게 특징 선택 방법이 약물의 화학 구조 정보를 기반으로 약물-약물 상호작용의 긍정ㆍ부정 효과를 예측하기 위한 머신러닝 성능을 어떻게 향상시키는지 탐구한다. Kaggle과 DDID의 데이터베이스를 통합해 83,972개의 약물쌍 데이터를 만들고, RDKit과 PyBioMed를 이용하여 Morgan Fingerprints, 2D 분자 기술자, MACCS Keys 등 분자 하위구조와 물리화학적 특성을 정량적으로 표현할 수 있는 다양한 화학 구조 기반 특징을 추출하였다. 특징 선택에는 Mutual Information을 사용하여 각 특징과 레이블 간의 통계적 상관성을 평가하는 필터 방법과 XGBoost 모델 훈련 중 특징 중요도를 평가하는 임베디드 방법을 적용하였다. 또한 모델의 성능을 다양하게 평가하기 위해 정확도, F1-score, 재현율을 성능 지표로써 사용하였다. 실험 결과, 두 가지 특징 선택 전략 모두 DDI 예측 성능 및 모델 성능 향상에 중요한 역할을 하였다. 이러한 결과는 고차원 화학 구조 데이터에서 적절한 특징 선택이 DDI 예측의 정확성과 안정성을 크게 높인다는 것을 보여준다. 이를 통해 잠재적으로 위험한 약물 조합 탐지, 이상반응 사전 감지, 병용 처방의 안정성 확보 등 임상 의사 결정에 기여할 수 있다는 점에서 의의를 갖는다. 향후 연구에서는 약물-식품 상호작용 및 약물-단백질 상호작용 예측 모델의 성능을 향상시킬 수 있음을 시사한다.

키워드