Enhancing Protein-Protein Interaction Prediction with Hierarchical Motif-based Multimodal Protein Embedding

기술 요약: 계층적 모티프 기반 다중 모달 단백질 임베딩을 통한 단백질-단백질 상호작용 예측 향상

문제 정의

단백질-단백질 상호작용(PPI)은 신호 전달, 면역 반응, 대사와 같은 생물학적 과정의 기초가 됩니다. 정확한 PPI 예측은 신약 개발, 질병 메커서 이해, 합성 생물학 분야에서 매우 중요합니다. 그러나 기존의 예측 방식은 두 가지 주요한 한계점을 가집니다:

1. 계층적 구조의 간과: 대부분의 방법은 단백질을 "평면적(flat)" 방식으로 인코딩하며, 일반적으로 잔기(residue) 표현을 단순히 평균화합니다. 이는 PPI를 조절하는 데 결정적인 역할을 하는 중간 규모(meso-scale)의 기능적 모티프와 같은 단백질의 고유한 계층적 구조를 간과합니다. 이러한 모티프는 단백질이 서로를 어떻게 인식하고 결합하는지를 결정하는 미세한 의존성을 나타냅니다.
2. 비효effective한 다중 모달 통합: 단백질은 서열, 구조, 기능 양상에 걸쳐 상보적인 정보를 보유하고 있지만, 기존 방법들은 단순한 결합(concatenation)이나 거친 수준의 전역적 융합(coarse-grained global fusion)에 의존하는 경우가 많습니다. 이는 이러한 양상들 사이의 시너지 효과를 포착하지 못하며, 맥락적 위치에 의해 구동되는 모티프의 독특한 기능적 행동을 무시합니다.

방법론: MMM-PPI

저자들은 세 가지 척도에 걸쳐 하향식(bottom-up) 및 다중 모달 방식으로 PPI 임베딩을 구축하는 MMM-PPI(Hierarchical Motif-based MultiModal protein Encoder for PPI Prediction) 프레임워크를 제안합니다. 이 파이프라인은 다음 단계로 구성됩니다:

1. 미세 규모(Micro-scale): 잔기 인코딩

프로세스는 세 가지 양상으로부터 미세 규모의 잔기 특징을 인코딩하는 것으로 시작됩니다:

• 서열(Sequence): 사전 학습된 ESM2-3b 모델 사용.
• 구조(Structure): AlphaFold2의 3D 잔기 좌표를 활용하는 사전 학습된 MAPE-PPI 모델 사용.
• 기능(Function): 사전 학습된 OntoProtein 모델 사용.
  각 양상에 대해, 공유된 단백질 그래프(순차적, 반경, K-최근접 이웃 엣지로 구성)에 이종 그래프 신경망(Heterogeneous Graph Neural Network, HGNN)을 적용하여 양상별 잔기 임베딩을 생성합니다. 이들은 결합되어 다중 모달 잔기 임베딩을 형성합니다.

2. 중간 규모(Meso-scale): 모티프 구축

프레임워크는 FIMO 알고리즘(MEME suite의 일부)을 사용하여 단백질 서열 내에서 기능적 모티프를 식별합니다.

• 모티프 임베딩은 각 모티프를 구성하는 잔기들의 다중 모달 잔기 임베딩을 집계하여 생성됩니다.
• 결정적으로, 잔기 임베딩이 구조 인지형 HGNN으로부터 유도되었기 때문에, 결과물인 모티프 임베딩은 공간적으로 정보가 풍부하며(spatially informed), 집계 과정에서 명시적인 3D 기하학적 재인코딩 없이도 국소적 기하학적 맥락을 포착합니다.

3. 거시 규모(Macro-scale): 단백질 인코딩

모티프를 전역적인 단백질 표현으로 통합하기 위해, MMM-PPI는 맥락 인지형 코-어텐션(context-aware co-attention) 메커니즘을 도입합니다:

• 모든 요소를 쌍으로 정렬하는 표준 어텐션과 달리, 이 방법은 단백질 쌍의 단순한 임베딩으로부터 유도된 기본 상호작용 벡터를 전역 조건으로 사용합니다.
• 이 벡터는 상호작용하는 파트너의 맥락을 바탕으로 한 단백질 내 모티프의 가중치를 조정합니다.
• 이를 통해 모티프가 특정 파트너 모티프와 단순히 정렬되는 것이 아니라, 상호작용에 어떻게 기여하는지를 모델링하는 양방향 의존성을 포착하는 파트너 특화적 특징 벡터를 생성합니다.

4. 모델 학습 전략

학습은 효율성과 확장성을 보장하기 위해 2단계 패러다임을 따릅니다:

1. 사전 학습(Pre-training): 계층적 인코더(모티프 및 단백질 인코더)를 알려진 PPI 쌍에 대해 사전 학습하여 견고한 임베딩을 학습합니다.
2. GNN 학습: 사전 학습된 인코더를 동결합니다. 생성된 단백질 임베딩은 PPI 그래프 상의 Graph Isomorphism Network(GIN)를 위한 초기 노드 특징으로 사용되며, 이후 상호작용 레이블을 예측하도록 학습됩니다. 이는 매 GNN 단계마다 임베딩을 엔드 투 엔드로 재계산하는 높은 계산 비용을 방지합니다.

주요 기여

본 논문은 세 가지 주요 기여를 설명합니다:

1. 새로운 다중 모달 모티프 인코더: 단일 양상의 잔기 인코딩을 공간 정보가 풍부한 다중 모달 모티프 임베딩으로 변환하는 메커니즘을 통해, 미세 규모의 잔기와 중간 규모의 기능적 단위 사이의 간극을 메웁니다.
2. 맥락 인지형 단백질 인코더: 모티프 코-어텐션을 사용하여 다중 모달 모티프 임베딩을 융합함으로써, 모티프의 중요성과 양상 간 상관관계를 공동으로 포착하는 새로운 인코더를 활용합니다.
3. 최첨단 성능(State-of-the-Art Performance): 광범한 실험을 통해 MMM-PPI가 어려운 데이터 분할(BFS/DFS split) 및 제한된 학습 데이터 상황에서도 기존 모델보다 우수한 성능을 보임을 입증했습니다.

실험 결과

모델은 STRING(대규모), SHS27k, SHS148k(낮은 서열 유사성을 가진 도전적인 하위 집합)의 세 가지 데이터셋에 대해 평가되었습니다.

• 성능: MMM-PPI는 모든 데이터셋과 분할 전략(Random, BFS, DFS)의 전이 학습(transductive) 및 귀납 학습(inductive) 설정 모두에서 가장 높은 Micro-F1 점수를 달성했습니다. 이는 거친 수준의 융합에 의존하는 MASSA와 같은 강력한 멀티 모달 베이스라인들을 크게 앞질렀습니다.
• 일반화: 모델은 보지 못한 단백질(귀납적 설정) 및 보지 못한 상호작용에 대해 강력한 일반화 능력을 보여주었습니다. "보지 못한" 단백질에 대한 절제 연구(ablation studies) 결과, MMM-PPI는 보지 못한 단백질들이 본 적 있는 단백질들과 중간 규모의 모티프를 공유하기 때문에 효과적으로 일반화할 수 있음을 보여주었습니다.
• 데이터 효율성: 모델은 모티프 기반 표현이 예측을 위한 가교 역할을 함으로써, 학습 레이블이 부족한 경우(예: 가용 데이터의 5%)에도 우수한 성능을 유지했습니다.
• 강건성: 모델은 모티프 탐지 오류(누락 및 노이즈 시뮬레이션)에 대한 탄력성을 보여주었으며, 베이스라인에 비해 성능 저하가 미미했습니다.
• 생물학적 해석 가능성: 정량적 분석 결과, MMM-PPI가 식별한 고-어텐션 모티프는 무작위 베이스라인(21.58%)에 비해 UniProt에 주석 처리된 기능 영역(예: 활성 부위)과의 "적중률(hit rate)"이 현저히 높게(41.89%) 나타나, 모델이 생물학적으로 의미 있는 특징을 학습했음을 확인시켜 주었습니다.

의의 및 주장

본 논문은 단백질의 계층적 특성을 명시적으로 포함함으로써 평면적 모델링 패러다임의 근본적인 한계를 해결한다고 주장합니다. 잔기에서 모티프로, 그리고 최종적으로 단백질로 이동함으로써, 모델은 여러 양상의 시너지 효과와 상호작용을 지배하는 특정 구조적 의존성을 미세한 수준에서 통합합니다.

저자들은 이 접근 방식이 신약 개발 및 합성 생물학을 위한 비용 효율적이고 고처리량(high-throughput)인 실험적 스크리닝의 대안을 제공한다고 단언합니다. 또한, 고-어텐션 모티프를 식별하는 모델의 능력은 해석 가능성을 제공하여, 연구자들이 상호작용을 주도하는 분자 메커니즘을 이해하고 새로운 치료 타겟을 식별하는 데 도움을 줍니다. 이 연구는 생물학적 데이터의 고유한 다중 척도 조직을 효과적으로 활용함으로써 머신러닝을 계산 생물학에 적용하는 진일보한 단계로 제시됩니다.