/Users/jehyunlee/Documents/내노트북/paper-curation/docs/papers/487_Leveraging_biomolecule_and_natural_language_through_multi-mo

Motivation

• Known: 기존에는 SMILES, FASTA와 같은 1D sequence, 2D graph, 3D structure 기반의 biomolecule 표현 학습 방법(ChemBERTa, ProtTrans, ESM, MolCLR, Graphormer, AlphaFold, ProteinMPNN, Uni-Mol 등)이 개별적으로 발전해왔으며, CV와 NLP 분야에서는 PaLM, BLIP2, LLaVA 등 멀티모달 모델이 성공을 거두었다.
• Gap: 기존 biomolecule 표현 학습 방법들은 PubMed, PubChem, UniProtKB 같은 방대한 텍스트 기반 외부 지식(문헌, 주석, 기능 설명 등)을 체계적으로 활용하지 못해, 분자·단백질의 구조적·정량적 특성과 언어로 표현되는 상징적·서술적 지식을 통합적으로 포착하지 못하는 한계가 있었다.
• Why: biomolecule과 natural language를 결합하는 BL 분야는 AI, 화학, 생물학의 교차점에서 신약 개발, 분자 특성 예측 및 최적화 등 실질적 응용 가능성이 크며, 최근 LLM(GPT-4, LLaMA 등) 발전과 맞물려 빠르게 성장하고 있어 이 분야를 체계적으로 정리하는 서베이가 학제간 연구자들에게 중요한 가이드 역할을 할 수 있다.
• Approach: 저자들은 biomolecule의 기술적 표현(1D sequence, 2D graph, 3D structure)부터 시작해, GPT 기반 pre-training 및 multi-stream neural network 등 멀티모달 통합의 방법론적 기초, 실제 응용 사례, 데이터셋/자원, 향후 연구 방향까지 5단계로 구조화하여 방대한 문헌을 리뷰하고 분류 체계(taxonomy)를 제시한다.

Achievement

Overview of cross-modal integration methods in BL, which are categorized based on the modality and biorepresentation. Here

1. 포괄적 분류체계 구축: Text, Text+Molecule(SMILES/2D Graph/3D Structure/AltBioReps), Text+Protein(FASTA/3D Structure/AltBioReps), Text+BioMulti 등 모달리티와 biorepresentation 기준으로 기존 연구를 체계적으로 정리(Fig. 1).
2. 방법론적 기초 정리: network architecture, training task, training strategy 등 representation learning의 핵심 요소를 다양한 BL 모델을 통해 설명.
3. 응용 사례 서베이: biomolecule property prediction부터 optimization까지 실제 활용 가능한 downstream task들을 정리.
4. 자원/데이터셋 집대성: 관련 데이터셋과 리소스를 수집·정리하여 GitHub 저장소(Awesome-Biomolecule-Language-Cross-Modeling)로 공개.
5. 향후 연구 방향 제시: 분야 발전을 위한 유망한 연구 주제들을 도출.

How

Overview of cross-modal integration methods in BL, which are categorized based on the modality and biorepresentation. Here

• 기존 문헌을 biomolecule 표현 방식(1D/2D/3D)과 modality 결합 형태(Text+SMILES, Text+FASTA, Text+3D Structure 등)에 따라 분류
• GPT 기반 pre-training, multi-stream neural network 등 대표적 멀티모달 프레임워크를 사례 중심으로 분석
• network architecture, training objective/task, training strategy 등 representation learning의 세부 요소별로 구조화하여 정리
• property prediction, molecule/protein 최적화 등 응용 태스크별 대표 연구를 조사
• 공개 데이터셋과 벤치마크 자원을 표/목록 형태로 종합 정리하고 GitHub로 지속 업데이트

Originality

• Biomolecule과 자연어의 cross-modal integration이라는 신생 학제간 분야를 최초로 체계적이고 포괄적으로 정리한 서베이 중 하나
• 분자뿐 아니라 단백질까지 포괄하는 넓은 스코프(Text+Molecule, Text+Protein, Text+BioMulti)로 분류체계를 확장한 점
• 표현(1D/2D/3D) × 모달리티 결합이라는 이차원 분류축을 도입해 방대한 문헌(200편 이상)을 일관되게 정리
• 관련 자원을 지속 업데이트되는 GitHub 저장소로 제공하여 커뮤니티 기여도를 높임

Limitation & Further Study

• 서베이 특성상 새로운 실험적 검증이나 벤치마크 성능 비교가 부족하며, 각 방법론에 대한 정량적 비교 분석이 제한적일 수 있음
• 빠르게 발전하는 분야 특성상 최신 LLM 및 멀티모달 기법이 지속적으로 쏟아지고 있어 서베이 내용이 빠르게 구식화될 위험이 있음(다만 GitHub로 지속 업데이트하여 일부 보완)
• 분류체계가 방대한 만큼 각 하위 카테고리에 대한 심층적 방법론 비교나 실무자를 위한 구체적 가이드라인이 상대적으로 얕을 수 있음
• 후속 연구로는 제안된 향후 연구 방향(예: 멀티모달 통합의 이론적 근거 강화, 평가 벤치마크 표준화 등)에 대한 실증적 탐구가 필요함

Evaluation

총평: Biomolecule과 language 결합이라는 급성장 중인 학제간 분야를 방대하고 체계적으로 정리한 유용한 서베이로, 관련 연구자들에게 좋은 출발점과 참고자료를 제공하지만 서베이 고유의 한계(정량적 검증 부재, 빠른 구식화 위험)를 지닌다.