기술 요약: 조상 서열 재구성을 위한 트리 조건부 편집 흐름

문제 정의

조상 서열 재구성 (ASR) 은 계통수 내부 노드에 있는 멸종된 조상의 단백질 서열을 추론하는 것을 목표로 합니다. 전통적인 ASR 방법은 일반적으로 연속 시간 마르코프 치환 모델 (예: PAML, PhyML) 에 기반하여 부위를 조건부 독립으로 취급하며, 삽입과 결실 (indels) 은 우연히 제외하거나 가능도 계산 중에 무시합니다. 이러한 방법들은 계통 전체에 걸친 전역 추론에는 탁월하지만, 특히 indels 가 풍부한 상황에서 서열 진화의 복잡하고 문맥 의존적인 특성을 처리하는 데는 어려움을 겪습니다. 최근의 신경망 기반 접근법 (예: AutoregressiveASR, BetaReconstruct) 은 더 높은 표현력을 제공하지만, 종종 계통수 위상, 가지 길이, 또는 한 조상이 동시에 여러 후손을 설명해야 한다는 제약 조건을 통합하지 못합니다.

방법론: Lærad

저자들은 가변 길이 ASR 을 위해 설계된 트리 조건부 쌍대 편집 흐름 (paired edit-flow) 모델인 Lærad를 소개합니다. 단일 서열을 직접 출력하는 방법들과 달리, Lærad 는 ASR 을 가지 조건부 편집 과정으로 모델링하여 치환, 삽입, 결실에 대한 시간 의존적 비율을 예측합니다.

핵심 아키텍처

• 편집 흐름 기반: Lærad 는 이산 흐름 매칭 (discrete flow matching) 에 기반하여 고정 길이 토큰 공간의 개념을 가변 길이 서열로 확장합니다. 이는 삽입, 결실, 치환과 같은 기본 편집 연산을 통한 전이를 정의합니다.
• 쌍대 교차 어텐션: 모델은 두 개의 후손 서열 ($x_a, x_b$) 을 동시에 처리합니다. 공유된 ESM-2 백본을 인코딩에 사용한 후, 두 후손 간에 교차 어텐션이 가능하도록 하는 쌍대 융합 레이어를 적용합니다. 이를 통해 두 자식이 조상의 편집 필드를 함께 반영하도록 보장합니다.
• 가지 조건부: 모델은 각 후손에서 공유된 최소 공통 조상 (LCA) 까지의 순차적 가지 거리 ($d_a, d_b$) 에 조건부입니다. 이러한 거리는 Fitch 파시모니 (parsimony) 추정을 사용하여 "편집 예산"으로 변환되며, 진화적 다리 ($\tau = d_a / (d_a + d_b)$) 를 따라 조상이 예상되는 위치를 정의합니다.

학습 목적 함수

Lærad 는 실제 조상 서열이 필요 없이 두 후손 사이에서 샘플링된 확률적 브리지 상태에서 학습됩니다. 손실 함수 ($L$) 는 세 가지 항을 결합합니다:

1. Bregman 손실 ($L_{Bregman}$): 샘플링된 브리지 상태를 목표 후손 쪽으로 이동시키는 편집 비율을 예측하도록 모델을 학습시키는 양방향 손실입니다. 이는 국소 편집 메커니즘 (편집이 발생하는 위치와 어떤 잔기가 타당한지) 을 가르칩니다.
2. 조상 정렬 손실 ($L_{ancestor}$): 예상 조상 지점 ($\tau$) 근처에서, 두 반대 방향의 편집 궤적 ($a \to b$ 및 $b \to a$) 의 잠재 표현을 코사인 거리와 L2 거리를 사용하여 정렬합니다. 이는 두 경로가 모두 호환 가능한 조상 상태를 함의하도록 강제합니다.
3. 그룹 일관성 손실 ($L_{group}$): 동일한 LCA 노드를 공유하는 여러 후손 쌍의 경우, 평균 풀링된 잠재 표현들을 서로 가깝게 묶습니다. 이는 명시적인 국소 계통 일관성을 주입하여, 동일한 조상에 대한 서로 다른 관점이 일관된 표현으로 수렴하도록 보장합니다.

추론 절차

추론은 계통수에서 하향식 (bottom-up) 으로 진행됩니다:

1. 디코딩: 자식 쌍에 대해, 모델은 다른 자식과 가지 예산에 조건부로 각 자식에서 $N$개의 후보 부모 서열을 디코딩합니다.
2. 선택 및 합의: 점수 함수 $S(s)$는 가지 예산 일치, 파시모니 (편집 비용), 두 방향 디코드 간의 불일치, 그리고 모델 지지도를 기반으로 후보들을 평가합니다.
3. 조정: 최고 점수를 받은 후보 쌍은 합의 전략 (일치하는 잔기 복사, 예산 호환성을 통한 불일치 해결) 을 통해 병합됩니다. 최종 조상은 두 방향 후보와 그들의 합의 병합 결과 중에서 선택됩니다.

주요 기여

1. 가변 길이 ASR 프레임워크: Lærad 는 고정 정렬 가정을 넘어 계통 제약 하에서 치환, 삽입, 결실을 명시적으로 모델링함으로써 가변 길이 서열 진화에 대한 조상 추론을 확장합니다.
2. 트리 조건부 편집 흐름: 이 모델은 계통 위상과 가지 길이를 편집 흐름 생성 과정에 직접 통합하여, 쌍대 교차 어텐션을 통해 후손들이 조상 상태를 공동으로 반영하도록 합니다.
3. 일관성 메커니즘: 양방향 브리지 손실과 정확한 LCA 그룹 일관성 손실의 도입은 추론된 조상 상태가 여러 후손과 호환되며, 동일한 노드로 매핑되는 서로 다른 쌍 간에 일관되도록 보장합니다.

결과

저자들은 Lærad 를 두 가지 다른 벤치마크에서 평가했습니다:

1. indels 가 풍부한 벤치마크 (박테리오파지 J 단백질)

indels 가 풍부한 자연 동종 서열 (ID95 데이터셋) 벤치마크에서 Lærad 는 전통적인 방법 (Fitch, PAML, ARPIP) 과 신경망 기반선 (AutoRegressiveASR) 과 비교되었습니다.

• 성능: Lærad 는 관찰된 편집 상관관계 (추론된 가지 편집 밀도와 경험적 잎 수준 변이 간의 피어슨 상관관계) 에서 가장 높은 점수를 기록했으며, Tiny 변종은 0.778 에 달했습니다. 이는 최고의 전통적 기반선 (0.765 의 PHYLO-Γ) 을 능가했습니다.
• 국소화: 결과는 Lærad 가 indels 가 풍부한 맥락에서 경험적으로 변이하는 부위 전반에 걸쳐 추론된 진화적 변화를 국소화하는 데 더 우수함을 시사합니다.
• 한계: 국소화 측면에서는 강력하지만, Lærad 의 연산별 indels 상관관계는 ARPIP 보다 낮았으며, 추정된 편집과 계통이 시사하는 예산 간의 불일치를 나타내는 정규화된 예산 오차는 일부 기반선보다 높게 유지되었습니다.

2. 치환 전용 벤치마크 (형광 단백질)

내부 조상이 알려진 실험적으로 진화된 형광 단백질 (실질적으로 치환 전용) 벤치마크에서 Lærad 는 치환 전문 방법들과 비교되었습니다.

• 성능: 예상대로 Lærad 는 전통적인 가능도 기반 방법 (PHYLO-Γ: 97.2% 정확도; ARPIP: 97.1%) 과 신경망 기반선 AutoRegressiveASR(87.3%) 보다 뒤처졌습니다. Lærad-Nano 는 84.4% 정확도를 기록했습니다.
• 해석: 저자들은 이 모델이 복잡한 편집 연산을 위해 설계된 반면, 과제는 치환이 지배적이므로 이는 보수적인 스트레스 테스트라고 지적합니다.

중요성과 주장

이 논문은 트리 조건부 편집 흐름이 특히 삽입과 결실에 의해 진화가 주도되는 환경에서 가변 길이 ASR 을 위한 실현 가능한 방향임을 주장합니다.

• 주요 강점: Lærad 는 짝을 이루고 트리 조건부인 편집 과정으로 서열 진화를 모델링하는 것이 indels 가 풍부한 환경에서 진화적 변화의 국소화 측면에서 전통적인 방법보다 우수할 수 있음을 보여줍니다.
• 제한된 범위: 저자들은 현재의 공식화가 치환이 지배적인 환경에서 전통적인 방법보다 우월하지는 않다고 명시합니다. 그들은 연산 유형 보정(구체적인 편집 유형을 정확히 예측) 과 가지 예산 보정(추정된 편집 수를 계통 거리와 정확히 일치) 이 여전히 해결되지 않은 문제임을 인정합니다.
• 미래 가능성: 이 연구는 모델의 확장 (예: 더 큰 ESM-2 백본 사용) 이 치환이 지배적인 환경에서 성능을 향상시킬 수 있음을 시사하지만, 주요 기여는 가변 길이 서열을 위한 생성형 편집 흐름 프레임워크에 계통 제약이 성공적으로 통합된 데 있습니다.