여러 약을 동시에 복용할 때 나타나는 부작용을 미리 계산으로 예측하는 데 그래프 신경망(GNN)이 쓰이지만, 널리 쓰이는 이진 교차 엔트로피(binary cross-entropy) 학습 방식은 쉬운 예제와 어려운 예제에 학습 능력을 똑같이 배분해 임상적으로 중요한 상호작용을 놓칠 수 있다. 파라낙 하타미(Faranak Hatami)와 무사 모라디(Mousa Moradi)가 arXiv에 공개한 연구는 이 한계를 손실함수 설계로 풀 수 있는지 검증했다. 이 논문은 동료 심사 전 단계의 arXiv 공개본이다.
연구진은 어려운 양성(positive) 상호작용에 학습 비중을 더 싣는 비대칭 초점(asymmetric focal) 목적함수가 다중 관계 약물-약물 상호작용(DDI) 예측을 개선하는지 살폈다. 이들은 ‘ClinicalFocal loss’라 이름 붙인 손실함수를 관계 인식 그래프 합성곱 신경망에 통합했으며, 분자 지문(molecular fingerprint), 물리화학적 기술자, 학습된 임베딩을 특징으로 활용했다.
평가는 TWOSIDES 데이터셋에서 5겹 교차검증으로 진행됐다. 구조, 특징, 데이터 분할, 하이퍼파라미터, 난수 시드까지 동일하게 맞춘 조건에서 ClinicalFocal loss와 이진 교차 엔트로피 기준선을 나란히 비교했다. 그 결과 정확도는 0.699에서 0.892로 19.3%포인트, F1 점수는 0.700에서 0.894로 19.4%포인트 올랐다. AUROC는 0.766에서 0.914로, AUCPR은 0.714에서 0.860으로 상승했다.
임상적으로 중요한 지표인 위음성률(실제 상호작용을 놓치는 비율)은 29.8%에서 9.1%로 낮아졌고, 특이도는 69.6%에서 87.5%로 높아졌다. 전체 분류 오차는 30.1%에서 10.8%로 줄어 상대적으로 64.1%가 감소했으며, 이런 개선은 다섯 개 겹 전체에서 일관되게 나타났다.
연구진은 비대칭 초점 최적화가 기존 신경망 구조를 전혀 바꾸지 않고도 분류와 순위 성능을 함께 끌어올렸으며, 관측된 상호작용 삼중항에 대해 90.9%의 재현율을 달성했다고 밝혔다. 이들은 손실함수 설계가 그래프 기반 약물 상호작용 예측을 개선하는 직접적이고 조정 가능한 지렛대라고 결론지었다. 원문 초록 보기
