기술 요약: 공진화적 관점을 통한 단백질 돌연변이 특성화를 위한 모델 프리 추론 (Model-Free Inference)

문제 정의

단백관 공진화 분석은 잔기 접촉(residue contacts)을 예측하고 돌연변이 효과를 이해하기 위해 다중 서열 정렬(MSA) 데이터에 의존한다. 이 분야의 핵심 과제는 직접 결합(잔기 간의 즉각적인 상호작용)과 간접 결합(중간 잔기를 통해 전파되는 상관관계)을 구별하는 것이다. 기존 방법론들은 다음과 같은 중대한 한계점을 가진다:

• 상관 돌연변이 분석(CMA) 및 상호 정보량(MI): 직접 결합과 간도 결합을 분리하지 못하여 위양성(false positives)을 초래한다.
• 직접 결합 분석(DCA): 효과적이긴 하지만, Potts 모델에 의존한다. 모델 기반 접근 방식으로서, DCA는 모델 오지정(model misspecification)에 민감하며, 예측 불확실성(예: p-value 또는 신뢰 구간)을 정량화할 수 있는 엄격한 통계적 추론 프레임워크가 부족하다.
• 부분 상관관계(Partial Correlation)의 한계: 표준 부분 상관관계는 연속형 변수를 위해 설계되었다. MSA 데이터는 다변량 범주형 변수(아미노산)로 구성된다. PSICOV와 같은 방법에서 수행된 것처럼 원-핫 인코딩된 MSA 데이터에 표준 부분 상관관계를 적용하는 것은 범주형 변수의 내재적 블록 구조를 무시하며, 이는 조건부 의존성에 대한 오해를 불러일으킬 수 있다.

따라서 접촉 예측을 통계적 검정 문제로 취급하며, 범주형 아미노산 데이터를 올바르게 처리하면서 엄격한 불확실성 정량화를 제공하는 모델 프리(model-free) 프레임워크가 필요하다.

방법론: CATParc

저자들은 CATParc(CATegorical Partial Correlation)를 제안한다. 이는 다변량 범주형 변수에 대한 새로운 부분 상관관계 정의를 기반으로 접촉 예측을 통계적 검정 문제로 변환하는 모델 프리 프레임워크이다.

1. 데이터 변환 및 그래프 구축

• 원-핫 인코딩(One-Hot Encoding): $N$개의 서열과 $m$개의 위치를 가진 MSA 데이터는 변환된다. 각 위치 $i$는 $d_i$개의 고유한 아미노산을 가지며, 식별 가능성을 보장하기 위해 갭(gap) 컬럼을 제외한 $N \times d_i$ 이진 행렬으로 확장된다. 결과적인 데이터 행렬 $X$는 $D = \sum d_i$ 개의 열을 갖는다.
• 블록 구조(Block Structure): 열들은 위치별로 그룹화된다 ($G_1, \dots, G_m$). 두 변수 사이의 스칼라 값을 산출하는 표준 부분 상관관계와 달리, 이 프레임워크에서 위치 $i$와 $j$ 사이의 부분 상관관계는 두 위치의 아미노산 랜덤 벡터 사이의 조건부 의존성을 나타내는 행렬 $P_{(i,j)}$가 된다.
• 회귀 정의: 부분 상관관계 행렬은 로컬 회귀를 통해 정의된다. 위치 $i$와 $j$ 사이의 관계를 찾기 위해, 저자들은 다른 위치들의 효과($G^c_{i,j}$)에 대해 $i$와 $j$의 아미노산 벡터를 회귀시키되, 동일한 위치 $i$와 $j$ 내의 다른 아미노산 유형들의 효과는 회귀 제거하지 않는다. 이는 생물학적 관련성을 보존하기 위함이다.
• 추정: 고차원성과 그룹 희소성(대부분의 위치 쌍은 접촉 상태가 아님)을 고려하여, 회귀 계수는 **다변량 그룹 라쏘(Multivariate Group Lasso)**를 사용하여 추정된다.

2. 통계적 검정 프레임워크

핵심 과제는 귀무 가설 $H_0: P_{(i,j)} = 0$ (직접 결합 없음)을 대립 가설에 대해 검정하는 것이다.

• 잔차(Residuals): Group Lasso 회귀로부터 적합된 잔차가 계산된다.
• 검정 통계량: 잔차를 사용하여 **스펙트럼 기반 검정 통계량(spectrum-based test statistic)**이 구축된다. 구체적으로, 잔차의 표본 공분산으로부터 유도된 정준 상관 행렬의 고윳값을 기반으로 한 수정된 Wilks's Lambda 통계량을 사용한다.
• 점근 분포: 완만한 가정(sub-Gaussian성, 정밀 행렬의 블록 희소성) 하에서, 검정 통계량은 가중 치-제곱 분포(weighted Chi-squared distribution)로 수렴한다. 잔차의 공분산 구조를 반영하기 위해 가중치는 데이터로부터 추정된다.
• 다중 검정: $m(m-1)/2$개의 쌍이 검정되므로, 본 프레임워크는 동시 검정 문제를 처리하기 위해 정규화 변환을 사용하는 허위 발견율(FDR) 제어 절차를 채택한다.

3. 아미노산 조합 식별

이 프레임워크는 접촉을 탐지하는 것을 넘어, 상관관계를 유발하는 특정 아미노산 조합을 식별한다.

• 적합된 잔차를 사용하여, 위치 $(i, j)$에서의 특정 아미노산 쌍 $(t_1, t_2)$에 대한 정규화된 부분 상관관계를 계산한다.
• 이들은 개별적으로 테스트되어(적절한 p-value 컷오프와 함께), 어떤 특정 잔기 쌍이 공진화 신호를 주도하는지 식별함으로써 보상적 돌연변이(compensatory mutations)에 대한 통찰력을 제공한다.

4. 돌연변이 효과 예측

추정된 부분 공분산 행렬은 새로운 돌연변이 효과 예측을 위한 특징(feature)을 생성하는 데 사용된다.

• 특징 구축: 야생형 $w$에 대한 돌연변이 서열 $a$의 두 가지 특징인 $\Delta C(a)$ (전반적인 쌍별 상호작용 에너지의 변화)와 $\Delta M(a)$ (한계 선호도의 변화)가 유도된다.
• 통합: 이 특징들은 Evolutionary Scale Modeling (ESM) 언어 모델에서 추출된 1,280개의 특징과 함께 지도 학습 예측기(kNN, SVM, Random Forest)를 훈련시키기 위해 추가된다.

주요 기여

1. 범주형 데이터에 대한 최초의 추론 기반 부분 상관관계: 저자들은 아미노산 위치의 블록 구조를 보존하면서 다변량 범주형 변수에 대한 부분 상관관계를 공식적으로 정의하였으며, 이는 데이터를 연속형으로 취급하는 PSICOV와 같은 방법들과 차별화된다.
2. 모델 프리 통계적 추론: DCA와 달리, CATParc는 단백질 서열에 대한 특정 분포(예: Potts 모델)를 가정하지 않는다. 이는 제1종 오류 제어 및 검정력에 대한 이론적 보장을 갖춘 엄격한 통계적 추론 프레임워크를 제공한다.
3. 세밀한 돌연변이 분석: 이 방법은 위치 수준의 예측을 넘어 잔기 수준의 메커니즘적 통찰력을 제공함으로써 특정 아미노산 조합을 식별할 수 있게 한다.
4. 향arian 향상된 돌연변이 예측: 이 프레ما워크에서 유도된 특징들이 ESM 언어 모델과 결합될 때 돌연변이 효과 예측 정확도를 높인다는 것을 입증하였다.

결과

접촉 예측

• 성능: CATParc는 AUC를 사용하여 6개의 단백질 패밀리(alpha-helical, beta-sheet, mixed)에 대해 평가되었다.
• 비교: CATParc는 MI, PSICOV, 다양한 DCA 변형들(mfDCA, plmDCA, GREMLIN, GaussDCA) 및 ESM2 언어 모델을 포함한 기존 방법들을 일관되게 능가했다.
  • 예시: PF01037 패밀리에서 CATParc는 PSICOV(0.778)와 plmDCA(0.748)보다 높은 0.827의 AUC를 달 기록했다.
• 강건성: 이 방법은 다양한 구조적 범주에 걸쳐 높은 성능을 유지했으나, 알파 헬릭스 단백질에서 성능이 가장 높고 베타 시트 단백질에서 가장 낮았다(이는 장거리 접촉 탐지의 어려움으로 인해 다른 방법들에서도 관찰되는 경향이다).

아미노산 조합

• Class A beta-lactamase 패밀리(위치 23 및 30)에 적용했을 때, 이 방법은 E(p23)-K(p30) 및 **R(p23)-E(p30)**와 같이 알려진 구조적 상호작용(수소 결합, 전하 교환)과 일치하는 특정 보상 쌍을 성공적으로 식별했다.
• Sankey 다이어그램과 상관관계 맵은 어떤 아미노산 그룹이 결합을 주도하는지에 대한 상세한 시각화를 제공했다.

돌연변이 효과 예측

• 벤치마크: Beta-lactamase 패밀리와 실험적 녹는점(melting temperature) 데이터(Hopf et al., 2017)를 사용하였다.
• 개선: ESM 특징에 두 개의 CATParc 유도 특징을 추가하면 실험적 돌연변이 효과에 대한 Spearman 상관관계가 3% 개선되었다 (예: kNN의 경우 0.793에서 0.817로).
• 비교: 반면, PSICOV에서 유도된 특징을 추가하면 성능이 감소했는데, 이는 CATParc의 특징 추출이 우월함을 보여준다.

의의 및 주장

본 논문은 CATParc가 단백질 공진화 분석에서 모델 기반에서 추론 기반 접근 방식으로의 중요한 전환을 나타낸다고 주장한다.

• 불확실성 정량화: 강력한 분포 가정에 의존하지 않고 접촉 예측을 위한 엄격한 통계적 추론(p-value, 오차 제어)을 제공하는 첫 번째 방법이다.
• 해석 가능성: 특정 아미노산 조합을 식별함으로써, 기존 접근 방식에서는 거의 탐구되지 않았던 보상적 돌연변이에 대한 더 깊은 메커니즘적 이해를 제공한다.
• 상보성: 결과는 대규모 언어 모델(ESM과 같은)이 전역적인 생화학적 표현을 포착하는 동안, 공진화 분석에서 유도된 작업 적응형(task-adapted) 및 패밀리 특화된 구조 정보를 통합함으로써 크게 도움을 받을 수 있음을 시사한다.

저자들은 자신들의 프레임워크가 단백질 돌연변이를 특성화하기 위한 유효하고 강력하며 해석 가능한 도구를 제공하며, 향후 연구에서 엣지 세트(edge sets)의 동시 검정으로 확장될 가능성이 있다고 결론짓는다.