Ancestral Sequences Cannot be Accurately Reconstructed via Interpolation in a Variational Autoencoder's Latent Space

문제 정의
표준적인 조상 서열 재구성(Ancestral Sequence Reconstruction, ASR) 방법들은 잔기들이 부위별로 독립적으로 진화한다고 가정하는 치환 모델에 의존한다. 이러한 모델들은 계산적으로는 용이하지만, 분자 진화를 형성하는 에피스타시스 상호작용(부위 간 의존성)을 무시한다. 반면, 딥러로닝 모델, 특히 변이형 오토인코더(Variational Autoencoders, VAE)는 단백질 서열의 저차원 "임베딩(embeddings)"을 학습할 수 있으며, 이는 잠재적으로 이러한 의존성을 포착할 수 있다. VAE의 잠재 공간 내에서 현존하는 서열들의 임베딩을 보간(interpolation)하는 것이, 특히 에피스타시스가 존재하는 시나리오에서 전통적인 우도 기반 방법들보다 더 정확한 조상 재구성을 제공할 수 있다는 가설이 제기되었다. 본 연구는 이러한 임베딩 기반 접근 방식가 조상 서열을 정확하게 재구성할 수 있는지 조사한다.

방법론
저자들은 VAE를 활용한 ASR 파이프라인을 개발하고 이를 확립된 우도 기반 및 절약법(parsimony) 방법들과 벤치마킹하였다. 워크플로우는 세 가지 주요 단계로 구성된다:

1. VAE 학습: 현존하는 단백질 서열의 다중 서열 정렬(MSA)에 대해 변이형 오토인코더를 학습시킨다. 인코더는 서열을 저차원 잠재 공간(임베딩)으로 매핑하고, 디코더는 임베딩을 다시 서열 공간으로 매핑한다. 저자들은 2차원 및 20차원 잠재 공간을 모두 활용하였다.
2. 잠재 공간 보간: 학습이 완료되면, 현존하는 서열의 임베딩은 알려진 계통수 상에서 진화하는 형질로 취급된다. 다변량 브라운 운동(multivariate Brownian motion) 모델을 이 임베딩에 적합시켜 계통수의 내부 노드에서의 "조상 임베딩"을 추정한다.
3. 서열 재구성: 추정된 조상 임베딩은 학습된 VAE 디코더를 통과하여 재구성된 조상 서열을 생성한다.

이 파이프라인의 성능은 기저 사실(ground-truth) 조상 서열을 알고 있는 시뮬레이션 데이터를 통해 평가되었다. 시뮬레이션에는 다음이 포함된다:

• 독립적 부위 진화: 다양한 크기의 트리(1,250 ~ 10,000개 팁)에서 LG 치환 모델을 사용하였으며, 속도 불균일성(rate heterogeneity) 유무를 포함하였다.
• 에피스타시스 진화: 부위 간 의존성을 포함하는 두 가지 별도의 모델을 사용하였다: Potts 모델(Gibbs 샘플링을 통해 구현)과 자기 회귀 모델(앞선 부위들에 의존하는 형태). 이 모델들은 Pfam 패밀리 PF00072에 적용되었다.

VAE 기반 접근 방식은 다음 방법들과 비교되었다:

• IQTree를 사용한 최대 우도(Maximum Likelihood, ML)법 (독립적 진화 가정).
• 자기 회귀 모델(ArDCA)을 사용한 ML법.
• 최대 절약법(Maximum Parsimony).
• 컨센서스 서열 베이스라인.
• "Draupnir", 즉 학습 과정에서 계통학적 사전 확률(phylogenetic prior)을 통합하는 VAE 변형 모델(Moreta et al., 2022).

주요 결과

1. 표준 방법의 우월성: 에피스타시스가 존재하는 경우를 포함하여 테스트된 모든 시나리오에서, VAE 기반 접근 방식은 표준 우도 기반 방법들(IQTree 및 ArDCA)과 최대 절약법에 의해 일관되게, 그리고 유의미하게 뒤처지는 것으로 나타났다. 표준 방법들이 에피스타시스가 존재함에도 불구하고 독립성을 가정하는 잘못 설정된 모델을 사용했을 때조차, VAE 방식보다 더 높은 재구성 정확도를 달old했다.
2. 잠재 공간 구조: 본 연구는 VAE 잠재 공간이 계통학적 신호(phylogenetic signal)를 포함하고 있음을 확인하였다. 즉, 임베딩은 계통에 따라 조직되며, 브라운 운동 모델은 잠재 공간 자체에서의 낮은 오차와 함께 조상 임베딩을 합리적으로 추정한다.
3. 실패의 원인: VAE 기반 접근 방식의 주요 한계는 잠재 공간에 계통학적 구조가 부족해서가 아니라, 오토인코딩 과정에 내재된 정보 손실에 있다. VAE 디코더는 압축된 임베딩으로부터 충분한 충실도(fidelity)를 가지고 서열을 재구성하지 못한다. 최종 ASR의 오차는 조상 임베딩을 추정하는 오류보다는, 조상 서열을 정확하게 자기 재구성(self-reconstruct)하지 못하는 VAE의 능력 문제에서 기인한다.
4. 차원 및 계통학적 사전 확률: 잠재 차원을 2에서 20으로 늘리는 것은 성능을 약간 개선했으나, 표준 방법과의 격차를 줄이지는 못했다. 또한, VAE 학습 시 계통학적 사전 확률을 통합하는 것(Draupnir 모델과 같이)은 표준 VAE를 사용하는 것보다 조상 서열 재구성 정확도를 향상시키지 못했다.

의의 및 주장
본 논문은 VAE 임베딩이 단백질 패밀리의 시각화 및 클러스터링에는 유용하지만, 현재로서는 보간을 통한 정밀한 조상 서열 재구성 작업에는 부적합하다고 결론짓는다. 저자들은 고차원 서열 데이터를 저차원 잠재 공간으로 압축함으로써 발생하는 정보 병목 현상이, 단순화된 가정을 사용하는 표준 치환 모델들이 겪지 않는 수준의 충실도 손실을 초래한다고 주장한다.

본 연구는 딥러닝 임베딩을 미세한 진화적 재구성 작업에 무비판적으로 채택하는 것에 대해 경고하는 역할을 한다. 이는 임베딩이 전역적인 계통 구조를 포착할 수 있는 능력이 있다고 해서, 그것이 반드시 특정 역사적 서열을 높은 정확도로 복구할 수 있음을 보장하는 것은 아님을 강조한다. 저자들은 향후 구조적 데이터를 포함하는 다중 모달(multimodal) 임베딩이 필요할 수 있다고 제안하면서도, 현재의 비지도 학습 기반 VAE 접근 방식은 에피스타시스가 존재하더라도 확립된 우도 기반 방법들이 제공하는 정확도에 미치지 못함을 강조한다.