CLADES - Contrastive Learning Augmented DifferEntial Splicing with Orthologous Positive Pairs

이 논문은 진화적 보존성을 기반으로 한 대비 학습을 통해 엑손-인트론 접합부 서열의 표현을 학습하고, 이를 미세 조정하여 조직 및 세포 유형 간 조건별 스플라이싱 변화 ($\Delta\psi$) 를 정확하게 예측하고 해석 가능한 스플라이스 모티프 기반 분류 프레임워크를 제시하는 CLADES 모델을 제안합니다.

핵심

이 논문은 CLADES라는 새로운 인공지능 모델을 소개합니다. 이 모델은 우리 몸속에서 유전자가 어떻게 작동하는지, 특히 **'스위치를 켜고 끄는 과정 (스플라이싱)'**을 예측하는 데 도움을 줍니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

1. 문제 상황: 너무 많은 스위치, 너무 적은 설명서

우리 몸의 세포는 DNA 라는 거대한 설계도를 가지고 있습니다. 하지만 이 설계도에서 모든 부분을 다 쓸 필요는 없습니다. 마치 레고 블록처럼, 필요한 부분만 골라 붙여야 원하는 모양 (세포의 기능) 이 나옵니다. 이걸 **'대체 스플라이싱 (Alternative Splicing)'**이라고 합니다.

• 현재의 어려움: 과학자들은 "어떤 세포에서는 A 블록을 쓰고, B 블록은 버린다"는 사실을 알고 싶지만, 모든 세포와 조직에 대한 실험 데이터가 부족합니다. 게다가 실험마다 결과가 조금씩 달라서 (노이즈), 정확한 예측을 하기가 매우 어렵습니다.

2. CLADES 의 해결책: "진화라는 타임머신"을 활용하다

CLADES 는 이 문제를 해결하기 위해 **진화 (Evolution)**라는 개념을 활용합니다.

• 비유: 오래된 가족의 레시피
  imagine 하세요. 인간, 원숭이, 쥐, 심지어 물고기도 같은 '가족'입니다. 수억 년 동안 진화해 왔지만, 우리 몸의 핵심 기능 (예: 심장이 뛰게 하거나 뇌가 생각하게 하는 것) 을 담당하는 유전자 레시피는 가족끼리 매우 비슷하게 유지되어 왔습니다.

  CLADES 는 이 사실을 이용합니다. "인간의 유전자와 원숭이의 유전자가 비슷하다면, 그 유전자가 세포에서 어떻게 작동할지도 비슷할 거야!"라고 가정하는 것입니다.

3. 작동 원리: "비교 학습"으로 배우는 AI

이 모델은 **대조 학습 (Contrastive Learning)**이라는 특별한 훈련 방식을 사용합니다.

• 비유: 사진으로 배우는 미술 선생님
  일반적인 AI 는 "이 사진은 고양이, 저 사진은 개"라고 정답을 외우며 배웁니다. 하지만 CLADES 는 정답이 없는 상태에서 배웁니다.

  1. 긍정 쌍 (Positive Pairs): "인간의 이 유전자"와 "원숭이의 이 유전자"를 보여줍니다. "이 두 개는 같은 기능을 하는 가족이야!"라고 가르칩니다. (비유하자면, 같은 얼굴을 가진 쌍둥이 사진)
  2. 부정 쌍 (Negative Pairs): "인간의 이 유전자"와 "완전히 다른 기능의 유전자"를 보여줍니다. "이건 서로 다른 가족이야!"라고 가르칩니다. (비유하자면, 고양이와 코끼리 사진)

  AI 는 이 과정을 반복하며 **"진짜 중요한 기능 (레시피)"**은 무엇이고, **"잡스러운 노이즈"**는 무엇인지 스스로 찾아냅니다. 실험 데이터가 부족해도, 진화라는 거대한 데이터를 통해 유전자의 '본질'을 배우는 것입니다.

4. 성과: 왜 이 모델이 특별한가요?

CLADES 는 이렇게 배운 지식을 바탕으로 새로운 세포나 조직에서 유전자가 어떻게 변할지 예측합니다.

• 정확한 예측: 기존에 가장 잘하던 모델보다 더 정확하게 "어떤 세포에서는 유전자가 켜지고, 어떤 세포에서는 꺼진다"는 것을 예측합니다. 특히 데이터가 부족한 희귀한 세포나 조직에서도 잘 작동합니다.
• 이해 가능한 결과: 단순히 "켜졌다/꺼졌다"는 숫자만 알려주는 게 아니라, **"어떤 특정 패턴 (모티프) 이 있어서 켜졌다"**는 생물학적으로 의미 있는 이유도 찾아냅니다. 마치 요리사가 "소금 양이 많아서 짜다"라고 설명하는 것처럼, AI 도 "이 유전자 서열 때문에 켜졌다"고 설명해 줍니다.

5. 결론: 진화가 남긴 지도를 읽는 AI

결론적으로 CLADES 는 진화 과정에서 수백만 년간 쌓인 '유전자의 비밀 지도'를 AI 가 읽어서, 우리가 아직 실험으로 확인하지 못한 세포의 작동 원리까지 예측해 주는 혁신적인 도구입니다.

• 핵심 메시지: "데이터가 부족할 때는, 자연이 수억 년 동안 해온 실험 (진화) 을 참고하라."

이 기술은 향후 새로운 약물 개발이나 질병 치료법을 찾는 데 큰 도움을 줄 것으로 기대됩니다.

기술 요약

1. 문제 정의 (Problem)

• 대체 스플라이싱 (Alternative Splicing, AS) 의 복잡성: 진핵생물에서 AS 는 다양한 생물학적 맥락 (세포 유형, 조직 등) 에서 전사체와 단백질의 다양성을 확장하는 핵심 메커니즘입니다.
• 예측의 어려움: 특정 조직이나 세포 유형 간의 스플라이싱 변화 ($\Delta\psi$, exon inclusion 의 변화) 를 시퀀스만으로 예측하는 것은 매우 어렵습니다.
  • 레이블 부족: 다양한 조직 및 세포 유형에 대한 실험적 레이블 (RNA-seq 데이터) 이 제한적입니다.
  • 실험적 노이즈: 실험 프로토콜에 따른 편향 (예: GC 함량 편향) 이 모델 학습을 방해합니다.
  • 비선형 의존성: 짧은 모티프 (motif), RNA 결합 단백질 (RBP), 위치 의존적 맥락이 복잡하게 얽혀 있어 손으로 만든 특징 (handcrafted features) 으로 포착하기 어렵습니다.
• 기존 모델의 한계: 기존 모델들은 평균적인 스플라이싱 비율 ($\psi$) 을 예측하는 데는 성공적이었으나, 조직이나 세포 유형 간 차이 ($\Delta\psi$) 를 정확히 예측하는 데는 한계가 있었습니다.

2. 방법론 (Methodology)

저자들은 CLADES(Contrastive Learning Augmented DifferEntial Splicing) 라는 새로운 프레임워크를 제안합니다. 이는 진화적 보존 (evolutionary conservation) 을 기반으로 한 대조 학습 (Contrastive Learning, CL) 접근법을 사용합니다.

A. 핵심 아이디어: 진화적 증강 (Evolution-as-Augmentation)

• Orthologous Positive Pairs (OPP, 상동 양의 쌍): 서로 다른 종 (vertebrate species) 간의 상동 엑손 - 인트론 접합부 (exon-intron junction) 시퀀스를 "동일한 조절 프로그램의 의미론적으로 일관된 뷰"로 간주합니다.
  • 진화는 시퀀스는 변형할지라도 기능을 보존하므로, 상동 엑손들은 동일한 조절 기능을 가진 것으로 가정합니다.
  • 양성 쌍 (Positives): 상동 엑손들.
  • 음성 쌍 (Negatives): 비상동 (non-homologous) 접합부.
• 목적: 이 접근법은 실험적 레이블에 의존하지 않고 진화적 관계로부터 일반화 가능한 조절 원리를 학습하여, 특정 조직에 대한 레이블이 부족한 상황에서도 강력한 표현력을 확보합니다.

B. 모델 아키텍처

1. Pre-training (사전 학습):
   • 입력: 각 엑손의 상류 (5') 와 하류 (3') 인트론 영역 (각 300bp) 과 엑손 영역 (100bp) 포함 총 400bp 시퀀스.
   • 인코더: MTSplice 아키텍처를 기반으로 한 병렬 CNN 및 Spline 변환 레이어 (위치 의존적 모티프 포착).
   • 손실 함수: Supervised Contrastive Loss를 사용. 한 배치 내에서 기준 (anchor) 엑손에 대해 여러 개의 상동 엑손을 양의 샘플로, 나머지를 음의 샘플로 하여 임베딩 공간에서 상동 엑손들을 밀집시키고 비상동 엑손들을 분리합니다.
2. Fine-tuning (미세 조정):
   • 데이터: ASCOT (56 개 인간 조직) 및 Tabula Sapiens (112 개 세포 유형) 데이터셋.
   • 목표: 조직/세포 유형별 $\Delta\psi$ 예측.
   • 구조: 사전 학습된 인코더 위에 경량화된 지도 학습 헤드를 추가하여 $\Delta\psi$ 를 예측합니다.
   • 손실 함수: 예측된 조직별 포함 확률과 실제 관측치 간의 KL-Divergence 최소화.

C. 새로운 평가 프레임워크

단순한 회귀 (Regression) 예측을 넘어, 생물학적 해석력을 높이기 위해 두 가지 분류 문제를 도입했습니다.

• TSRC (Tissue-Specific Regulation Classification): 엑손이 특정 조직에서 '상향 조절', '하향 조절', '변화 없음' 중 어디에 해당하는지 분류.
• ELRC (Exon-Level Regulation Classification): 고발현/저발현 엑손 그룹 내에서 맥락에 따른 억제 또는 활성화를 탐지.

3. 주요 기여 (Key Contributions)

1. 진화 기반 대조 학습 프레임워크: 레이블이 부족한 생물학적 데이터에서 진화적 보존을 '증강 (Augmentation)' 전략으로 활용하여 스플라이싱 조절 시퀀스 표현을 학습하는 새로운 패러다임 제시.
2. 해석 가능한 표현 학습: 학습된 임베딩이 생물학적으로 유의미한 구조 (높은/낮은 포함도, 조직별 패턴) 를 가지며, 스플라이스 사이트 모티프 (GT, AG 등) 에 집중함을 시알리시티 (Saliency) 분석을 통해 입증.
3. 새로운 분류 작업 정의: $\Delta\psi$ 예측을 단순 수치 예측이 아닌 방향성 (상향/하향) 분류 문제로 재정의하여 생물학적 의미를 명확히 함.
4. SOTA 성능 달성: 조직 및 세포 유형별 스플라이싱 변화 예측에서 기존 최첨단 모델 (MTSplice) 을 능가하는 성능 달성.

4. 결과 (Results)

A. 조직 수준 평가 (ASCOT Dataset, 56 개 조직)

• 임베딩 분석: UMAP 시각화에서 상동 엑손들이 밀집되어 군집화되며, 엑손의 평균 포함도 ($\psi$) 와 조직별 조절 패턴에 따라 명확히 분리됨을 확인.
• 회귀 성능: 대부분의 조직에서 예측된 $\Delta\psi$ 와 관측치 간의 스피어만 상관관계 ($\rho$) 가 MTSplice 보다 높음. 특히 데이터가 부족한 (Low-sample) 조직에서 성능 차이가 두드러짐.
• 분류 성능: TSRC 작업에서 상향/하향 조절을 구분하는 정밀도 (Precision), F1-score, AUPRC, AUROC 가 모두 기존 모델보다 우수함.
  • 300bp 인트론+엑손 입력 + 10 개 증강 (OPP) 설정이 가장 균형 잡힌 성능을 보임.

B. 세포 유형 수준 평가 (Tabula Sapiens Dataset, 112 개 세포 유형)

• 성능: 112 개 세포 유형 전반에 걸쳐 CLADES 가 베이스라인 (사전 학습 없음) 보다 일관된 성능 향상.
• 데이터 양 영향: 샘플 수가 적은 세포 유형에서는 차이가 미미했으나, 샘플 수가 많은 그룹에서 CLADES 의 성능 우위가 뚜렷하게 나타남.
• ELRC 작업: 고발현 및 저발현 엑손 그룹 모두에서 정밀도, 재현율, AUPRC 등 모든 지표에서 베이스라인을 상회하는 성능을 보임.

5. 의의 및 결론 (Significance)

• 진화적 원리의 활용: "진화는 조절 프로그램의 불변성을 암호화한다"는 가설을 입증하며, 이를 통해 레이블이 부족한 상황에서도 강력한 표현 학습이 가능함을 보였습니다.
• 일반화 능력: 특정 조직이나 세포 유형에 국한되지 않고, 다양한 생물학적 맥락으로 전이 가능한 (Transferable) 조절 신호를 학습합니다.
• 미래 전망: 이 연구는 대조 학습과 진화 생물학을 결합하여 생물학적 현상을 이해하는 AI 기반 접근법의 가능성을 제시하며, 향후 스플라이싱 조절을 위한 기초 모델 (Foundation Model) 개발의 토대가 될 수 있습니다.

결론적으로, CLADES 는 실험적 레이블의 부족을 진화적 정보로 보완하여, 조직 및 세포 수준에서 대체 스플라이싱 변화를 정확하게 예측하고 해석할 수 있는 새로운 기준을 제시한 연구입니다.