PRIZM: Combining Low-N Data and Zero-shot Models to Design Enhanced Protein Variants

이 논문은 소량의 실험 데이터로 가장 적합한 제로샷 모델을 선별하여 단백질 변이체를 효율적으로 설계하는 새로운 워크플로우 'PRIZM'을 제안하고, 이를 통해 다양한 단백질 특성에 대해 개선된 변이체를 성공적으로 발굴했음을 보여줍니다.

핵심

이 논문은 **'PRIZM'**이라는 새로운 도구를 소개합니다. 이 도구는 단백질을 설계하고 개선하는 과정을 훨씬 쉽고 빠르게 만들어줍니다.

전문적인 용어 대신, 일상적인 비유를 들어 설명해 드리겠습니다.

1. 문제 상황: "너무 많은 지도, 너무 적은 데이터"

단백질을 개량하려면 보통 두 가지 방법이 있습니다.

1. 전문가 지도 (지도 학습): 수많은 실험 데이터를 모아서 AI 를 가르치는 방법입니다. 하지만 데이터가 부족하면 AI 가 헷갈려서 엉뚱한 답을 내놓습니다 (과적합).
2. 스스로 학습한 AI (Zero-shot): 수백만 개의 자연계 데이터를 미리 학습한 거대 AI 를 사용하는 방법입니다. 이 AI 는 실험 데이터가 없어도 "이 변이가 좋을 것 같다"고 추측할 수 있습니다. 하지만 AI 가 너무 많아서, 어떤 AI 가 우리 단백질에 가장 적합한지 고르는 게 매우 어렵습니다. 마치 100 개의 지도가 있는데, 우리 목적지에 맞는 지도를 고르느라 시간이 너무 걸리는 것과 같습니다.

2. PRIZM 의 해결책: "작은 시금치로 큰 맛을 본다"

PRIZM 은 이 두 가지 방법의 단점을 없애고 장점을 합친 두 단계 전략을 사용합니다.

1 단계: "맛보기 테스트" (모델 선정)

우선, 실험실에서 이미 아주 적은 수 (약 20~50 개) 의 변이 단백질에 대한 데이터가 있다고 가정해 봅시다.

• PRIZM 은 이 작은 데이터를 가지고 수십 개의 거대 AI(지도) 들에게 "이 데이터를 예측해 봐"라고 시킵니다.
• 그중에서 실제 실험 결과와 가장 잘 맞는 AI 하나를 골라냅니다.
• 비유: 100 개의 요리사 (AI) 가 있는데, 우리 입맛 (단백질 특성) 에 맞는 요리사를 고르기 위해, 각 요리사에게 아주 작은 샘플 요리 (20 개의 데이터) 를 만들어보게 합니다. 그중에서 가장 맛있는 요리를 만든 요리사 한 명을 뽑아내는 것입니다.

2 단계: "최고 요리사의 추천" (변이 선정)

이제 우리가 뽑은 **최고의 요리사 (가장 적합한 AI)**에게 맡깁니다.

• 이 AI 는 수천, 수만 개의 새로운 변이 단백질 후보들을 예측하고 순위를 매겨줍니다.
• 연구자들은 이 순위가 높은 것들만 실험실로 가져가서 검증하면 됩니다.
• 비유: 뽑힌 최고의 요리사가 "이 재료 조합이 가장 맛있을 거예요"라고 추천한 메뉴만 주문해서 맛보는 것입니다. 실패할 확률이 확 줄어듭니다.

3. 실제 성과: "적은 노력, 큰 효과"

저자들은 이 PRIZM 을 실제로 적용해 보았습니다.

• 사과나무 (Sucrose Synthase) 의 내열성: 기존에 있던 아주 작은 데이터만 이용해 AI 를 골랐더니, 실험 결과 약 3 도 더 뜨거운 온도에서도 견디는 새로운 단백질을 찾아냈습니다.
• 당 전달자 (Glycosyltransferase) 의 활동: 단 8 개의 데이터만으로도 AI 를 골라, 활성이 20% 더 높은 단백질을 찾아냈습니다.

4. 왜 이것이 중요한가요?

• 데이터가 부족해도 됩니다: 실험실에서 수천 번 실험할 예산이 없어도, 아주 적은 데이터로 시작할 수 있습니다.
• AI 전문가가 아니어도 됩니다: 복잡한 AI 모델을 직접 설계하거나 훈련시킬 필요 없이, PRIZM 이 알아서 가장 좋은 모델을 골라줍니다.
• 기존 데이터를 재활용: 이미 실험실에서 버려지거나 방치되었던 작은 데이터들도 다시 활용하여 새로운 발견을 이끌어낼 수 있습니다.

요약

PRIZM 은 **"적은 실험 데이터로 가장 적합한 AI 지도를 골라, 단백질 개량의 길잡이로 삼는 똑똑한 나침반"**입니다. 이 도구를 통해 과학자들은 더 적은 비용과 시간으로 더 좋은 단백질을 만들 수 있게 되었습니다.

기술 요약

1. 문제 정의 (Problem)

단백질 공학 분야에서 기계 학습 (ML) 은 변이체 (variant) 의 효과를 예측하여 실험 비용을 절감하고 효율성을 높이는 데 큰 잠재력을 보여주고 있습니다. 그러나 기존 접근법들은 다음과 같은 한계를 가지고 있습니다.

• 지도 학습 (Supervised Learning) 의 한계:
  • 고전적인 MLDE(Machine Learning-assisted Directed Evolution) 는 대규모의 고품질 학습 데이터와 전문적인 ML 지식을 요구합니다.
  • 소량의 데이터 (Low-N, 예: 20 개 미만의 변이체) 로 모델을 훈련시킬 경우 과적합 (overfitting) 위험이 매우 높으며, 신뢰할 수 있는 훈련/테스트 분할이 불가능합니다.
  • 새로운 단백질이나 특성을 다룰 때마다 모델을 재설계하고 재훈련해야 하므로 비전문가에게 접근성이 낮습니다.
• Zero-shot 모델링의 한계:
  • 대규모 사전 훈련된 단백질 기반 모델 (Foundation Models) 은 학습 데이터 없이도 변이 효과를 추정할 수 있는 'Zero-shot' 능력을 갖추고 있습니다.
  • 그러나 수많은 Zero-shot 모델이 존재하며, 특정 단백질이나 특성 (예: 열안정성, 효소 활성) 에 대해 어떤 모델이 가장 적합한지 선택하는 것이 매우 어렵습니다.
  • 기존 벤치마크는 전역 평균을 기반으로 하여 특정 시스템에 최적화된 모델을 찾기 어렵게 만듭니다.

2. 방법론 (Methodology)

저자들은 PRIZM (Protein Ranking using Informed Zero-shot Modelling) 이라는 두 단계 워크플로우를 제안합니다. 이 방법은 소량의 실험 데이터를 활용하여 가장 적합한 사전 훈련된 Zero-shot 모델을 선별한 후, 이를 기반으로 변이체를 순위 매기는 방식입니다.

• 1 단계: 모델 선정 (Model Selection)

  • 입력: 표적 단백질의 시퀀스, 구조 (AlphaFold3 등으로 예측), MSA(다중 시퀀스 정렬) 정보와 소량의 실험 데이터 (Low-N dataset, 예: 20~50 개 변이체의 활성/안정성 데이터) 를 입력받습니다.
  • 프로세스: ProteinGym 에서 선별된 25 개의 다양한 Zero-shot 모델 (시퀀스 기반, MSA 기반, 구조 기반, 복합 기반) 에 대해 Zero-shot 점수를 생성합니다.
  • 평가: 생성된 Zero-shot 점수와 실제 실험 데이터 간의 상관관계 (Spearman correlation) 및 이진 분류 성능 (Average Precision, 임계값 이상인 고성능 변이체 식별 능력) 을 계산합니다.
  • 결과: 실험 데이터와 가장 높은 상관관계를 보이는 모델을 '최적 모델'로 선정합니다. (부정적 상관관계도 순위 매기기에 유용하므로 절대값을 사용함).

• 2 단계: 변이체 순위 매기기 (Variant Ranking)

  • 선정된 최적 모델을 사용하여 전체 in silico 변이체 라이브러리 (예: 단일 점 돌연변이 전체) 를 처리하고 점수를 매깁니다.
  • 점수를 기반으로 변이체를 순위 매겨 실험적 검증이 필요한 후보군을 선정합니다.
  • Greedy Top K 선택 또는 전문가 지식과 결합한 타겟팅 접근법을 통해 최종 후보를 결정합니다.

3. 주요 기여 (Key Contributions)

• 데이터 효율성: 약 20 개의 라벨된 변이체만으로도 High-performing 모델과 Low-performing 모델을 신뢰성 있게 구분할 수 있음을 입증했습니다. (일반적으로 50 개 이상이면 최상위 모델 선정에 충분함).
• 접근성: 복잡한 모델 훈련이나 ML 전문 지식이 없어도, 기존에 존재하는 소량의 실험 데이터를 활용하여 Foundation 모델을 효과적으로 활용할 수 있는 워크플로우를 제공합니다.
• 모델 선택의 체계화: 특정 단백질/특성에 맞는 Zero-shot 모델을 체계적으로 선택하는 방법을 제시하여, 기존에 임의적이거나 전역 평균에 의존하던 모델 선택 방식을 개선했습니다.
• 기존 데이터 재활용: 새로운 대규모 데이터셋 생성 없이, 기존에 존재하는 소규모 실험 데이터 (예: 합리적 설계 캠페인 데이터) 를 활용하여 모델 성능을 검증하고 개선된 변이체를 찾을 수 있음을 보였습니다.

4. 결과 (Results)

• 벤치마크 검증: ProteinGym 의 10 개 다양한 Deep Mutational Scan (DMS) 데이터셋 (응집, 수용체 활성, 열안정성, 억제제 저항성, 형광, 효소 활성 등) 에서 PRIZM 을 검증했습니다.

  • 20 개 정도의 변이체 데이터만으로도 최상위 모델과 최하위 모델 간의 성능 차이를 통계적으로 유의미하게 (Cohen's d > 0.5) 구분했습니다.
  • 50 개 변이체를 사용하면 전체 DMS 데이터셋에서 최상위 모델과 유사한 성능을 가진 모델을 선정할 수 있었습니다.
  • 기존 Hie et al. 의 컨센서스 (Consensus) 방식보다 10 개 벤치마크 중 6 개에서 더 높은 히트율 (Hit rate) 을 기록했습니다.

• 케이스 스터디 1: GmSuSy (자당 합성효소) 의 열안정성 개선

  • 기존에 존재하는 68 개의 변이체 데이터를 Low-N 데이터셋으로 활용했습니다.
  • PRIZM 을 통해 선정된 3 개의 모델 (Tranception No Retrieval, MIFST, MSA Transformer) 을 결합하여 변이체를 선정했습니다.
  • 결과: 실험을 통해 apparent melting temperature ($\Delta T_m$) 이 약 3.0°C 증가한 변이체 (F468I) 를 발견했으며, 60°C 에서의 잔류 활성도 WT 대비 60% 이상 유지되었습니다. (히트율 60%).

• 케이스 스터디 2: TOGT1_1 (글리코실트랜스퍼라제) 의 활성 개선

  • 매우 적은 데이터 (8 개의 단일 돌연변이) 만을 Low-N 데이터셋으로 사용했습니다.
  • PRIZM 은 VenusREM 모델을 최상위 모델로 선정했습니다.
  • 결과: Zero-shot 예측과 전문가의 구조 분석을 결합하여 7 개의 변이체를 선정했습니다. 이 중 3 개가 WT 대비 활성이 향상되었으며 (최대 119.9%), 히트율은 약 60% 였습니다. 특히 활성 부위에서 먼 영역 (coil-rich region) 에서 발견된 변이체는 합리적 설계로는 찾기 어려웠을 것입니다.

5. 의의 및 결론 (Significance)

• 비전문가를 위한 도구: PRIZM 은 ML 전문가가 없는 연구팀에서도 소량의 실험 데이터를 활용하여 Foundation 모델을 효과적으로 적용할 수 있는 길을 열어줍니다.
• 하이브리드 접근법: Zero-shot 모델의 일반적 지식과 소규모 실험 데이터의 구체적인 통찰력을 결합하여, 순수 Zero-shot 또는 순수 지도 학습의 단점을 보완합니다.
• 확장성: PRIZM 은 독립적인 예측 도구로 사용될 뿐만 아니라, 향후 지도 학습 파이프라인 (예: EVOLVEpro) 의 초기 단계로 통합되어 더 정교한 모델링의 기초를 제공할 수 있습니다.
• 한계와 전망: 단백질 - 약물 상호작용이나 진화적 압력이 없는 특성 (예: 합성 억제제 저항성) 에 대해서는 Zero-shot 모델의 한계가 있을 수 있으며, 이중 돌연변이 (double mutants) 의 경우 에피스타시스 (epistasis) 모델링이 어려울 수 있습니다. 이러한 한계를 극복하기 위해 베이지안 최적화나 지도 학습과의 통합이 향후 과제로 제시되었습니다.

요약하자면, PRIZM 은 소량의 실험 데이터로 "어떤 AI 모델이 내 단백질에 가장 적합한가"를 찾아내는 브릿지 역할을 하여, 단백질 공학의 효율성과 접근성을 혁신적으로 높인 방법론입니다.