아마존 노바 모델 커스터마이징을 통한 신약 개발 분자 특성 예측 개선

전통적인 신약 개발 과정에서 분자 특성 예측은 각 특성마다 별도의 그래프 신경망(GNN)을 구축해야 하는 복잡하고 비용이 많이 드는 작업이었다. 아마존은 님버스 테라퓨틱스와 협력하여 범용 LLM인 Nova 2 Lite를 지도 미세 조정(SFT)과 강화 미세 조정(RFT)을 통해 전문적인 화학 지식을 학습시켰다. 이 통합 모델은 SMILES 표기법을 이해하고 지질친화성, 투과성, 청소율 등 11가지 핵심 분자 특성을 동시에 예측하며, 기존 GNN 대비 인프라 복잡성을 획기적으로 낮췄다. 실험 결과 Huber 손실 기반 보상 함수를 적용한 RFT 모델이 가장 우수한 성능을 보였으며, 11개 특성 중 7개에서 GNN과 대등하거나 능가하는 정확도를 입증했다.