아마존 노바 모델 커스터마이징을 통한 신약 개발 분자 특성 예측 개선

섹션별 상세

01

기존의 분자 특성 예측은 특성별로 독립적인 GNN 모델을 구축하고 유지 관리해야 하는 운영상의 복잡성이 존재했다. 각 모델은 데이터 형식과 인터페이스가 달라 화학자들이 결과를 수동으로 통합해야 했으며, 새로운 특성 추가 시 수 주간의 재학습 과정이 필요했다. 통합된 AI 솔루션의 부재는 신약 개발 초기 단계의 생산성을 저해하는 주요 병목 현상으로 작용했다.

02

Nova 2 Lite 모델에 55,000개 이상의 분자 데이터를 활용한 지도 미세 조정(SFT)을 실시하여 화학적 기초 지식을 학습시켰다. SFT 과정에서 모델은 SMILES(Simplified Molecular-Input Line Entry System) 문자열을 해석하고 이를 구조화된 JSON 형식의 특성 예측값으로 변환하는 능력을 확보했다. 이는 일반적인 사전 학습 데이터에 포함되지 않은 도메인 특화 태스크를 수행하기 위한 필수적인 단계였다.

03

SFT 이후 Huber 손실 함수를 보상 신호로 사용하는 강화 미세 조정(RFT)을 적용하여 예측의 정밀도를 극대화했다. Huber 보상은 지수 감소 함수나 이진 보상 방식과 달리 큰 오차에 대해서도 유의미한 학습 신호를 제공하면서 정답 근처에서는 안정적인 최적화를 가능하게 했다. 이를 통해 모델은 특성 간의 상호 의존성(예: 지질친화성이 투과성에 미치는 영향)을 파악하고 예측 오차를 최소화하는 방향으로 최적화됐다.

보상 함수 전략에 따른 모델 성능(R² score) 비교 막대 그래프 — ChartExponential, Binary, Huber 세 가지 보상 전략 중 Huber loss 기반 보상이 0.622로 가장 높은 R² 점수를 기록했음을 보여준다. 이는 보상 설계가 LLM의 수치 예측 정확도 향상에 결정적인 역할을 함을 나타낸다.

04

최종 모델인 Nova 2 Lite RFT 버전은 11가지 분자 특성 예측에서 기존 GNN 모델과 대등한 성능을 기록했다. 구체적으로 Claude 4 Sonnet 대비 39%, 기본 Nova 2 Lite 대비 37% 낮은 평균 RMSE를 달성했으며, 전체 11개 지표 중 7개에서 GNN을 능가했다. 이는 단일 LLM이 다수의 전문화된 GNN 모델을 대체할 수 있음을 시사하며 인프라 유지 비용을 크게 절감한다.

다양한 모델별 분자 특성 예측 성능 비교표 — ChartGNN, Sonnet 4, Nova 2 Lite 베이스 및 미세 조정 모델들의 11가지 분자 특성별 RMSE 수치를 비교한다. Nova 2 Lite RFT 모델이 대부분의 지표에서 GNN과 유사하거나 더 낮은(우수한) 오차율을 기록함을 시각적으로 증명한다.

기술

Amazon Nova 2 Lite
Amazon Nova Forge
Amazon SageMaker
Amazon Bedrock
Claude Sonnet 4
GNN
SMILES

활용 사례

신약 후보 물질의 생체 내 거동(ADME) 예측
대화형 분자 설계 및 구조 최적화 보조
통합 화학 정보 분석 플랫폼 구축

아마존 노바 모델 커스터마이징을 통한 신약 개발 분자 특성 예측 개선

섹션별 상세

기술

활용 사례

관련 토론

댓글

관련 피드

관련 토론

댓글

관련 피드