Enhancing chemical reaction and retrosynthesis prediction with large language model and dual-task learning

Motivation

• Known: 대규모 언어 모델(LLaMA, ChatGLM 등)이 다양한 영역에서 우수한 성능을 보이고 있으며, Mol-Instruction 등이 화학 반응 예측에 유망한 결과를 제시했음
• Gap:
  1. 고품질 화학 합성 데이터는 실험실 기반이라 획득 비용이 높고 규모가 제한적 (기존 연구: ~30k 샘플)
  2. 기존 방법들은 분자→반응물(Molecule-to-Reactants)과 반응물→분자(Reactants-to-Molecules)를 독립적인 단일 과제로 취급하여 역방향 과정 간의 상관관계를 무시
• Why: BRICS 알고리즘으로 생성된 단편(fragment)이 실제 반응물과 높은 유사성(평균 66.5%)을 보이며, 두 예측 과제는 본질적으로 역 프로세스이므로 함께 최적화될 수 있음
• Approach: (1) BRICS 기반 저비용 대규모 데이터셋(440만) 구축, (2) 다중 규모 토크나이저를 통한 원자·함수기·단편 수준의 분자 정보 캡처, (3) 단편 재조합 및 반응 예측을 동시에 최적화하는 이중 과제 학습 전략 도입

Achievement

ChemDual의 전체 구조: 데이터셋 구축, 다중 규모 토크나이저, 이중 과제 학습 모듈

1. 성능 향상: Mol-Instruction 및 USPTO-50K 데이터셋에서 기존 단일 과제 접근법 및 일반 오픈소스 LLM을 능가하는 정확도 달성 (반응 예측에서 이중 과제 학습 적용 시 6.3% Exact Match Score 개선)
2. 약물 설계 잠재력: 분자 도킹 분석 결과 ChemDual이 단백질 결합 친화도가 우수하고 다양한 화합물을 생성하여 신약 설계에 강한 응용 가능성 입증
3. 효율적 데이터 구축: 20M SMILES 시퀀스로부터 440만 개의 학습용 지시문 자동 생성으로 데이터 획득 비용 대폭 절감

How

지시문 세트 예시: 역합성(전방 과제)과 반응 예측(후방 과제)

Dataset Construction (3.1절)

• ChEMBL-34 데이터베이스에서 20M 분자 SMILES 수집 → 중복 제거, 유효성 검증, 분자량 필터링 → 2.2M 분자 라이브러리 구축
• BRICS 알고리즘으로 단편 생성 및 원래 SMILES로 재조합 (적응형 단편화로 메모리 오버플로우 방지)
• 식(1): n = L (L<k일 때) 또는 min(L, ⌊L/k^α⌋) (그 외)로 단편 수 동적 조정
• 지정된 템플릿으로 440만 개 지시문 자동 생성

Multi-scale Tokenizer (3.2절)

• 원본 LLaMA 토크나이저 확장으로 분자 토큰(BOM/EOM), 단편 토큰(BOF/EOF), 더미 원자(dummy atom) [1]~[16] 등을 구분
• 0-15: 더미 원자 토큰, 16-195: 단편 토크나이저, 196-197: 분자 토큰, 198-199: 특수 토큰, 200-131072: 원본 LLaMA 토큰

Dual-task Learning (3.3절)

• 사전학습(Pre-training): 분자↔단편 이중 과제로 일반적 화학 합성 지식 학습
• 지시문 미세조정(Instruction Fine-tuning): 분자↔반응물 이중 과제로 작업별 예측 능력 습득
• 손실 함수: 두 과제의 손실을 동시에 최소화하여 전방향(반응 예측)과 후방향(역합성) 과정 간 상관관계 포착

Originality

• 대규모 저비용 데이터셋: BRICS 기반으로 단편-반응물의 높은 상관성(66.5%)을 활용하여 440만 개 데이터 자동 생성—기존 30k 수준 대비 대규모 확보
• 이중 과제 학습의 화학적 근거: 단순히 멀티태스크 학습이 아니라 분자→반응물과 반응물→분자가 역 프로세스임을 명시적으로 모델링하여 상호 연관성 활용
• 다중 규모 토크나이저: 원자 수준, 함수기 수준, 단편 수준의 계층적 분자 정보를 토크나이저 설계에 반영한 구조적 혁신
• 통합 프레임워크: 데이터 구축→토크나이저→학습 전략이 유기적으로 연결된 일관된 설계

Limitation & Further Study

• 단편화의 한계: BRICS는 화학적으로 타당한 절단만 수행하므로, 모든 가능한 합성 경로를 충분히 표현하지 못할 가능성
• 토큰 길이 제약: 512 이상의 토큰 길이 분자를 전처리 단계에서 제외하므로 초대형 분자 처리 불가
• 평가 범위 제한: Mol-Instruction과 USPTO-50K만으로 검증되었으며, 다른 화학 작업(분자 특성 예측 등)으로의 일반화 미흡
• 해석 가능성 부족: 이중 과제 학습이 LLM의 내부 표현을 어떻게 개선하는지에 대한 심층 분석 부재
• 후속 연구: (1) 다양한 단편화 전략(예: 머신러닝 기반 절단점 학습) 적용, (2) 더 긴 분자 처리를 위한 토큰 압축 기법, (3) 단백질-리간드 상호작용 등 생물의약화학 문제로 확장

Evaluation

총평: ChemDual은 BRICS 기반 저비용 대규모 데이터셋과 화학적 직관에 기반한 이중 과제 학습으로 화학 반응/역합성 예측에서 의미 있는 성능 향상을 달성했으며, 약물 설계 응용 가능성을 실증했다. 다만 단편화 방법의 한계, 해석 가능성 부족, 평가 범위 확대의 필요성이 향후 개선 방향이다.