소분자 질량 분석 내 기계학습 모델의 성능 한계와 개선 방향

주장기계학습은 생물학 분야 전반에서 혁신을 주도하고 있으나, 소분자 질량 분석 분야에서는 여전히 단순한 기준 모델보다 낮은 성능을 보입니다. 이는 기계학습 모델이 질량 분석 데이터를 자연어 처리와 유사한 번역 문제로 단순화하여 접근하기 때문입니다.

팩트현재 대부분의 인공지능 모델은 실험 스펙트럼을 분자 지문으로 변환한 뒤, 이를 펍켐(PubChem)과 같은 데이터베이스와 대조하는 2단계 파이프라인을 사용합니다. 이러한 방식은 기존의 스펙트럼 라이브러리 매칭 방식보다 높은 확장성을 확보할 것으로 기대를 모았습니다.

교차검증자연어 처리의 트랜스포머(Transformer) 모델을 질량 분석에 적용하는 시도는 유망해 보이지만, 스펙트럼의 피크는 단어보다 훨씬 높은 모호성을 가집니다. 하나의 피크가 수많은 부분 구조를 의미할 수 있으며, 스펙트럼 내 포함된 노이즈가 모델의 학습을 방해합니다.

팩트연구진은 미스트(MIST)와 드림스(DreaMS)와 같은 최신 기계학습 모델을 엔피립(NPLIB)1, 매스스펙짐(MassSpecGym), 엔아이에스티(NIST) 2023 데이터셋에서 평가했습니다. 그 결과, 스캐폴드 분할 방식에서 단순한 최근접 이웃 알고리즘이 기계학습 모델과 대등하거나 더 나은 성능을 보였습니다.

교차검증무작위 분할 방식에서는 분자 중복도가 최대 99.5퍼센트에 달해 모델이 학습 데이터를 단순히 암기할 위험이 큽니다. 이러한 높은 중복도에도 불구하고 모델의 성능이 낮다는 점은 데이터 부족이 아닌 모델 구조 자체의 결함을 시사합니다.

주장단순히 더 많은 데이터를 학습시키는 것만으로는 현재의 성능 저하 문제를 해결하기 어렵습니다. 모델이 보지 못한 새로운 분자에 대해 일반화 능력을 갖추도록 평가 방식을 개선하고 구조를 재설계해야 합니다.

팩트데이터 기여도 분석을 위해 영향 함수와 학습-분할 기법을 사용한 결과, 모델이 특정 데이터를 추론하는 데 어려움을 겪는 지점이 확인되었습니다. 이는 모델이 학습 데이터의 패턴을 올바르게 이해하지 못하고 있음을 보여줍니다.

교차검증질량 분석 데이터는 자연어와 달리 문맥적 의미가 고정되어 있지 않고, 혼합물 내의 다른 성분들이 노이즈로 작용합니다. 이러한 데이터의 비정형적 특성을 고려하지 않은 모델링은 실무적인 화합물 식별에 한계를 가집니다.

주장앞으로의 연구는 스펙트럼의 물리적 특성을 더 잘 반영하는 표현 학습과, 화학적 구조의 복잡성을 처리할 수 있는 새로운 아키텍처 개발에 집중해야 합니다. 이는 대사체학 분야의 자동화와 고속 화합물 식별을 위해 필수적입니다.

주장모델의 구조적 결함을 극복하기 위해서는 데이터의 단순한 양적 팽창보다 질적인 해석 능력 향상이 선행되어야 합니다. 화학적 원리를 모델의 연산 과정에 직접 통합하는 방식이 대안이 될 수 있습니다.

주장기술적 난제를 해결하는 과정에서 학계와 산업계는 표준화된 평가 지표를 공유해야 합니다. 이는 기계학습 모델의 신뢰성을 높이고 실질적인 연구 현장에 적용하는 밑거름이 됩니다.

출처네이처 메타볼리즘(Nature Metabolism)에 게재된 연구 논문(https://www.nature.com/articles/s42255-026-01544-6)을 교차 검증했습니다.