Robust Deep Learning Architecture for hERG-related Cardiotoxicity Prediction on Small-Scale Dataset

신약개발 초기 단계에서 후보물질의 human Ether-a-go-go-related gene(hERG) 이온 채널 저해 활성을 평가하는 것은 매우 중요하다. 약물에 의한 hERG 이온 채널의 차단은 심장의 QT 간격을 연장시켜 부정맥과 같은 심각한 심장 독성을 유발하기 때문에, 신약개발 초기 단계에서 hERG 관련 독성을 스크리닝하기 위해 다양한 예측 도구들이 이용되고 있다. 하지만, 대부분의 hERG 연관 심장독성 실험은 기업에서 수행되고 기밀정보에 해당하기 때문에 거의 공개되고 있지 않은 실정이다. 본 연구에서는 한정된 데이터로 약물의 화학적 성질 기반 데이터 표현 및 화합물 구조 기반 데이터 표현을 동시에 이용하여, hERG 이온 채널 차단을 강건성 높게 예측하는 딥러닝 아키텍처를 제안한다. Therapeutics Data Commons(TDC)에서 제공하는 hERG 벤치마크 데이터 세트를 이용해 모델을 학습하였고 9종의 모델들과 비교하였다. 제안된 모델에 대한 성능 평가 결과 평균 정확도 0.744, 정밀도 0.916, 재현율 0.735, F1-Score 0.794, AUROC 0.887를 달성하였고, 기존 9종의 모델들에 비해 향상된 성능을 보여주었다.