Extending Sequence Length is Not All You Need: Effective Integration of Multimodal Signals for Gene Expression Prediction

이 논문은 긴 DNA 서열 길이 확장보다는 표적 유전자 근처의 다중 모달 후성유전 신호를 효과적으로 통합하여 배경 염색질 패턴의 혼란 효과를 줄이는 'Prism' 프레임워크를 제안함으로써, 짧은 서열로도 최첨단 수준의 유전자 발현 예측 성능을 달성할 수 있음을 보여줍니다.

핵심

유전자 발현 예측: 긴 DNA 서열보다 중요한 것은 '주변의 신호'입니다

이 논문은 유전자가 어떻게 작동하는지 (즉, 유전자가 얼마나 활발하게 단백질을 만드는지) 를 예측하는 인공지능 모델을 연구한 것입니다. 기존 연구들은 "더 긴 DNA 서열을 읽을수록 더 잘 예측할 수 있다"고 믿어 왔지만, 이 논문은 **"아니요, 길이가 중요한 게 아니라 주변 환경의 신호를 어떻게 해석하느냐가 핵심입니다"**라고 주장하며 새로운 방법론을 제시합니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드리겠습니다.

---

1. 기존의 오해: "더 긴 책장을 읽어야 한다"

비유: 먼 곳에 있는 친구의 소리를 듣기 위해 귀를 쫑긋 세우는 것

유전자 (DNA) 는 우리 몸의 설계도입니다. 어떤 유전자가 작동하려면, 그 유전자에서 아주 멀리 떨어진 곳 (수십만 킬로미터 떨어진 곳) 에 있는 '스위치 (엔핸서)'가 켜져야 합니다.
기존의 AI 모델들은 이 먼 거리를 해결하기 위해 **매우 긴 DNA 서열 (책의 두꺼운 장)**을 한 번에 읽으려고 했습니다. 마치 아주 먼 곳에 있는 친구의 목소리를 듣기 위해 귀를 쫑긋 세우고 긴 시간 동안 소리를 듣는 것과 같습니다.

하지만 저자들은 실험을 통해 놀라운 사실을 발견했습니다.

• 현실: 아무리 긴 서열을 읽어도 AI 모델의 성능은 오히려 떨어지거나, 별다른 도움이 되지 않았습니다.
• 이유: 긴 서열을 읽는 기술 (SSM 등) 이 아직 완벽하지 않고, 먼 곳의 신호는 잡음 (노이즈) 과 섞여 있어 오히려 혼란을 주기 때문입니다.

2. 새로운 발견: "주변의 분위기 (표지판) 를 읽자"

비유: 집 안의 조명과 소음

저자들은 긴 거리를 읽는 대신, 유전자 바로 옆 (근접 영역) 에 있는 다양한 신호들에 주목했습니다.

• H3K27ac (주요 신호): 마치 "여기가 중요한 곳이다!"라고 밝게 빛나는 전등이나 신호등과 같습니다. 이 신호가 켜져 있으면 유전자가 실제로 작동하고 있다는 뜻입니다.
• DNase, Hi-C (배경 신호): 마치 주변의 일반적인 조명이나 거리의 소음과 같습니다. 이 신호들은 "이곳이 열려 있다"거나 "공간이 연결되어 있다"는 것을 보여주지만, 유전자가 정말 작동하는지 여부는 직접적으로 알려주지 않습니다.

문제점: 기존 모델들은 이 '전등 (주요 신호)'과 '주변 소음 (배경 신호)'을 모두 섞어서 읽었습니다. 그 결과, AI 는 "소음이 크면 유전자도 작동할 거야"라고 **잘못된 상관관계 (가짜 패턴)**를 학습하게 되었습니다. 마치 "비가 오면 우산이 많으니, 우산이 많으면 비가 오는 게 아니라"는 식의 착각을 한 것입니다.

3. 제안된 해결책: '프리즘 (Prism)'

비유: 안경을 써서 흐릿한 배경을 제거하고 선명한 사물을 보게 하는 것

이 논문이 제안한 Prism이라는 새로운 방법은 다음과 같이 작동합니다.

1. 배경 상태를 학습: AI 가 먼저 "주변의 소음 (배경 신호) 은 어떤 패턴으로 존재하는가?"를 여러 가지 경우로 나누어 학습합니다. (예: "소음이 아주 큰 상태", "소음이 중간인 상태" 등)
2. 인과 관계 교정 (Backdoor Adjustment): 이제 AI 는 "만약 이 배경 소음이 없다면, 유전자는 어떻게 작동할까?"라고 상상하며 예측합니다. 마치 안경을 써서 흐릿한 배경을 제거하고 오직 전등 (주요 신호) 만 선명하게 보는 것과 같습니다.
3. 결과: 긴 DNA 서열을 읽지 않아도, 짧은 거리 (2,000 개 정도) 의 DNA 만 보고도 주변 신호를 올바르게 해석하여 가장 정확한 예측을 할 수 있게 됩니다.

4. 핵심 요약

• 기존 생각: "유전자를 예측하려면 수백만 글자의 긴 DNA 서열을 읽어야 한다."
• 이 논문의 주장: "아니요, 긴 서열은 잡음일 뿐입니다. 중요한 것은 유전자 바로 옆에 있는 다양한 신호 (전등과 소음) 를 구분해서 해석하는 것입니다."
• Prism 의 역할: AI 가 배경 잡음에 속지 않도록 도와주는 지능적인 필터 역할을 합니다.

결론

이 연구는 유전자 예측 분야에서 "무조건 길이를 늘리는 것"이 답이 아님을 증명했습니다. 대신, 주변 환경의 신호를 어떻게 지능적으로 분리하고 통합하느냐가 성능을 결정한다는 사실을 보여주었습니다. 이는 더 적은 계산 비용으로 더 정확한 의학적 예측 (질병 원인 분석, 맞춤형 치료 등) 을 가능하게 하는 중요한 전환점이 될 것입니다.

기술 요약

1. 문제 정의 (Problem Statement)

• 기존 접근법의 한계: 유전자 발현은 프로모터에서 수백 kb 떨어진 원거리 조절 요소 (Enhancer) 의 영향을 받기 때문에, 기존 연구들은 입력 DNA 시퀀스 길이를 늘려 (예: 200kb) 이러한 원거리 상호작용을 포착하려 했습니다.
• 기술적 병목: 긴 시퀀스를 처리하는 현재의 모델 (Transformer 기반 또는 SSM 기반) 은 계산 복잡도, 은닉 상태의 고정 크기, 그리고 최근 편향 (Recency Bias) 등의 문제로 인해 긴 시퀀스를 효과적으로 학습하지 못합니다. 실험 결과, 긴 시퀀스를 입력으로 사용해도 성능이 저하되거나, 짧은 시퀀스 (예: 2kb) 와 유사한 성능만 보였습니다.
• 다중 모달 신호의 오용: 유전자 발현 예측에는 DNA 서열뿐만 아니라 세포 특이적인 후생유전체 신호 (H3K27ac, DNase-seq, Hi-C 등) 가 중요합니다. 그러나 기존 모델들은 이러한 신호들을 단순히 연결 (Concatenation) 하는 방식만 사용했습니다.
• 혼란 변수 (Confounder) 문제: 배경 크로마틴 상태 (Background Chromatin States) 를 나타내는 신호 (예: DNase-seq, Hi-C) 와 실제 활성 조절 요소 (H3K27ac) 를 구분하지 못해, 모델이 인과관계가 아닌 허위 상관관계 (Spurious Correlations) 를 학습하게 됩니다. 즉, 개방된 크로마틴 패턴과 유전자 발현이 우연히 공존하는 패턴을 학습하여 예측 정확도를 떨어뜨립니다.

2. 방법론 (Methodology: Prism)

저자들은 긴 시퀀스 모델링 대신 짧은 시퀀스 (Proximal region) 와 다중 모달 신호의 인과적 통합을 제안하며, 이를 위해 Prism 프레임워크를 개발했습니다.

• 구조적 인과 모델 (Structural Causal Model, SCM):

  • H (후생유전체 특징): 유전자 발현 (Y) 에 직접적인 영향을 미치는 특징.
  • C (혼란 변수): 배경 크로마틴 상태. 이는 관찰된 특징 (H) 과 발현 (Y) 모두에 영향을 주어 허위 상관관계를 만듭니다.
  • 목표: $P(Y|H)$가 아닌 개입 분포 $P(Y|do(H))$를 추정하여 배경 상태의 영향을 제거하고 직접적인 인과 효과만 학습하는 것.

• 백도어 조정 (Backdoor Adjustment) 적용:

  • 배경 상태 학습: 고차원 후생유전체 특징의 다양한 선형 조합을 학습하여 $n$개의 서로 다른 배경 크로마틴 상태 ($C_1, ..., C_n$) 를 표현하는 가중치 벡터 ($A = [a_1, ..., a_n]$) 를 생성하는 혼란 변수 인코더 (Confounder Encoder) 를 도입합니다.
  • 개입 예측: 학습된 각 배경 상태에 대해 가중치를 적용한 특징 ($H \odot a_i$) 을 사용하여 예측을 수행한 후, 이를 평균화하여 배경 상태의 영향을 제거한 예측값을 도출합니다.
  • 손실 함수:
    1. 예측 손실 ($L_1$): 표준 예측 오차 (Huber Loss).
    2. 개입 정규화 손실 ($L_2$): 백도어 조정을 통해 계산된 예측값과 실제 값 간의 오차.
    3. 균일성 손실 ($L_3$): 학습된 가중치 벡터들이 서로 유사해지지 않도록 (다양성 확보) 하는 손실.

• 아키텍처:

  • DNA 시퀀스와 후생유전체 신호를 입력으로 받습니다.
  • 신호 인코더와 예측기 (Caduceus 기반) 를 사용하며, 추가적인 파라미터는 매우 적습니다 (약 11K).

3. 주요 기여 (Key Contributions)

1. 긴 시퀀스 모델링에 대한 도전: 현재 기술적 한계로 인해 긴 시퀀스 입력이 오히려 성능 저하를 초래할 수 있음을 실험적으로 증명했습니다. 대신 짧은 시퀀스 (2kb) 만으로도 우수한 성능이 가능함을 보였습니다.
2. 후생유전체 신호의 역할 분석: 신호 유형 (활성 마커 vs 배경 신호) 에 따른 차이를 분석하고, 배경 신호가 모델에 혼란 변수로 작용하여 허위 상관관계를 유발함을 규명했습니다.
3. Prism 프레임워크 제안: 인과적 관점에서 배경 크로마틴 상태를 모델링하고 백도어 조정을 적용하여 혼란 효과를 제거하는 새로운 방법을 제시했습니다.
4. SOTA 성능 달성: 긴 시퀀스 모델이나 복잡한 아키텍처 없이, 짧은 시퀀스와 Prism 을 사용하여 유전자 발현 예측에서 최첨단 성능을 달성했습니다.

4. 실험 결과 (Results)

• 데이터셋: 인간 세포주 (K562, GM12878) 의 CAGE 데이터를 사용했습니다.
• 비교 모델: Enformer, HyenaDNA, Mamba, Caduceus, EPInformer, Seq2Exp (SOTA) 등.
• 성능:
  • Prism 은 모든 평가 지표 (MSE, MAE, Pearson Correlation) 에서 기존 SOTA 인 Seq2Exp 를 능가했습니다.
  • 예시 (K562): Prism 의 MSE 는 0.1789 (Seq2Exp 는 0.1856), Pearson 은 0.8751 (Seq2Exp 는 0.8723) 로 개선되었습니다.
  • GM12878 세포주에서도 유사한 개선 효과를 보였습니다.
• 효율성: Prism 은 Caduceus 기반 모델에 비해 학습 가능한 파라미터를 11K 만 추가하여 경량화되었으며, Seq2Exp 는 파라미터가 2 배 증가한 것과 대조적입니다.
• 하이퍼파라미터 분석: 배경 상태의 수 ($n$) 가 2 이상일 때 성능이 크게 향상되었으며, 개입 손실 가중치 ($\alpha$) 가 1.0 일 때 최적 성능을 보였습니다.
• 학습된 가중치 분석: 모델이 학습한 가중치 벡터는 각 유전자마다 고유한 패턴을 가지면서도 구조적으로 일관된 "활성화" 또는 "억제" 상태를 학습하고 있음을 시각화를 통해 확인했습니다.

5. 의의 및 결론 (Significance)

이 논문은 유전자 발현 예측 분야에서 "긴 시퀀스 길이 확장"이 만능 해법이 아님을 지적하고, 다중 모달 후생유전체 신호의 인과적 통합이 더 중요한 열쇠임을 밝혔습니다.

• 과학적 통찰: 배경 크로마틴 패턴이 모델 학습에 방해가 되는 혼란 변수임을 규명하고, 이를 통계적/인과적 방법 (백도어 조정) 으로 해결하는 새로운 패러다임을 제시했습니다.
• 실용적 가치: 계산 비용이 적고 (짧은 시퀀스), 파라미터 효율이 높으며, 해석 가능성 (인과적 구조) 이 뛰어난 모델을 제공하여 정밀 의학과 유전자 조절 메커니즘 연구에 기여할 수 있습니다.
• 미래 방향: 인과 추론 (Causal Inference) 기법을 생물정보학 모델링에 적용하는 중요한 사례로, 향후 다양한 유전체 예측 작업에 확장 적용될 수 있는 가능성을 열었습니다.

요약하자면, Prism 은 복잡한 배경 잡음을 제거하고 핵심 신호에 집중함으로써, 적은 계산 자원으로 더 정확한 유전자 발현 예측을 가능하게 한 혁신적인 프레임워크입니다.