RTX 5070으로 학습한 80M 파라미터 causal Transformer로 생성한 신규 약물유사 SMILES 데이터셋 공개

작성자는 게시물 말미에 생성 방식에 관한 질문을 받을 의향을 표명했고 공개된 데이터셋 링크가 포함되어 있어 검증과 재현 요청을 수용할 수 있는 형태로 게시물이 구성되었다. 이런 구성은 기술적 세부사항(모델 규모·하드웨어·학습 데이터·필터 기준)을 제공하면서도 추가 질의 응답으로 세부 검증을 이어갈 수 있는 환경을 마련한다. 따라서 커뮤니티는 구체적 수치와 재현 가능한 링크를 바탕으로 검증과 토론을 전개할 가능성이 높다.

• 소형 소비자 GPU 환경에서도 수천만 파라미터급 언어 모델 구조를 SMILES 생성에 적용할 수 있다는 점을 활용해, 개발자는 모델 크기·데이터셋·필터 기준을 조합해 빠르게 후보 탐색 파이프라인을 구축할 수 있다. 게시물은 RTX 5070과 80M 파라미터라는 구체적 조합을 제시해 리소스 계획에 참고할 수 있는 실무 정보를 제공한다. 다만 학습 안정성과 배치 사이즈·학습 시간 같은 세부 설정은 공개되지 않았으므로 추가 문의가 필요하다.
• 생성 후 일괄 필터링 과정에서 QED·SA·MW 같은 정량 지표를 우선 적용하면 후보 수를 빠르게 줄일 수 있으며, 이러한 필터는 후속 합성·생물학적 평가 전에 현실성 높은 후보군을 확보하는 데 유용하다. 게시물에 제시된 임계값(QED≥0.5, SA≤4.0, MW≤500)은 기초적인 출발점으로 활용할 수 있으나 연구 목적에 따라 문헌 기반으로 임계값을 조정해야 한다. 최종 후보의 실험적 검증과 합성 설계는 필수적이며 계산 지표만으로 결론을 내리지 말아야 한다.

SMILES

— 화학 구조를 텍스트 문자열로 표현하는 표준 표기법으로, 분자를 일렬의 토큰으로 변환해 언어 모델이 다음 토큰을 예측하도록 학습시키는 데 사용된다. 이 게시물에서는 SMILES가 모델 입력 및 생성 출력의 형식으로 사용되어 분자 생성 작업을 수행했다. SMILES는 동일성 비교와 데이터셋 중복 검출에도 직접적으로 활용되었다.

QED

— 분자의 약물 유사성(drug-likeness)을 0~1 범위로 수치화한 지표로서, 이 게시물에서는 생성물의 품질 필터링 기준으로 사용되어 QED≥0.5를 통과한 분자만 선별되었다. QED 값이 높을수록 약물 유사성이 높다고 해석되며 상위 후보의 점수(예: 0.947)는 우수한 약물 유사성을 의미한다. QED는 분자 설계 단계에서 후보를 좁히는 정량적 기준으로 활용되었다.

SA score

— 분자의 합성 접근성(synthetic accessibility)을 수치화한 지표로서 수치가 낮을수록 합성이 쉬운 분자임을 의미한다. 이 게시물에서는 SA≤4.0을 통과하는 분자만 후보로 남겨 현실적 합성 가능성을 반영했다. SA score는 실험적 후속 단계로 연결될 가능성이 높은 후보를 우선 선별하는 데 사용되었다.

Molecular Weight

— 분자의 분자량(MW)은 약동학 및 약물성에 영향을 주는 기본 물리량으로서 임상 후보 물질 선별에서 흔히 사용되는 임계값이 존재한다. 이 게시물에서는 MW≤500을 기준으로 필터링해 과도하게 큰 분자를 배제하여 약물 유사성 범위에 맞추었다. 분자량 필터는 후보의 체내 거동과 약동성 측면을 고려한 전처리 규칙으로 적용되었다.