소규모 데이터셋에서의 분자 생성을 위한 새로운 접근 방식인 보조 판별기 시퀀스 생성적 적대 신경망(ADSeqGAN)을 제안합니다. 기존 생성 모델들은 특히 핵산 결합제나 중추 신경계(CNS) 약물과 같이 특정 치료 표적에 대한 분자 데이터셋이 부족한 신약 개발 분야에서 제한된 훈련 데이터로 어려움을 겪습니다. ADSeqGAN은 랜덤 포레스트 분류기를 추가적인 판별기로 GAN 프레임워크에 통합하여 분자 생성 품질과 클래스 특이성을 크게 향상시킵니다. 본 연구는 사전 훈련된 생성기와 Wasserstein 거리를 통합하여 훈련 안정성과 다양성을 높였습니다. 핵산 및 단백질 표적 분자, CNS 약물, CB1 리간드 설계 세 가지 사례에서 ADSeqGAN을 평가했습니다. 핵산 결합제 생성에서 기준 모델보다 우수한 성능을 보였고, CNS 약물 생성에서는 과대 샘플링을 통해 기존의 새로운 약물 설계 모델보다 더 높은 수율을 달성했습니다. CB1 리간드 설계에서는 표적 특이적 LRIP-SF 점수 함수로 평가했을 때, 예측 활성 물질이 32.8%로 CB1 중심 및 범용 라이브러리의 적중률을 능가하는 새로운 약물 유사 분자를 생성했습니다. 전반적으로 ADSeqGAN은 데이터 부족 시나리오에서 분자 설계를 위한 다용도 프레임워크를 제공하며, 핵산 결합제, CNS 약물 및 CB1 리간드에 대한 응용 사례를 보여줍니다.
