BIOMINER 논문 정리

한 줄 요약

BIOMINER는 논문 속 단백질-리간드 생물활성 데이터를 자동으로 캐내는 멀티모달 시스템이다.

핵심은 단순하다.

• 활성값 해석은 언어·표·그림을 읽는 의미 추론 문제로 본다.
• 리간드 구조 복원은 화학적으로 정확한 분자 조립 문제로 분리한다.
• 거대한 문헌에서 데이터를 빠르게 수집한다.
• 사람이 검수하는 워크플로까지 결합해 실제 신약개발 데이터 구축에 활용한다.

논문은 시스템인 BIOMINER와 평가 벤치마크인 BIOVISTA를 함께 제안한다.

BIOVISTA 기준에서 BIOMINER는 완전한 생물활성 트리플릿 추출에서 F1 0.323을 기록했다.

수치만 보면 낮아 보일 수 있다.

하지만 이 과제는 단순한 텍스트 추출이 아니다.

논문 본문, 표, 그림, 화학구조 이미지, Markush 구조, 단백질명, 리간드 별칭, 활성값을 모두 연결해야 한다.

이 점을 고려하면 이 논문은 “완전 자동화”보다는 “문헌 데이터 채굴을 실제로 쓸 수 있는 수준까지 끌어올리는 구조”에 초점이 있다.

---

 

이 문제가 왜 어려운가

신약개발에서는 이런 질문이 반복된다.

어떤 단백질에 어떤 화합물이 얼마나 강하게 작용하는가?

 

이 정보가 단백질-리간드 생물활성 데이터다.

예시는 다음과 같다.

• 단백질: PCSK9
• 리간드: 특정 화합물 구조
• 활성값: Ki, IC50, Kd 등

이 데이터는 QSAR 모델, 구조-활성 관계 분석, 결합친화도 예측, 가상 스크리닝의 기반이 된다.

문제는 데이터가 논문 안에 흩어져 있다는 점이다.

• 본문 문장에 있을 수 있다.
• 표 안에 있을 수 있다.
• 그림 패널에 있을 수 있다.
• 화합물 구조는 이미지로만 제시될 수 있다.
• 하나의 구조가 여러 이름으로 불릴 수 있다.
• Markush 구조처럼 여러 화합물을 압축해 표현하는 경우도 많다.

기존 데이터베이스도 결국 전문가의 수작업 큐레이션에 크게 의존한다.

문헌 수가 빠르게 늘어나는 상황에서는 병목이 된다.

---

핵심 개념 정리

이 논문을 이해하려면 네 가지 용어만 잡으면 된다.

생물활성 데이터
특정 화합물이 특정 단백질에 얼마나 강하게 작용하는지를 나타내는 실험값이다.

SMILES
분자 구조를 문자열로 표현하는 방식이다. 컴퓨터가 화합물 구조를 처리할 때 자주 사용한다.

OCSR
그림 속 화학구조를 읽어 SMILES 같은 구조 표현으로 바꾸는 기술이다.

Markush 구조
공통 뼈대와 여러 치환기 조합으로 여러 화합물을 한 번에 표현하는 방식이다. 의약화학 논문에서 매우 흔하다.

BIOMINER가 특히 강조하는 부분은 Markush 구조다.

이 구조는 사람이 보면 “여러 후보 화합물의 묶음”으로 이해할 수 있다.

하지만 자동 시스템은 이 묶음을 실제 개별 분자 구조로 풀어내야 한다.

---

BIOMINER의 설계 철학

BIOMINER는 한 번에 모든 것을 맞히려 하지 않는다.

대신 작업을 나눈다.

1. 논문을 텍스트와 시각 자료로 파싱한다.
2. 생물활성 측정값을 추출한다.
3. 화학구조를 별도로 복원한다.
4. 리간드 이름과 구조를 연결해 최종 데이터를 만든다.

여기서 중요한 선택은 의미 추론과 화학구조 조립을 분리한 것이다.

멀티모달 LLM은 다음을 판단한다.

• 어떤 표가 어떤 활성값을 담고 있는가
• 어떤 리간드명이 어떤 구조를 가리키는가
• 어떤 R-group이 어떤 Markush scaffold에 붙는가
• 본문, 표, 그림 사이의 관계가 무엇인가

하지만 LLM이 직접 정확한 분자 문자열을 만들어내도록 두지는 않는다.

화학적으로 유효한 구조 조립은 RDKit, OPSIN 같은 도메인 도구에 맡긴다.

즉, LLM은 “관계와 의미”를 읽고, 화학 도구는 “정확한 구조”를 만든다.

Crop 포인트: 가운데의 Chemical-Structure-Grounded Visual Semantic Reasoning 흐름이 이 논문의 핵심으로, LLM의 의미 추론과 화학 도구의 구조 조립이 분리되어 있다.

---

CSG-VSR: 화학구조 기반 시각 의미 추론

논문은 BIOMINER의 핵심 구조 추론 방식을 CSG-VSR이라고 부른다.

풀어쓰면 화학구조에 근거한 시각 의미 추론이다.

작동 방식은 세 단계다.

1. 화학구조를 찾고 읽는다

먼저 논문 페이지, 표, 그림에서 화학구조 영역을 찾는다.

• 분자 탐지: MolDetv2
• 구조 인식: MOLGLYPH

이 단계에서 구조 이미지는 SMILES 후보로 바뀐다.

2. 구조와 이름의 관계를 추론한다

BIOMINER-INSTRUCT가 이미지 위의 구조 번호, 본문 표현, 표의 compound label을 함께 본다.

그 다음 다음 관계를 추론한다.

• compound 7이 어떤 구조를 가리키는가
• scaffold 2와 R1, R2가 어떻게 연결되는가
• 텍스트로 적힌 치환기와 그림 속 치환기가 같은 의미인가

이 단계는 “화학적으로 맞는 문자열 생성”이 아니라 “무엇이 무엇을 가리키는지”를 판단하는 과정이다.

3. 실제 분자를 조립한다

R-group이 IUPAC 이름이면 OPSIN으로 구조화한다.

약어와 화학식은 매핑 테이블로 처리한다.

마지막으로 RDKit이 scaffold와 substituent를 결합해 완전한 분자 구조를 만든다.

이 구조가 최종 SMILES가 된다.

---

BIOVISTA: 평가를 위한 새 벤치마크

논문은 시스템만 제안하지 않는다.

평가 데이터셋도 만든다.

BIOVISTA는 단백질-리간드 생물활성 추출 전용 벤치마크다.

구성은 다음과 같다.

항목	규모
논문 수	500편
생물활성 엔트리	16,457개
고유 화학구조	8,735개
Markush 유래 구조 비율	48.7%
데이터 출처	본문, 그림, 표

 

데이터는 PDBbind v2020에 포함된 최근 논문에서 수집했다.

중요한 점은 단순히 PDB 구조와 연결된 일부 값만 모은 것이 아니라, 논문에 보고된 전체 생물활성 데이터를 폭넓게 수집했다는 것이다.

BIOVISTA는 두 종류의 평가를 제공한다.

End-to-end 평가

• 논문에서 전체 생물활성 데이터를 추출하는 능력
• PDB 구조에 맞는 생물활성 값을 연결하는 능력

Component-level 평가

• 분자 탐지
• OCSR
• 전체 구조 coreference 인식
• Markush 구조 enumeration

이 구성이 중요한 이유는 명확하다.

완전한 추출이 실패했을 때, 어느 단계가 병목인지 분리해서 볼 수 있다.

---

성능: 완전 자동 추출은 어렵지만, 구조화된 접근은 효과가 있다

BIOMINER의 BIOVISTA 성능은 다음과 같다.

평가 항목	주요 결과
완전한 생물활성 트리플릿 F1	0.323
one-shot end-to-end 기준선 F1	0.00042
CSG-VSR 제거 시 F1	0.011
리간드 구조+coreference F1	0.528
생물활성 측정값 F1	0.626
생물활성 값 단독 F1	0.857

 

가장 눈에 띄는 결과는 CSG-VSR 제거 실험이다.

구조 기반 시각 의미 추론을 빼면 전체 트리플릿 성능이 거의 무너진다.

이는 이 과제가 단순한 텍스트 마이닝이 아니라는 점을 보여준다.

화학구조를 정확히 복원하고, 그 구조를 논문 속 이름과 연결해야 한다.

Crop 포인트: 상단 (a)의 ablation 결과와 가운데 (c)의 오류 분해를 함께 보면, 전체 성능을 좌우하는 병목이 생물활성 측정값 추출과 화학구조 복원에 동시에 걸려 있음을 알 수 있다.

 

오류는 어디서 발생했나

논문은 오류 원인을 세분화했다.

오류 원인	비율
생물활성 측정값 추출	32.68%
OCSR 오류	25.31%
Markush enumeration 실패	15.91%
분자 탐지 오류	15.82%
전체 구조 coreference 오류	10.28%

 

가장 큰 병목은 활성값 추출이다.

하지만 화학구조 쪽도 만만치 않다.

특히 입체화학 인식과 복잡한 Markush 구조가 어렵다.

R-group이 텍스트와 이미지에 섞여 있거나, 세 개 이상으로 늘어나면 recall이 크게 떨어진다.

---

왜 F1 0.323도 의미가 있는가

완전한 트리플릿 추출 F1 0.323은 아직 인간 큐레이터를 대체하기에는 부족하다.

그러나 논문의 목표는 “전문가 없이 완벽하게 끝내기”가 아니다.

실제 가치는 세 가지에서 나온다.

• 대규모 문헌을 빠르게 훑어 후보 데이터를 만든다.
• 사람이 확인할 지점을 줄인다.
• 노이즈가 있어도 대규모 학습 데이터로 활용할 수 있다.

이 논문은 이 세 가지를 실제 응용으로 검증한다.

---

응용 1: 11,683편 논문에서 대규모 학습 데이터 구축

저자들은 European Journal of Medicinal Chemistry 논문 11,683편을 대상으로 BIOMINER를 실행했다.

결과는 다음과 같다.

항목	결과
처리 논문 수	11,683편
처리 시간	약 3일
논문당 평균 처리 시간	약 21초
논문당 비용	약 0.024달러
추출된 생물활성 트리플릿	226,076개
단백질 구조 정보까지 연결된 데이터	82,262개
논문당 평균 활성값 수	22.83개

 

이 데이터는 결합친화도 예측 모델의 사전학습에 사용됐다.

GAT, EGNN, AttentiveFP, GCN 같은 그래프 신경망 모델을 비교했다.

BIOMINER로 추출한 데이터를 사전학습에 쓰면 두 독립 테스트셋에서 RMSE가 개선됐다.

• PDBbind v2016 core set: 평균 3.9% 개선
• CSAR-HiQ: 평균 3.4% 개선

논문은 추가 대조 실험도 수행했다.

단순히 구조 데이터를 많이 보는 것만으로는 충분하지 않았다.

무작위로 섞은 라벨이나 비지도 사전학습보다, BIOMINER가 추출한 활성값을 함께 사용한 학습이 더 좋았다.

즉, 노이즈가 있더라도 문헌에서 채굴한 생물활성 신호가 모델 학습에 실질적으로 기여했다.

Crop 포인트: 오른쪽 성능 비교 패널은 추출 데이터 사전학습이 여러 GNN 모델에서 결합친화도 예측 성능을 안정적으로 끌어올렸음을 보여준다.

---

응용 2: NLRP3 데이터 큐레이션과 저해제 스크리닝

완전 자동 추출은 빠르다.

하지만 QSAR 모델 학습이나 후보물질 선별처럼 민감한 작업에서는 데이터 품질이 중요하다.

그래서 논문은 human-in-the-loop 워크플로를 사용했다.

사람이 처음부터 모든 것을 찾고 베껴 쓰는 방식이 아니다.

BIOMINER가 먼저 후보 구조와 활성값을 제시한다.

전문가는 그 결과를 검토하고 수정한다.

대상은 NLRP3 inflammasome이다.

NLRP3는 항염증 치료제 개발에서 중요한 표적이지만, 공개 데이터가 상대적으로 부족하다.

실험 결과는 다음과 같다.

항목	결과
대상 논문	85편
수집 데이터	1,592개
총 소요 시간	26시간
논문당 평균 시간	18.4분
ChEMBL 대비 효과	NLRP3 데이터 규모 약 2배

 

이 확장 데이터로 QSAR 모델을 다시 학습했다.

28개 모델 구성에서 평균 EF1%가 38.6% 개선됐다.

대표 결과도 뚜렷하다.

• ECFP 분류 AUROC: 0.954에서 0.977로 개선
• CATS 회귀 Pearson: 0.385에서 0.600으로 개선

이후 ChemDiv와 Enamine 라이브러리를 가상 스크리닝했다.

최종적으로 16개의 신규 scaffold hit 후보를 골랐다.

그중 Z6739936901과 Z5232931194는 docking과 분자동역학 시뮬레이션에서 안정적인 결합 양상을 보였다.

 

Crop 포인트: 상단은 데이터 수집 규모와 ChEMBL 대비 분포 확장을, 하단은 두 후보물질이 결합 포켓에서 안정적으로 유지되는 근거를 보여준다.

---

응용 3: PoseBusters 구조-활성 주석 속도 향상

BIOMINER는 논문에서 데이터를 뽑는 데만 쓰이지 않는다.

이미 존재하는 단백질-리간드 복합체 구조에, 논문에서 보고된 생물활성 값을 연결하는 데도 사용할 수 있다.

이 작업은 PDBbind 같은 구조 기반 데이터셋 구축에 중요하다.

논문은 PoseBusters 데이터셋의 242개 PDB-논문 쌍으로 평가했다.

4명의 주석자가 참여했다.

• 전문가 2명
• 초보자 2명

평가는 manual 방식과 BIOMINER 보조 방식이 교차되도록 설계했다.

결과는 명확했다.

항목	Manual	BIOMINER 보조 HITL
평균 정확도	90.5%	96.25%
건당 평균 시간	195.8초	35.0초
속도 향상	-	5.59배

 

BIOMINER 보조 방식은 단순히 빠르기만 한 것이 아니다.

정확도도 올랐다.

특히 누락된 활성값, 잘못된 단백질·리간드 매칭, appendix 관련 누락을 줄이는 데 도움이 됐다.

완전 자동 주석도 일부 가능했다.

242개 중 128개 구조는 자동으로 처리할 수 있는 후보 범위에 들어갔다.

이 중 “활성값 없음”으로 판단한 경우와 “후보 값을 선택한 경우”가 포함된다.

 

Crop 포인트: 아래쪽 crossover 결과는 BIOMINER 보조 검수가 전문가와 초보자 모두에서 주석 시간을 줄이고 최종 정확도를 높였음을 보여준다.

---

방법론의 장점

1. end-to-end 환상을 버렸다

이 논문은 모든 것을 한 모델에게 맡기지 않는다.

문헌 추출은 여러 성격의 문제가 섞여 있다.

• 문장 이해
• 표 해석
• 그림 해석
• 화학구조 인식
• 구조 조립
• 이름 연결

BIOMINER는 이를 모듈로 나눴다.

이 접근은 실용적이다.

어느 부분이 틀렸는지도 추적할 수 있다.

2. LLM의 역할을 제한했다

LLM은 관계를 추론한다.

하지만 화학적으로 정확한 분자 생성은 도구가 처리한다.

이 역할 분리가 중요하다.

분자 구조는 “그럴듯한 답”이 아니라 “정확히 유효한 구조”여야 하기 때문이다.

3. 평가 벤치마크를 함께 제안했다

BIOVISTA는 이 분야에서 중요한 기여다.

시스템 성능뿐 아니라 하위 단계 성능도 볼 수 있다.

이는 후속 연구가 개선 방향을 찾는 데 유용하다.

4. 실제 응용으로 효용을 검증했다

논문은 단순히 benchmark score만 제시하지 않는다.

• 대규모 학습 데이터 구축
• NLRP3 타깃 데이터 확장
• PoseBusters 구조-활성 주석

이 세 응용을 통해 “낮은 완전 자동 F1에도 불구하고 왜 유용한가”를 보여준다.

---

한계와 앞으로의 과제

가장 큰 한계는 완전한 트리플릿 추출 성능이다.

F1 0.323은 인간 큐레이션을 대체하기에는 부족하다.

논문이 지적한 주요 병목은 다음과 같다.

• 생물활성 측정값 추출
• OCSR 오류
• Markush 구조 enumeration
• 입체화학 인식
• 텍스트와 이미지에 나뉜 R-group 정보 정렬

특히 입체화학은 여전히 어렵다.

화합물의 3차원적 차이가 약효에 큰 영향을 줄 수 있으므로, 이 부분은 향후 개선이 중요하다.

또 다른 한계는 early fusion 방식이 충분히 탐색되지 않았다는 점이다.

BIOMINER는 텍스트와 시각 정보를 나중에 합치는 post-fusion 전략을 쓴다.

논문은 이 선택이 실험적으로는 효과적이었지만, 이 과제에 맞춘 더 강한 통합 멀티모달 구조도 미래 연구 방향이라고 본다.

---

읽고 난 결론

이 논문의 핵심 메시지는 다음과 같다.

문헌 속 생물활성 데이터 채굴은 LLM만으로 해결되지 않는다.

필요한 것은 세 가지의 결합이다.

• 멀티모달 의미 추론
• 화학구조 인식과 조립 도구
• 사람의 검수까지 포함한 실사용 워크플로

BIOMINER는 이 세 요소를 하나의 구조로 묶었다.

완전 자동화 성능은 아직 갈 길이 있다.

하지만 대규모 데이터 채굴, target-specific 큐레이션, 구조-활성 주석에서는 이미 실질적인 효율 향상을 보였다.

특히 Markush 구조를 실제 분자로 풀어내는 과정을 시스템의 핵심으로 삼은 점이 강하다.

이 논문은 “문헌 마이닝을 실험실 데이터 파이프라인으로 연결하는 방법”을 보여주는 사례로 볼 수 있다.

---

Source

• Jiaxian Yan, Jintao Zhu, Yuhang Yang, Qi Liu, Kai Zhang, Zaixi Zhang, Xukai Liu, Boyan Zhang, Kaiyuan Gao, Jinchuan Xiao, Enhong Chen. BIOMINER: A Multi-modal System for Automated Mining of Protein-Ligand Bioactivity Data from Literature. arXiv:2604.21508v1, 23 Apr 2026.
• Paper PDF: 2604.21508v1.pdf
• Code and data: https://github.com/jiaxianyan/BioMiner
• arXiv: https://arxiv.org/abs/2604.21508