🧬 biology

Better Protein Function Prediction by Modeling Survivorship Bias

본 논문은 다양한 바이러스 데이터셋에서 단백질 기능을 예측할 때 기존 방법보다 현저히 우수한 성능을 발휘하도록 진화적 돌연변이 과정을 통해 생존 편향을 명시적으로 모델링하는 양성-비표시 학습 프레임워크인 Evo-PU 를 소개합니다.

원저자: Zhongmou Chao, Poompol Buathong, Ekaterina Selivanovitch, Susan Daniel, Peter I. Frazier

게시일 2026-05-11

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Zhongmou Chao, Poompol Buathong, Ekaterina Selivanovitch, Susan Daniel, Peter I. Frazier

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

"생존 편향을 모델링하여 단백질 기능 예측을 개선한다"는 논문에 대한 설명을 쉬운 언어와 창의적인 비유로 풀어보겠습니다.

큰 문제: "생존"의 함정

완벽한 케이크를 만드는 법을 배우려고 한다고 상상해 보세요. 제과점에 가서 진열된 모든 케이크를 살펴봅니다. 모두 맛있어 보이고 모두 잘 팔렸습니다. 당신은 아마 "그래, 모든 케이크는 다 좋은 거야"라고 결론 내릴 것입니다.

하지만 함정이 있습니다. 제과점은 진열대에 오기 전에 타버리거나 무너지거나 맛이 형편없는 모든 케이크를 버립니다. 당신은 실패작을 본 적이 없습니다. 진열대에 있는 케이크 만을 보고 배운다면, 왜 어떤 레시피는 실패하는지 이해하지 못합니다. 당신은 오직 "생존자"만 보게 되는 것입니다.

이것은 정확히 과학자들이 단백질(생명의 구성 요소) 을 다루면서 마주치는 문제입니다.

자연의 필터: 자연 상태에서 작동하지 않는 단백질은 진화에 의해 도태됩니다. 오직 생물이 생존하고 번식하는 데 도움이 되는 것들만 다음 세대로 전달됩니다.
데이터 격차: 과학자들이 단백질 데이터베이스를 살펴볼 때, 주로 "승자"(기능성 단백질) 만 봅니다. "패자"(비기능성 단백질) 는 자연에서 관찰된 적이 없기 때문에 거의 보지 못합니다.

이로 인해 생존 편향이 발생합니다. 컴퓨터가 오직 "승자"만을 사용하여 단백질 기능을 예측하도록 훈련시키면 혼란에 빠집니다. 단백질의 약간 다른 버전이 완전히 실패할 수 있다는 사실을 알지 못하기 때문입니다.

이전의 해결책 (그리고 왜 부족했는지)

과학자들은 이를 해결하기 위해 여러 번 시도했지만, 중요한 세부 사항을 놓쳤습니다: 단백질은 어떻게 그곳에 도달했는가?

표준 "양성 - 비레이블"(PU) 학습: 이는 "우리는 좋은 케이크 목록과 미스터리 상자 목록을 가지고 있다. 어떤 미스터리 상자가 나쁜 케이크인지 추측해 보자"라고 말하는 것과 같습니다. 문제는 이러한 방법들이 모든 미스터리 상자가 좋은 케이크일 동등한 확률을 가진다고 가정한다는 것입니다. 케이크가 어떻게 만들어졌는지는 고려하지 않습니다.
단백질 언어 모델 (PLM): 이는 수백만 권의 요리책을 읽어서 좋은 레시피가 어떤 모습인지 추측하는 AI 와 같습니다. 일반적인 패턴을 찾아내는 데는 뛰어나지만, 단백질이 특정 작업 (예: 특정 열쇠가 특정 자물쇠에 맞는 것) 을 수행하는 데 필요한 구체적이고 미세한 세부 사항을 놓치는 경우가 있습니다.
일클래스 분류: 이는 "좋은 손님"이 어떤 모습인지만 알고 나머지는 모두 거절하는 바텐더와 같습니다. 너무 경직되어 있으며, 왜 누군가 초대받지 못했는지에 대한 뉘앙스를 이해하지 못합니다.

새로운 해결책: Evo-PU

저자들은 Evo-PU라는 새로운 도구를 개발했습니다. Evo-PU 는 선반에 진열된 케이크만 보는 것이 아니라, 케이크가 그곳에 도달한 방식을 이해하기 위해 부엌과 레시피 책을 살펴보는 탐정이라고 생각하세요.

핵심 아이디어:
Evo-PU 는 단백질이 뉴클레오타이드(단어 속의 글자 같은 것) 라는 더 작은 부분들로 구성되어 있음을 이해합니다.

비유: "CAT"과 같이 매우 흔한 단어가 있다고 상상해 보세요.
- 한 글자를 바꿔 "BAT"를 만든다면, "CAT"에서 "BAT"로 가는 것이 매우 쉽기 때문에 이미 누군가 그 단어를 기록했을 가능성이 높습니다. 만약 사전에서 "BAT"를 본 적이 없다면, 그것은 아마도 "BAT"가 의미가 없기 때문일 것입니다 (비기능성).
- 하지만 "CAT"을 "XYZZY"(무작위이고 복잡한 문자열) 로 바꾸려고 한다면, 우연히 누군가가 그 단어를 기록했을 가능성은 매우 낮습니다. "XYZZY"를 본 적이 없다면, 그것이 나쁜 단어이기 때문이 아니라, 우연히 발견하기 너무 어려워서 아직 아무도 시도하지 않았기 때문일 것입니다.

Evo-PU 의 작동 방식:

"경로"를 추적합니다: Evo-PU 는 "조상"(우리가 이미 알고 있는 일반적인 단백질) 을 살펴보고, 이를 새로운 버전으로 변이시키는 것이 얼마나 쉬운지 계산합니다.
확률을 조정합니다:
- 새로운 단백질이 일반적인 단백질과 한 걸음 떨어져 있고, 우리가 그것을 아직 보지 못했다면, Evo-PU 는 "이것은 아마 실패일 것이다. 만약 작동했다면 우리는 이미 발견했을 것이다"라고 생각합니다.
- 새로운 단백질이 일반적인 것과 여러 걸음 떨어져 있고, 우리가 그것을 아직 보지 못했다면, Evo-PU 는 "우리가 그것을 보지 못한 것은 그것이 고장 났기 때문이 아니라, 발생하기가 매우 드물기 때문일 뿐이다"라고 생각합니다.
결과: 이 "변이 경로"를 모델링함으로써 Evo-PU 는 나빠서 누락된 단백질과 드물어서 누락된 단백질을 구별할 수 있습니다.

결과: 효과가 있었는가?

팀은 인플루엔자, RSV, SARS-CoV-2와 같은 바이러스에 Evo-PU 를 테스트했습니다. 그리고 다음과 같은 것을 예측하도록 요청했습니다.

바이러스의 어떤 부분이 인간 세포에 부착하는 데 도움이 되는가?
어떤 부분이 우리 면역 체계로부터 숨는 데 도움이 되는가?
어떤 새로운 바이러스 변이가 미래에 나타날 수 있는가?

판결:

잘 감시된 바이러스에서: 데이터가 풍부한 바이러스 (예: 독감) 의 경우, Evo-PU 가 명백한 승자였습니다. 표준 PU 학습, 일클래스 분류기, 언어 모델 등 다른 모든 방법보다 뛰어났습니다. Evo-PU 는 어떤 변이가 작동하고 어떤 변이가 실패할지 성공적으로 예측했습니다.
다양한 데이터셋에서: ProteinGym 과 같이 다양한 생물의 거대하고 혼합된 데이터셋에서 테스트했을 때, Evo-PU 는 승리하지 못했습니다. 저자들은 이 방법이 바이러스가 숙주를 감염시킨 횟수 (유병률) 를 정확히 알아야 한다는 점에 의존하기 때문이라고 설명합니다. 혼합된 데이터셋에서는 해당 데이터가 혼란스럽거나 누락되어 있어, "탐정"이 일부 단서를 잃게 됩니다.

요약

이 논문은 단백질이 작동하는지 예측하려면 "생존자" 목록만 보면 안 된다고 주장합니다. 그곳에 도달하기까지의 진화적 여정을 이해해야 합니다.

구식 방법: "나는 단백질을 본다. 이것이 좋은가? 나는 그것이 어떻게 생겼는지에 기반하여 추측할 것이다."
Evo-PU 방식: "나는 단백질을 본다. 나는 이것이 일반적인 단백질로부터 한 번의 변이 거리에 있음을 안다. 나는 아직 이 특정 변이를 보지 못했으므로, 이는 아마 실패일 것이다. 하지만 이것이 기이하고 복잡한 변이라면, 찾기가 어려울 뿐이므로 기회를 주겠다."

단백질이 자연에 나타날 확률을 고려함으로써, Evo-PU 는 어떤 단백질이 실제로 기능적인지, 어떤 단백질이 진화적 막다른 길인지를 훨씬 더 명확하게 보여줍니다.

기술 요약: 생존 편향 모델링을 통한 단백질 기능 예측 개선

문제 제기

자연에서 유래된 단백질 서열 데이터는 진화 및 실험적 선택 과정으로 인해 본질적으로 편향되어 있습니다. 이러한 생존 편향 (survivorship bias) 은 기능성 서열이 체계적으로 과대표되는 반면, 비기능성 돌연변이는 자연선택이나 실험 프로토콜 (예: 바이오패닝) 에 의해 필터링되는 데이터셋을 초래합니다. 결과적으로 단백질 기능 예측은 종종 양성 - 미확인 (Positive-Unlabeled, PU) 학습 시나리오에 직면합니다: 관찰된 서열은 기능성이 있는 것으로 알려져 있지만 (양성), 관찰되지 않은 서열은 레이블이 없습니다. 이들은 기능성이 있으나 관찰되지 않았거나, 실제로는 비기능성일 수 있습니다.

기존의 PU 학습 방법들은 일반적으로 모든 서열에 걸쳐 일정한 클래스 사전 확률 (미확인 서열이 실제로 양성일 확률) 을 가정합니다. 그러나 이 가정은 생물학적으로 비현실적입니다. 서열이 관찰될 확률은 그 진화적 접근성 (evolutionary accessibility) 에 의존하기 때문입니다. 널리 퍼진 변이체로부터 한 번의 돌연변이로 도달 가능한 서열은 여러 번의 동시 돌연변이가 필요한 서열보다 훨씬 더 자주 발생하고 관찰될 가능성이 높습니다. 표준 방법들은 이러한 변이를 고려하지 못하여 예측 성능을 제한합니다. 또한, 단백질 언어 모델 (PLMs) 은 진화적 제약을 포착하지만, 관찰된 분포에서 통계적 패턴을 추론할 뿐, 어떤 변이가 누락되는지를 결정하는 돌연변이 경로와 감시 과정을 명시적으로 모델링하지는 않습니다.

방법론: Evo-PU

저자들은 Evo-PU를 제안합니다. 이는 진화 기반의 서열 의존적 클래스 사전 확률을 통해 생존 편향을 명시적으로 모델링하는 PU 학습 프레임워크입니다. 핵심 통찰은 자연에서 널리 퍼진 서열과 가까운 기능성 뉴클레오타이드 서열이 실현 가능한 돌연변이 경로를 통해 발생할 수 있으므로 관찰될 가능성이 더 높다는 점입니다.

1. 확률적 데이터 생성 과정

Evo-PU 는 관찰 과정을 세 단계로 공식화합니다:

발생 ( $E$ ): 뉴클레오타이드 서열 $y$ 가 조상으로부터 돌연변이를 통해 발생합니다.
기능성 ( $A$ ): 해당 서열은 기능성 단백질을 암호화합니다.
관찰 ( $O$ ): 서열이 확률 $p_o$ 로 감시 과정에 의해 탐지됩니다.

아미노산 서열 $x$ 를 관찰할 가능성은 다음과 같이 유도됩니다:
$P(O_X(x) = 1) = p_a(x; \theta) \left[ 1 - \prod_{y \in Y(x)} (1 - p_o p_e(y; \alpha)) \right]$
여기서:

$p_a(x; \theta)$ 는 기능성 확률을 추정하는 분류기입니다.
대괄호 안의 항은 서열 의존적 클래스 사전 확률을 나타내며, 기능성 서열 $x$ 가 관찰될 확률을 포착합니다.
$p_e(y; \alpha)$ 는 관찰된 조상으로부터 돌연변이를 통해 뉴클레오타이드 서열 $y$ 가 발생할 확률입니다.

2. 뉴클레오타이드 발생 모델

$p_e(y; \alpha)$ 를 추정하기 위해, 모델은 관찰된 뉴클레오타이드 서열 ( $D_Y$ ) 을 조상으로 가정합니다. 관찰되지 않은 서열 $y$ 에 대한 발생 확률은 다음에 기반하여 계산됩니다:

돌연변이 거리: 조상 $y'$ 에서 $y$ 로의 돌연변이 확률로, 전이 (더 흔함) 와 전이 (덜 흔함) 를 구분합니다.
유행률: 관찰된 데이터 내 조상 $y'$ 의 빈도, $c(y')$ 로 표기합니다.
스케일링: 생식 실패와 같은 요인을 고려하기 위해 하이퍼파라미터 $\alpha$ 가 유효 발생률을 스케일링합니다.

발생 확률은 다음과 같이 근사됩니다:
$p_e(y; \alpha) \approx 1 - \exp\left( -\sum_{y' \in D_Y} P(y' \to y) \alpha c(y') \right)$

3. 효율적 가능도 근사

관찰되지 않은 서열 공간의 지수적 크기로 인해 긴 서열에 대한 정확한 가능도 계산은 불가능합니다. Evo-PU 는 효율적인 근사를 적용합니다:

관찰되지 않은 서열 집합 ( $\hat{D}'_X$ ) 을 관찰된 데이터로부터 단일 뉴클레오타이드 돌연변이로 생성된 것 중 발생 확률이 높은 ( $p_e > \epsilon$ ) 것으로 제한합니다.
모든 아미노산 서열에 대한 암호화 뉴클레오타이드 집합 $Y(x)$ 를 관찰된 뉴클레오타이드와 발생 가능성이 높은 뉴클레오타이드의 교집합으로 제한합니다.
이를 통해 표준 경사 기반 방법을 사용하여 로그 가능도 함수의 최적화를 계산 가능하게 만듭니다.

4. 구현 세부 사항

분류기: 프레임워크는 분류기 아키텍처에 구애받지 않지만, 실험에서는 로지스틱 회귀 (LR) 와 Wide & Deep (WD) 신경망을 활용합니다.
표현: 서열은 아미노산의 물리화학적 특성 (CHEM) 을 사용하여 인코딩되어 연속 최적화를 가능하게 합니다.
학습: 모델은 $L_2$ 정규화를 사용하여 근사된 로그 가능도를 최대화함으로써 분류기 매개변수 $\theta$ , 감시 효율 $p_o$ , 발생 스케일링 인자 $\alpha$ 를 공동으로 추정합니다.

주요 기여

새로운 프레임워크: 뉴클레오타이드 돌연변이에 대한 과학적 이해를 통합하여 서열 의존적 클래스 사전 확률을 통해 생존 편향을 모델링하는 최초의 PU 학습 프레임워크인 Evo-PU 의 도입.
생물학적 기반: 일정한 클래스 사전 확률을 가정하는 표준 PU 방법과 달리, Evo-PU 는 돌연변이 접근성과 유행률이 어떻게 관찰 확률을 공동으로 결정하는지 명시적으로 모델링합니다.
확장 가능한 근사: 생물학적으로 타당한 뉴클레오타이드 유래 변이에 초점을 맞춘 효율적인 근사 방법 개발로, 대규모 서열 공간에 대한 가능도 계산을 계산 가능하게 만듦.
종합적 평가: 단일 생물 바이러스 데이터셋 (인플루엔자, RSV, SARS-CoV-2) 과 다중 생물 벤치마크 (ProteinGym) 에 걸친 엄격한 테스트.

실험 결과

저자들은 Evo-PU 를 세 가지 단일 생물 작업 (인플루엔자, RSV, SARS-CoV-2 의 기능성 모티프 예측) 과 두 가지 다중 생물 ProteinGym 벤치마크에서 평가했습니다.

단일 생물 작업: Evo-PU 는 표준 PU 학습 방법 (Protein-PU, 2Step), 원클래스 분류 (OCC) 방법 (OC-SVM, iForest), 그리고 단백질 언어 모델 (EVE, ESM-1v, kNN-ESM2 와 같은 PLMs) 일관되게 능가했습니다.
- 인플루엔자 융합 및 결합 모티프, RSV HRC 모티프, 그리고 미래 SARS-CoV-2 변이체 발생 예측에서 주목할 만한 개선이 관찰되었습니다.
- SARS-CoV-2 발생 작업에서 Evo-PU 는 예측된 기능성 확률과 관찰된 변이체 빈도 간의 가장 높은 스피어만 상관 계수 ( $\rho$ ) 를 달성했습니다.
다중 생물 작업 (ProteinGym): 이질적인 데이터셋 (PSAE 및 A0) 에서 PLM 기반 방법들이 가장 강력한 성능을 보였습니다. 저자들은 Evo-PU 의 이러한 영역에서의 성능 저하를 잘 감시된 단일 생물 데이터용으로 설계되었고 서열 간 균등한 유행률을 가정한다는 점에 기인한다고 보며, 이는 이질적인 감시율을 모델링하는 능력을 제한한다고 설명합니다.

중요성 및 주장

이 논문은 Evo-PU 가 단백질 데이터베이스의 생존 편향을 모델링하는 원칙적인 접근법을 제공하여 생화학 및 생물학에 대한 과학적 이해를 진전시킨다고 주장합니다. 뉴클레오타이드 수준의 돌연변이와 자연선택을 관찰 모델에 명시적으로 내재시킴으로써, 이 방법은 아미노산 서열에 대한 생물학적으로 기반을 둔 가능도를 도출합니다.

저자들은 이 작업이 다음과 같은 잠재적 긍정적 영향을 가질 수 있다고 명시합니다:

신약 개발: 치료 표적 식별 및 효과적인 생물학적 제제 설계를 가속화.
바이오 소재: 원하는 특성을 가진 단백질 공학 유도.
기초 연구: 선택 편향 존재 하에서 단백질 서열과 기능 간의 관계를 더 잘 이해하기 위한 프레임워크 제공.

이 논문은 현재 모델이 삽입이나 결실을 고려하지 않으며, 이질적인 관찰 가능성과 유행률 정보가 부족한 데이터셋을 처리하도록 프레임워크를 확장하는 것이 향후 연구 방향임을 지적하며 제한 사항을 겸손하게 인정합니다. 또한 위험한 단백질 서열 설계를 방지하기 위한 책임 있는 사용의 필요성을 강조합니다.