How Not to be Seen: Predicting Unseen Enzyme Functions using Contrastive Learning

이 논문은 훈련 데이터에 없는 4 번째 EC 번호를 가진 효소 서열도 정확한 기능적 맥락에 배치할 수 있도록 돕는 대비 학습 기반의 'EnzPlacer' 알고리즘을 제안합니다.

핵심

이 논문은 **"보이지 않는 효소의 기능을 찾아내는 새로운 방법 (EnzPlacer)"**에 대한 연구입니다. 과학적 용어를 빼고, 일상적인 비유를 들어 쉽게 설명해 드릴게요.

🧩 핵심 문제: "이름 없는 새로운 요리사 찾기"

생물학자들은 우리 몸이나 자연 속에 있는 수백만 개의 **'효소 (Enzyme)'**라는 단백질을 가지고 있습니다. 이 효소들은 각각 특정한 일을 합니다 (예: 당을 분해하거나, 기름을 태우는 등). 과학자들은 이 효소들에게 EC 번호라는 '직업 증명서'를 붙여주는데, 이는 4 단계로 이루어진 주소와 같습니다.

• 1 단계 (EC1): 큰 부서 (예: 소화과)
• 2 단계 (EC2): 팀 (예: 탄수화물 처리 팀)
• 3 단계 (EC3): 구체적인 역할 (예: 전분 분해 담당)
• 4 단계 (EC4): 정확한 직함 (예: 전분 분해 1 번 담당자)

문제점:
새로운 효소들이 쏟아져 나오는데, 그중에는 아직 과학적으로 확인된 적이 없는 '완전 새로운' 효소들이 많습니다. 이 효소들은 4 단계 주소 (정확한 직함) 가 아직 존재하지 않습니다. 기존 컴퓨터 프로그램들은 "이건 1 번 담당자야"라고 정확히 맞추려다 실패하거나, "아직 모르는 거니까 아무것도 못 해"라고 포기해 버립니다.

연구자의 목표:
"정확한 직함 (4 단계) 을 몰라도 괜찮아. 대략 어떤 팀 (2 단계) 이나 어떤 역할 (3 단계) 을 하는지라도 정확히 추려내면 실험실 연구원들이 '아, 이 효소는 전분을 분해하는 거구나!'라고 실험을 설계하는 데 큰 도움이 되겠지?"라고 생각한 것입니다.

---

🚀 해결책: 'EnzPlacer'라는 새로운 나침반

연구팀은 EnzPlacer라는 새로운 AI 모델을 개발했습니다. 이 모델은 기존 방식과 다르게 **'비교 학습 (Contrastive Learning)'**이라는 기술을 사용했습니다.

🏫 비유: "학교의 학급 배치"

1. 기존 방식 (BLAST 등):

   • 새로운 학생 (새로운 효소) 이 왔을 때, "너와 가장 닮은 친구는 누구야?"라고 물어봅니다.
   • 닮은 친구가 '수학반 1 번'에 있으면, "너도 수학반 1 번이야!"라고 바로 결정합니다.
   • 한계: 만약 새로운 학생이 닮은 친구가 전혀 없다면 (유전자가 너무 다르다면), 이 방법은 완전히 실패합니다.

2. EnzPlacer 의 방식 (HiNCE):

   • 이 모델은 단순히 "누구와 닮았는지"만 보지 않습니다.
   • **"이 학생은 어떤 '학급 (3 단계)'에 속하는 게 자연스러울까?"**라는 큰 그림을 봅니다.
   • 비유: 새로운 학생이 왔을 때, 비록 정확한 친구는 없지만, "이 학생은 수학실 (3 단계) 에 들어갈 만한 옷차림과 태도를 가졌구나"라고 판단합니다.
   • 핵심 기술: 이 모델은 효소들을 지도 위에 배치할 때, 같은 '학급 (3 단계)'에 속하는 효소들은 서로 가까이 모이고, 다른 학급은 멀리 떨어뜨리도록 훈련시켰습니다. 심지어 4 단계 직함이 달라도, 같은 3 단계 역할을 하는 효소들은 서로 가깝게 묶여 있어야 한다고 가르쳤습니다.

---

📊 결과: "완벽하지는 않지만, 훨씬 더 똑똑해졌다"

연구팀은 이 모델을 시험해 보았습니다.

• 시나리오 1: 이미 알려진 효소들 (Seen)
  • 훈련 데이터에 있던 효소들을 테스트했을 때, 기존 방법들과 비슷하게 아주 잘했습니다. (90% 이상 정확도)
• 시나리오 2: 완전히 새로운 효소들 (Unseen) - 이것이 이 논문의 핵심
  • 훈련 데이터에 단 한 번도 등장하지 않은 새로운 효소들을 테스트했습니다.
  • 기존 방법들 (BLAST, CLEAN 등): "이건 모르겠다"거나 엉뚱한 팀 (예: 소화과가 아니라 에너지과) 으로 보냈습니다.
  • EnzPlacer: "정확한 직함은 모르겠지만, 이 친구는 **탄수화물 처리 팀 (3 단계)**에 속할 확률이 가장 높아!"라고 정확히 추측했습니다.
  • 특히, 서로 닮지 않은 (유전자가 먼) 효소들일수록 EnzPlacer 의 성능이 기존 방법보다 훨씬 뛰어났습니다.

실제 사례:
어떤 효소 (A0A1D8PNZ7) 가 있었는데, 기존 프로그램은 "이건 단백질을 만드는 효소야 (Kinase)"라고 잘못 예측했습니다. 하지만 EnzPlacer 는 "아니야, 이건 **인산 결합을 끊는 효소 (Phosphodiesterase)**야"라고 정확히 맞췄습니다. 이는 연구원들이 실험을 할 때 엉뚱한 시약을 쓰지 않도록 도와주는 큰 성과입니다.

---

💡 왜 이것이 중요한가?

1. 실험 비용 절감: 연구원들이 "이게 뭐지?"라고 막막해할 때, EnzPlacer 가 "아마도 이런 일을 할 거야"라고 방향을 잡아주면, 실험실에서의 시행착오를 크게 줄일 수 있습니다.
2. 새로운 발견: 아직 이름이 없는 효소들도, 이 모델이 "이런 팀에 속해"라고 알려주면, 과학자들이 그 팀의 특성에 맞춰 실험을 설계할 수 있습니다.
3. 미래 지향적: 우리는 이제까지 '완벽한 정답'만 찾으려 했지만, 이 연구는 **'정확하지 않아도 좋은 대략적인 정답'**을 찾는 것이 얼마나 중요한지 보여줍니다.

🎁 요약

이 논문은 **"아직 이름도 없는 새로운 효소들을, 기존에 알려진 효소들의 '가족 관계'를 이용해 가장 비슷한 '직업 그룹'에 배치해주는 똑똑한 나침반"**을 만들었다고 말합니다.

비록 완벽한 직함 (4 단계) 을 맞추지는 못하지만, **어떤 부서에 속하는지 (3 단계)**만 정확히 알려줘도 과학자들은 훨씬 더 빠르고 정확하게 새로운 효소의 비밀을 밝혀낼 수 있게 되었습니다. 마치 낯선 도시에서 정확한 집 번호는 몰라도, "저기 3 번 도로 쪽에 살 것 같아"라고 알려주는 것만으로도 목적지에 훨씬 빨리 도달하는 것과 같습니다.

기술 요약

1. 문제 정의 (Problem)

• 배경: 실험적으로 주석 (annotation) 이 달린 단백질 서열은 전체 공개 데이터의 0.1% 미만이며, 대량의 게놈 데이터가 생성되고 있습니다.
• 핵심 난제: 기존 효소 기능 예측 모델들은 훈련 데이터에 존재하는 EC (Enzyme Commission) 번호를 예측하는 데 초점을 맞추고 있습니다. 그러나 실제 신종 효소는 훈련 세트에 존재하지 않는 **완전히 새로운 EC 번호 (특히 4 번째 레벨, EC4)**를 가질 수 있습니다.
• 목표: 정확한 4 번째 레벨 (EC4) 의 라벨이 존재하지 않더라도, 해당 효소를 3 번째 (EC3) 또는 2 번째 (EC2) 레벨의 알려진 기능 공간에 정확하게 배치하여 실험가들에게 검증 가능한 가설을 제공하는 것입니다. 즉, "정확한 기능은 모르지만, 어떤 기능군에 속하는지"를 좁혀주는 것이 핵심입니다.

2. 방법론 (Methodology)

A. 데이터셋 구성 (Data Strategy)

• Unseen Split (미시적 평가): 훈련 세트와 테스트 세트가 EC4 레벨에서 완전히 분리되도록 구성했습니다.
  • 훈련 세트: 각 EC3 가족 (Family) 내에서 가장 많은 수의 EC4 그룹을 포함.
  • 테스트 세트: 각 EC3 가족 내에서 드문 (희소) EC4 그룹을 포함.
  • 핵심 조건: 테스트 세트의 모든 EC4 라벨은 훈련 세트에 없으나, 해당 EC4 가 속한 EC3 가족은 훈련 세트에 존재합니다. 이는 모델이 새로운 EC4 를 예측할 때 상위 계층 (EC1-3) 을 올바르게 추론할 수 있는지 평가합니다.
• 데이터 정제: ExPASy ENZYME 데이터베이스에서 183,613 개의 단일 기능 단백질 서열을 추출하여 다기능 효소, 불완전한 EC 문자열 등을 제거했습니다.

B. 모델 아키텍처: EnzPlacer

• 임베딩: 사전 훈련된 단백질 언어 모델인 ESM-1b를 사용하여 고정된 (frozen) 단백질 임베딩을 생성합니다.
• 프로젝션 헤드: 경량의 MLP(다층 퍼셉트론) 를 통해 임베딩을 변환하여 분류에 적합한 표현 공간 ($z$) 을 학습합니다.
• 학습 목표: 계층적 예시 대비 학습 (Hierarchical Exemplar Contrastive Learning, HiNCE)
  • 기존 대비 학습 (Contrastive Learning) 은 동일한 라벨끼리 묶고 다른 라벨을 분리하는 데 그쳤으나, EnzPlacer 는 **EC 계층 구조 (DAG)**를 명시적으로 반영합니다.
  • 손실 함수 구성:
    1. Instance-level Loss: 동일한 EC4 라벨을 가진 단백질끼리 가깝게, 다른 라벨끼리 멀게 만듭니다.
    2. Exemplar Loss (계층적): 각 EC 레벨 (1~4) 의 중심 (Centroid) 을 계산하여, 단백질 임베딩이 해당 계층의 중심과 정렬되도록 합니다. 예를 들어, EC4 가 다라도 EC3 가 같다면 (예: 1.2.3.x 와 1.2.3.y), 두 단백질은 EC3 중심에 가깝게 위치해야 합니다.
  • Hard Negative Mining: 훈련 중 가장 유사한 잘못된 라벨 (Hard Negative) 을 집중적으로 학습하여 결정 경계를 강화합니다.

C. 평가 방식

• 테스트: 학습된 공간에서 쿼리 단백질의 가장 가까운 이웃 (Nearest Neighbor) 의 라벨을 할당합니다.
• 지표: EC1, EC2, EC3 레벨에서의 정확도 (Accuracy), 정밀도 (Precision), 재현율 (Recall), F1 점수를 평가합니다. 특히 EC4 가 unseen 인 상황에서의 상위 계층 예측 능력을 중점적으로 평가합니다.

3. 주요 결과 (Results)

A. Unseen-EC4 설정 (가장 중요한 평가)

• 성능: EnzPlacer 는 기존 방법들 (CLEAN, GloEC, ProteInfer) 과 BLASTp(동질성 기반) 보다 EC2 및 EC3 레벨에서 가장 높은 정확도와 F1 점수를 기록했습니다.
  • EC2 정확도: 0.4350 (EnzPlacer) vs 0.3854 (CLEAN)
  • EC3 정확도: 0.3563 (EnzPlacer) vs 0.2614 (CLEAN)
• 저相似度 (Low Similarity) 조건: BLASTp 로 10% 미만 동질성을 가진 서열만 남긴 경우, BLASTp 의 성능이 급격히 떨어지는 반면, EnzPlacer 는 상대적으로 성능 저하가 적어 시퀀스 유사성이 낮아도 기능적 관계를 유지함을 입증했습니다.
• 사례 연구: 인산디에스테르 가수분해효소 (Phosphodiesterase, EC 3.1.4.x) 인 단백질에 대해, BLASTp 는 키나제 (Kinase) 로 잘못 분류했으나 EnzPlacer 는 올바른 EC3 군 (3.1.4) 으로 분류했습니다.

B. Seen-EC4 설정 (기존 평가)

• 훈련 세트에 EC4 라벨이 포함된 전통적인 설정에서는 EnzPlacer 가 BLASTp 와 CLEAN 보다 높은 성능 (Accuracy ~0.91) 을 보였으며, EC1-3 레벨에서는 거의 포화 상태의 높은 정확도를 달성했습니다.

C. 임베딩 시각화 (t-SNE)

• EnzPlacer 로 학습된 공간은 ESM 원본 임베딩보다 EC3 가족 단위 (예: 3.1.4) 로 더 밀집되고 명확하게 분리되는 구조를 보여주었습니다. 이는 계층적 대비 학습이 기능적 군집을 잘 보존함을 의미합니다.

4. 주요 기여 (Key Contributions)

1. 새로운 평가 패러다임 제안: "Unseen-EC4" 시나리오를 정의하여, 훈련 데이터에 없는 새로운 효소 기능을 상위 계층 (EC1-3) 으로 정확히 배치하는 능력을 평가하는 벤치마크를 제시했습니다.
2. HiNCE 알고리즘 개발: 효소 기능 예측을 위해 계층 구조를 명시적으로 반영한 대비 학습 손실 함수 (Hierarchical Exemplar Contrastive Objective) 를 제안했습니다. 이는 단순한 라벨 매칭을 넘어 기능적 계층의 기하학적 구조를 학습하게 합니다.
3. EnzPlacer 도구 공개: GitHub 를 통해 오픈소스로 제공하여, 실험가들이 미지의 효소 서열에 대한 가설을 세우는 데 활용할 수 있도록 했습니다.

5. 의의 및 결론 (Significance)

• 실험적 가이드 제공: 새로운 효소의 정확한 EC4 번호를 맞추는 것은 불가능할 수 있지만, EnzPlacer 를 통해 반응 메커니즘과 기질의 범위를 좁혀주는 (예: 인산디에스테르 가수분해효소군) 정보를 제공함으로써 실험 설계에 큰 도움을 줍니다.
• 동질성 의존성 극복: BLASTp 와 같은 전통적인 동질성 기반 방법이 시퀀스 유사도가 낮을 때 실패하는 한계를 극복하고, 학습된 표현 공간 (Representation Space) 을 통해 기능적 유사성을 포착할 수 있음을 증명했습니다.
• 미래 방향: 단일 라벨 예측에서 다중 기능 (Promiscuous enzymes) 예측으로 확장하고, 구조적 정보나 보조 인자 (Cofactor) 정보를 통합하여 더 정교한 예측을 할 수 있는 기반을 마련했습니다.

결론적으로, 이 연구는 계층적 대비 학습을 통해 미지의 효소 기능을 기능적 공간에 효과적으로 배치할 수 있음을 보여주었으며, 계산 생물학이 실험 생물학의 탐색 범위를 좁히는 데 핵심적인 역할을 할 수 있음을 시사합니다.