2025 신약개발 경진대회 'Boost up AI 2025' 출품작입니다.
이 프로젝트는 화합물의 2D 구조 정보(SMILES)로부터 인체 내 주요 약물 대사 효소인 CYP3A4의 저해율을 예측하는 머신러닝 파이프라인을 포함합니다.

본 모델은 "더 풍부한 분자 표현형이 더 나은 예측을 만든다"(Domain Generalization) 는 가설 아래, 다음과 같은 전략을 채택했습니다.

1. 다각적 피처 생성 (Molecular Representation):

   • 분자의 국소적 구조(Morgan FP), 약물유사체 패턴(Avalon FP), 물리화학적 특성(RDKit Descriptors), 그리고 사전 훈련된 GNN의 잠재 표현(GIN Pre-trained)을 조합하여 분자를 다각적으로 표현했습니다.
   • 피처 생성 과정에서 features.py를 참고하세요.

2. 가벼운 모델링(Light Modeling) 및 실험 기반 최적화:

   • 고차원 데이터에 강하고 성능이 입증된 CatBoost 모델 하나만을 사용해 다각적 피처의 생성이 기여한 성능 향상을 강조합니다.
   • 실험을 통해 피처 선택이나 타겟 로그 변환과 같은 전처리 단계를 생략하고, 모델이 데이터의 복잡성을 직접 학습하도록 하는 것이 최적의 성능을 냄을 확인했습니다.

.
├── cache/                  # 피처 캐시 폴더 (자동 생성)
├── data/                   # 데이터 폴더
│   ├── train.csv
│   ├── test.csv
│   └── sample_submission.csv
├── models/                 # 모델 가중치 폴더 (train.py 실행 시 자동 생성)
├── submission/             # 결과 파일 폴더 (predict.py 또는 main.py 실행 시 자동 생성)
├── features.py             # 분자 피처 생성 스크립트
├── utils.py                # 유틸리티 함수 (평가 지표, 스케일러)
├── train.py                # 모델 학습 및 가중치 저장 스크립트
├── predict.py              # 저장된 가중치로 추론 및 제출 파일 생성 스크립트
├── main.py                 # 학습과 추론을 한번에 실행하는 통합 스크립트
└── requirements.txt        # 프로젝트 의존성 패키지 목록

본 프로젝트는 아래 환경에서 개발 및 테스트되었습니다.

• OS: Ubuntu 22.04 LTS
• Python: 3.10.18 (Mamba로 구성)
• GPU: NVIDIA GeForce GTX 5090
• CUDA Version: 12.8 nightly

이 가이드는 Mamba를 사용하여 프로젝트 실행 환경을 구성하는 방법을 안내합니다. 시작하기 전, Miniforge 또는 Mambaforge를 설치해주세요.

터미널에서 아래 명령어를 실행하여 boostup25라는 이름의 가상환경을 생성하고 활성화합니다.

# 'boostup25'라는 이름의 Python 3.10 환경 생성
mamba create -n boostup25 python=3.10 -y

# 생성된 환경 활성화
mamba activate boostup25

requirements.txt 파일에 명시된 모든 의존성 패키지를 설치합니다. conda-forge 채널을 함께 사용하면 rdkit과 같이 복잡한 패키지도 안정적으로 설치할 수 있습니다.

mamba install --file requirements.txt -c conda-forge -y

[선택] GPU 사용자 PyTorch/DGL 설치

GPU 가속을 사용하려면, 위 requirements.txt 설치 후 시스템의 CUDA 버전에 맞는 PyTorch와 DGL을 설치해야 합니다.
(참고: requirements.txt에는 CPU 버전의 PyTorch와 DGL이 포함되어 있어, 이 단계는 GPU 사용을 위한 재설치 과정입니다.)

예시 (CUDA 11.8 환경):

mamba install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia -y
mamba install dgl -c dglteam -y

⚠️ 중요: 위 명령어는 예시입니다. 사용자의 CUDA 버전에 맞는 설치 명령어는 PyTorch 공식 홈페이지와 DGL 공식 홈페이지에서 반드시 확인하세요.

실행은 학습과 추론의 두 단계로 나뉩니다.

data 폴더에 train.csv, test.csv, sample_submission.csv 파일을 위치시킵니다. (참고: data 폴더는 public 데이터이므로, 이 저장소를 clone하면 바로 사용할 수 있습니다.)

train.py는 K-Fold 교차 검증으로 모델을 학습시키고, 각 Fold의 모델 가중치를 models/ 폴더에 저장합니다.

최고 성능 옵션으로 학습 실행:

python train.py --use_gin_features --no_log_transform

GPU를 사용하여 학습 속도 향상:

python train.py --use_gin_features --no_log_transform --use_gpu

predict.py는 models/ 폴더에 저장된 가중치들을 불러와 테스트 데이터에 대한 예측을 수행하고, 최종 submission.csv 파일을 submission/ 폴더에 생성합니다.

저장된 모델로 추론 실행:

python predict.py --use_gin_features

• 주의: predict.py의 옵션(--use_gin_features 등)은 train.py 실행 시 사용했던 옵션과 반드시 일치해야 합니다.

본 연구에 사용된 데이터는 과학기술정보통신부의 후원으로 한국화학연구원, 한국생명공학연구원이 주최하고 한국화합물은행, 국가생명연구자원정보센터(KOBIC)가 주관한 '2025 신약개발 경진대회'를 통해 제공받았습니다. 대회 운영을 맡아주신 데이콘에 감사드립니다.

1. Stavropoulou, E., et al. (2018). The Role of Cytochromes P450 in Infection. Frontiers in Immunology. https://doi.org/10.3389/fimmu.2018.00089
2. Zhang, L., et al. (2021). Nanoparticulate Drug Delivery Strategies to Address Intestinal Cytochrome P450 CYP3A4 Metabolism towards Personalized Medicine. Pharmaceutics. https://doi.org/10.3390/pharmaceutics13081261
3. Notwell, J. H., & Wood, M. W. (2023). ADMET property prediction through combinations of molecular fingerprints. arXiv. https://doi.org/10.48550/arXiv.2310.00174
4. Fabian, B., et al. (2020). Molecular representation learning with language models and domain-relevant auxiliary tasks. arXiv. https://doi.org/10.48550/arXiv.2011.13230
5. Hu, W., et al. (2020). STRATEGIES FOR PRE-TRAINING GRAPH NEURAL NETWORKS. ICLR 2020. https://doi.org/10.48550/arXiv.1905.12265
6. Bento, A. P. G., et al. (2020). An open source chemical structure curation pipeline using RDKit. Journal of Cheminformatics. https://doi.org/10.1186/s13321-020-00456-1
7. Prokhorenkova, L., et al. (2018). CatBoost: unbiased boosting with categorical features. NeurIPS 2018. https://doi.org/10.48550/arXiv.1706.09516
8. Prusty, K. B., et al. (2022). SKCV: Stratified K-fold cross-validation on ML classifiers for predicting cervical cancer. Biomedical Nanotechnology. https://doi.org/10.3389/fnano.2022.972421

이 프로젝트는 Apache License 2.0을 따릅니다. 자세한 내용은 LICENSE 파일을 참고하십시오.