DISSOLVR: An Interpretable and Fast Framework for Aqueous and Organic Solubility Prediction

Motivation

• Known: solubility 예측은 GSE, ESOL 같은 단순 경험식에서 시작해 AqSolDB, BigSolDB 등 대규모 데이터셋 기반 딥러닝 모델(FastSolv, Solvaformer)로 발전하며 aleatoric limit(실험 불확실성의 한계, 약 0.6-0.8 log S)에 근접하는 성능을 달성해왔다.
• Gap: 최근 딥러닝 기반 모델들은 예측 성능을 위해 물리적 해석 가능성을 희생하며, 계산 비용이 크고 curation 불일치로 인한 성능 과대평가(정보 누출 등) 문제가 존재함에도 이를 명확히 밝히는 벤치마킹 연구가 부족했다.
• Why: 제약 개발에서 낮은 수용성은 시판 약물의 약 40%에 영향을 미치고 후보물질 개발 실패의 최대 90%에 기여하므로, 신뢰할 수 있고 해석 가능하며 빠른 solubility 예측 모델은 신약 개발과 환경 화학물질 거동 평가에 실질적으로 중요하다.
• Approach: solute와 solvent를 물리적으로 근거 있는(subgraph isomorphism 기반 moietal identity 등) descriptor로 매핑하고 CatBoost로 학습하며, 단일/다중 solvent 레짐에 맞춘 이중 모델링 전략과 온도에 대한 monotonic 제약, LLM 기반 post-hoc 설명 파이프라인을 결합한다.

Achievement

1. 투명한 SOTA 모델: 딥러닝 없이도 CatBoost 기반 DISSOLVR이 최신 딥러닝 baseline(FastSolv, Solvaformer 등) 대비 경쟁력 있거나 우수한 정확도를 aleatoric limit에 근접한 수준까지 달성.
2. 포괄적 벤치마킹 및 재현 가능한 프로토콜 구축: 표준화된 curation 적용 시 다수의 기존 발표 모델이 보고된 성능보다 저조함을 확인하고, aleatoric limit을 초과하는 비현실적 성능 사례(정보 누출/curation artifact 가능성)를 식별.
3. 물리 정합적 이중 레짐 모델링: 단일 solvent용 descriptor-only regressor와 다중 solvent 환경을 위한 Interaction Layer, 온도 특징에 대한 hard monotonic 제약을 통해 열역학적 일관성(흡열성 용해 규범) 확보.
4. LLM 기반 설명 파이프라인 및 전문가 평가: symbolic 모델 산출물(decision path, interaction coefficient)을 화학적으로 근거 있는 서술로 변환하는 6단계 guardrail 파이프라인을 제시하고, 22명의 전문 화학자를 대상으로 한 설문 평가를 통해 설명의 실질적 유용성을 검증.

How

• 분자 그래프에서 기능기 subgraph isomorphism 카운팅으로 moietal identity feature 벡터(xmoi) 구성
• 3가지 물리화학적 pillar(모이어티 정체성 포함)를 기반으로 한 explicit descriptor 설계
• CatBoost(oblivious tree, ordered boosting)를 사용해 descriptor를 solubility(log S)로 매핑
• 단일 solvent는 descriptor-only regressor, 다중 solvent는 solute-solvent 상호작용을 모델링하는 Interaction Layer로 분리 처리
• 온도 특징에 hard monotonic 제약을 부과해 표준 흡열성 용해 열역학 일관성 보장
• decision path 및 interaction layer 계수를 화학적 서술로 변환하는 LLM 기반 post-hoc explainer 구축, 예측된 log S를 먼저 숨기고 symbolic evidence를 우선 분석하게 하는 6단계 guardrail 파이프라인 적용
• 22명의 전문 화학자를 대상으로 한 비교 설문 벤치마크로 설명의 실용성 평가

Originality

• 딥러닝이 지배하는 solubility 예측 분야에서 symbolic accessibility를 형식적으로 정의하고, 이를 만족하는 GBDT 기반 모델이 SOTA 성능을 낼 수 있음을 실증적으로 반박 제시
• subgraph isomorphism 기반 moietal identity 등 물리적으로 근거 있는 descriptor 설계와 단일/다중 solvent 이중 레짐 모델링을 결합한 통합 프레임워크
• 예측값을 먼저 숨기고 symbolic evidence 분석을 강제하는 guardrail 방식의 LLM 설명 파이프라인
• 22명의 전문 화학자를 동원한 설명 가능성 평가라는 드문 human-in-the-loop 검증 방식 도입

Limitation & Further Study

• CatBoost 및 descriptor 기반 접근이 매우 복잡하거나 새로운 화학 공간(novel scaffold)에 대해서는 GNN/딥러닝만큼 표현력을 갖는지 불확실함
• aleatoric limit 자체가 이질적 데이터에서 추정된 상한이므로, 이를 기준으로 한 성능 비교의 엄밀성에 한계가 있을 수 있음
• 22명 전문가 설문은 표본 크기가 작아 통계적 일반화에 한계가 있으며, 후속 연구로 더 큰 규모의 평가와 다양한 화학 분야 전문가군 확대가 필요
• LLM 기반 설명의 신뢰성(hallucination 가능성)에 대한 정량적 검증이 추가로 요구됨

Evaluation

총평: 딥러닝 일변도의 흐름에 반하여 해석 가능하고 계산 효율적인 모델이 SOTA 성능에 도달할 수 있음을 설득력 있게 보이며, 벤치마킹의 엄밀성과 LLM 기반 설명 및 전문가 평가까지 포함한 종합적 기여가 돋보이는 연구이다.