PlantBGC: Transformer for Plant BGC Discovery via Label-Free Domain Adaptation and Weak Supervision

우리 초록빛 세상 속의 숨겨진 공장들

모든 생명체를 북적이는 도시라고 상상해 보세요. 박테리아와 균류의 도시에는 아주 작은 분자 기계들이 협력하여 독특한 화학 제품을 만들어내는 특별하고 빽빽한 이웃 동네들이 있습니다. 어떤 것들은 침입자와 싸우기 위한 항생제이고, 어떤 것들은 포식자를 쫓아내기 위한 독소입니다. 과학자들은 이 이웃 동네를 "생합성 유전자 클러스터(biosynthetic gene clusters)" 또는 BGC라고 부릅니다. 이러한 클러스터를 찾는 것은 마치 보물 지도를 찾는 것과 같습니다. 만약 우리가 이들을 찾아낸다면, 새로운 의약품, 더 나은 작물, 그리고 생명공학을 위한 강력한 도구들을 발견할 수 있습니다.

오랫동안 과학자들은 박테리아에서 이러한 보물 지도를 찾는 데 매우 능숙했습니다. 그들은 박테리아 DNA를 스캔하여 "이봐, 여기에 공장이 있어!"라고 말하는 특정 "시그니처"나 패턴을 찾는 디지털 도구들을 구축해 왔습니다. 하지만 이와 동일한 도구들을 식물에 적용하려고 했을 때 상황은 엉망이 되었습니다. 식물의 게놈은 거대하고, 무질서하며, 반복적인 루프로 가득 차 있어서, 박테리아용 도구들이 엉뚱한 곳에서 "공장!"이라고 외치며 혼란을 겪게 만들기 때문입니다. 큰 문제는 무엇일까요? 바로 식물에 대한 충분한 "그라운드 트루스(ground truth, 정답)" 라벨이 부족하다는 것입니다. 우리는 몇몇 식물 공장이 존재한다는 것은 알지만, 컴퓨터에게 그것을 식별하도록 가르칠 수 있는 방대한 목록을 가지고 있지 않습니다. 박테리아의 경우에는 수천 개를 가지고 있는 것과 달리 말이죠. 그렇다면 질문은 이것입니다. 식물 예시가 담긴 교과서가 없는 상태에서, 어떻게 컴퓨터에게 이 숨겨진 식물 공장을 찾는 법을 가르칠 수 있을까요?

해결책: "추측 게임"을 활용한 스마트한 번역기

여기서 새로운 도구인 PlantBGC가 등장합니다. 노스캐롤라이나 주립대학교(North Carolina State University)의 연구진은 마치 스마트한 번역기처럼 작동하는 영리한 AI 시스템을 만들었습니다. AI에게 처음부터 식물 공장을 학습시키려고 노력하는 대신(데이터가 부족하여 불가능한 일입니다), 그들은 먼저 박테리아를 사용하여 공장을 인식하도록 AI를 가르친 다음, 단 하나의 라벨링된 식물 공차조차 보여주지 않고도 AI가 "식물의 언어"를 말할 수 있도록 가르쳤습니다.

그들이 수행한 단계별 과정은 다음과 같습니다:

1단계: 박테리아의 언어 배우기
먼저, 연구팀은 수천 개의 알려진 박테리아 유전자 클러스터를 대상으로 **트랜스포머(Transformer)**라고 불리는 강력한 AI 모델(고급 챗봇 뒤에 있는 것과 같은 종류의 기술)을 훈련시켰습니다. 그들은 AI에게 유전자 전체를 먹이지 않았습니다. 대신, 유전자를 Pfam 도메인이라는 작은 레고 블록으로 나누었습니다. 이것을 언어의 개별 글자라고 생각하면 됩니다. AI는 이러한 "글자"들의 특정 조합이 보통 하나의 공장을 의미한다는 것을 배웠습니다. AI는 박테리아 내에서 이러한 패턴을 포착하는 전문가가 되었으며, 표준 테스트에서 0.988이라는 매우 높은 정확도 점수를 달성했습니다.

2단계: "추측 게임" 적응 (라벨 없이도 가능!)
이것이 마법 같은 부분입니다. AI는 박테리아에는 뛰어났지만, 식물은 다른 언어였습니다. 연구진은 AI에게 식물 공장을 보여줄 수 없었습니다(라벨이 없었기 때문입니다). 그래서 그들은 마스크 언어 모델링(Masked Language Modeling) 기법을 사용했습니다. 여러분이 외국어로 된 책을 읽고 있는데, 단어의 15%를 가려 놓았다고 상상해 보세요. 여러분은 주변 단어들을 바탕으로 그 가려진 단어가 무엇인지 추측해야 합니다. AI는 수백만 개의 라벨링되지 않은 식물 유전자 서열을 가지고 이 추측 게임을 수행했습니다. 빈칸을 채우려는 시도를 통해, AI는 식물의 독특한 "문법"과 "어휘"를 학습했습니다. 이를 통해 AI는 "이것은 공장이고, 저것은 아니다"라는 말을 듣지 않고도, 식물이라는 맥락 속에서 공장이 어떻게 보이는지를 조정할 수 있었습니다.

3단계: 노이즈 필터링하기
식물의 언어를 배운 후에도, AI는 가끔 흥분하여 일반적이고 평범한 식물의 부분(예: 기본적인 당 공장)을 특별한 화학 공장이라고 생각하곤 했습니다. 이를 해결하기 위해 연구팀은 "약한 감독(weak supervision)" 기술을 사용했습니다. 그들은 AI의 예측을 두 개의 거대한 생물학적 기능 데이터베이스(GO 및 KEGG)와 대조했습니다. 만약 AI가 기본적인 당 공장처럼 보이는 지점을 가리킨다면, 시스템은 AI의 확신 점수(confidence score)를 낮추도록 부드럽게 유도했습니다. 이 과정은 정확한 식물 공장의 위치를 알 필요가 없었습니다. 단지 무엇이 '특별한 공장'이 아닌지를 알기만 하면 되었습니다. 이 단계는 "가짜" 예측을 약 48%(GO 데이터 사용 시) 및 45%(KEGG 데이터 사용 시) 감소시켰습니다.

무엇을 발견했는가?

연구 결과는 이 3단계 접근 방식이 놀라울 정도로 잘 작동한다는 것을 보여줍니다.

• 실제 대상을 찾는 데 더 뛰어남: 연구진이 적응된 AI를 34개의 알려진 식물 유전자 클러스터에 테스트했을 때, "박테리아 전용" 버전의 AI는 완벽한 경계를 가진 클러스터를 약 **29.4%**만 찾아냈습니다. 하지만 "추측 게임" 적응 과정을 거친 후, AI는 완벽한 경계를 가진 클러스터를 **67.6%**나 찾아냈습니다. 이는 공장의 완전하고 정확한 위치를 찾는 데 있어 엄청난 도약입니다.
• 더 똑똑하고 정교함: 연구진은 PlantBGC를 기존 도구인 plantiSMASH와 비교했습니다. 그들은 PlantBGC가 공장의 경계를 훨씬 더 타이트하고 조밀하게 그린다는 것을 발견했습니다. 실제로 일치하는 영역에서 PlantBGC가 예측한 클러스터의 길이는 plantiSMASH가 예측한 클러스터 길이의 0.278배에 불-과했습니다. 더 쉽게 말하자면, plantiSMASH가 공장 주변의 이웃 동네까지 포함하여 커다란 원을 그린다면, PlantB크는 딱 공장 자체에 맞는 원을 그린 것입니다. 이는 과학자들이 실험실에서 테스트해야 할 유전자의 수를 줄여주므로 시간과 비용을 절약할 수 있다는 점에서 매우 중요한 의미를 갖습니다.
• 노이즈 감소: "약한 감독" 단계는 식물 게놈의 평범하고 기본적인 부분들을 성공적으로 걸러냈습니다. 기초 대사와 관련된 예측 비율이 크게 떨어졌으며, 이는 과학자들이 테스트할 후보 목록이 훨씬 더 집중되고 흥미로운 특수 화학 물질에 초점을 맞추게 되었음을 의미합니다.

결론

이 논문은 식물 유전자 클러스터를 찾기 위해 라벨링된 방대한 양의 식물 데이터 라이브러리가 필요하지 않다는 점을 시사합니다. AI에게 박테리아로부터 배우도록 가르치고, 그다음 라벨링되지 않은 데이터를 통해 "빈칸 채우기"를 연습하게 함으로써 우리는 그 간극을 메울 수 있습니다. 저자들은 이 방법이 기존의 규칙 기반 도구들보다 더 정확한 경계를 생성하고 더 적은 오탐(false alarms)을 만들어낸다는 것을 입증했습니다. 비록 모든 예측을 실험실에서 직접 테스트하지는 못했지만, 컴퓨터 시뮬레이션과 기존 데이터와의 비교는 PlantBGC가 식물계에 숨겨진 자연의 화학적 보물을 찾는 강력한 새로운 방법임을 강력하게 시사합니다.