FAMUS: A Few-Shot Learning Framework for Large-Scale Protein Annotation

FAMUS 는 대조 학습을 기반으로 단일 최상위 히트 대신 모든 프로파일의 유사도 점수를 활용하여 게놈 및 메타게놈 데이터의 대규모 단백질 기능 주석을 기존 도구보다 정밀하게 수행하는 새로운 프레임워크를 제시합니다.

핵심

FAMUS: 단백질의 '성적표'를 만드는 똑똑한 AI 비서

이 논문은 생물학자들이 매일 마주하는 거대한 문제를 해결하기 위해 개발된 새로운 인공지능 도구, FAMUS에 대해 설명합니다.

1. 문제: "이 단백질은 무슨 일을 하는 걸까?"

생물학자들은 미생물이나 인간 게놈에서 수백만 개의 유전자를 발견합니다. 하지만 이 유전자들이 만들어내는 단백질이 정확히 어떤 일을 하는지 (예: "이건 소화 효소야", "저건 면역 반응에 관여해") 알기 위해서는 기존에 알려진 단백질들과 비교해야 합니다.

기존의 방법 (KofamScan, InterProScan 등) 은 마치 시험지 채점과 비슷했습니다.

• 기존 방식: "이 단백질이 기존 데이터베이스의 A, B, C 중 가장 비슷한 것이 B 라면, 무조건 B 라고 간주해." (가장 높은 점수만 보고 결정)
• 한계: 만약 A 와 B 모두 비슷하고, C 는 조금 다르다면? 기존 방식은 B 를 선택하지만, 실제로는 A 일 수도 있고, 아예 새로운 단백질일 수도 있습니다. 특히 데이터가 부족한 희귀한 단백질 (공부할 예시가 거의 없는 학생) 에 대해서는 틀릴 확률이 매우 높았습니다.

2. 해결책: FAMUS (새로운 학습 방식)

저자들은 이 문제를 해결하기 위해 **'비교 학습 (Contrastive Learning)'**이라는 AI 기술을 도입했습니다. 이를 FAMUS라고 이름 붙였습니다.

🍎 비유: "과일 장터에서의 분류"

기존 방식이 **"가장 비슷한 사과를 찾아서 사과라고 부른다"**는 방식이라면, FAMUS 는 **"사과, 배, 포도, 바나나를 어떻게 구분하는지 그 '느낌'을 배우는 방식"**입니다.

1. 세부적인 분류 (하위 가족 만들기):

   • 기존에는 '사과'라는 큰 카테고리 하나만 있었습니다.
   • FAMUS 는 '사과'를 '홍사과', '사과', '사과'처럼 더 작은 그룹 (서브 패밀리) 으로 나눕니다. 이렇게 하면 각 그룹의 특징을 훨씬 더 정교하게 파악할 수 있습니다.

2. 점수판 (비트 스코어) 을 전체적으로 보기:

   • 기존 방식은 "가장 높은 점수 (가장 비슷한 것)" 하나만 보았습니다.
   • FAMUS 는 "A 와의 점수, B 와의 점수, C 와의 점수"를 모두 받아서 **한 줄의 숫자 열 (벡터)**로 만듭니다. 마치 학생의 성적표를 볼 때, 국어 점수 하나만 보지 않고 모든 과목 점수를 종합해서 그 학생의 '성향'을 파악하는 것과 같습니다.

3. AI 가 '느낌'을 학습 (임베딩):

   • 이 숫자 열들을 AI 가 분석하여, 비슷한 일을 하는 단백질들은 서로 가까이 모이고, 다른 일을 하는 단백질들은 멀리 떨어지도록 3 차원 공간에 배치합니다.
   • 마치 음악 플레이리스트를 만드는 것처럼, 비슷한 리듬 (기능) 을 가진 곡들을 같은 폴더에 모으는 것입니다.

4. 알 수 없는 것 (Unknown) 을 구별하기:

   • 가장 중요한 점은, 아예 이 분류 체계에 속하지 않는 단백질을 구별해낸다는 것입니다.
   • 만약 새로운 단백질이 들어오는데, AI 가 만든 공간에서 모든 그룹과 너무 멀다면, FAMUS 는 "이건 우리가 아는 그룹에 속하지 않아요 (Unknown)"라고 정직하게 말합니다. 기존 방식은 무조건 가장 가까운 그룹에 억지로 끼워 넣는 경우가 많았습니다.

3. FAMUS 의 장점

• 희귀한 단백질도 잘 알아봄: 예시가 아주 적은 단백질 (Few-shot learning) 도 주변 단백질들의 '분위기'를 통해 정확하게 분류합니다.
• 빠르고 정확함: 수백만 개의 단백질을 처리할 때, 기존 도구들보다 정확도가 높으면서도 속도는 비슷하거나 더 빠릅니다. 특히 그래픽 카드 (GPU) 를 사용하면 더 빨라집니다.
• 유연함: KEGG(유전자 기능), InterPro(단백질 구조), OrthoDB(진화적 관계) 등 다양한 데이터베이스를 한 번에 사용할 수 있습니다.

4. 결론: 왜 이것이 중요한가?

FAMUS 는 마치 **단백질 세계의 '정교한 지도 제작자'**와 같습니다.
기존의 지도는 "이곳은 산이다"라고 대충 표시했다면, FAMUS 는 "이곳은 산이지만, 북쪽은 숲이고 남쪽은 바위이며, 이 작은 동굴은 새로운 생물 서식지일 수 있다"라고 세밀하게 알려줍니다.

이 도구를 통해 과학자들은 미지의 미생물 세계를 더 정확하게 이해하고, 새로운 약물을 개발하거나 환경 문제를 해결하는 데 훨씬 강력한 정보를 얻을 수 있게 되었습니다. 이 도구는 누구나 무료로 사용할 수 있도록 웹 서버와 프로그램으로 공개되었습니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 현황: 차세대 시퀀싱 기술의 발전으로 게놈 및 메타게놈 데이터가 폭발적으로 증가하고 있으며, 유전자 기능 주석 (Functional Annotation) 은 이 데이터 분석의 핵심 단계입니다. 현재 주류인 자동 주석 도구들은 주로 쿼리 서열과 데이터베이스 내 가장 유사한 단일 서열 (Best Hit) 을 기반으로 기능을 할당하는 방식을 사용합니다.
• 한계점:
  1. 데이터 희소성 (Sparsity): 많은 단백질 패밀리는 표본 수가 매우 적어 (Few-shot), 기존 방법론으로 신뢰성 있게 기능을 할당하기 어렵습니다.
  2. 정보 손실: 전통적인 pHMM(프로파일 은닉 마르코프 모델) 기반 도구는 모든 유사도 점수 정보를 활용하지 않고, 가장 높은 점수 ('Winner-takes-all') 만을 사용하여 distant homolog(원격 상동체) 나 모호한 경우의 주석을 놓치기 쉽습니다.
  3. 클러스터링의 한계: KEGG Orthology(KO) 와 같은 데이터베이스는 인간 큐레이션으로 인해 서열 간 유사도가 낮아도 동일한 패밀리로 묶인 경우가 많아, pHMM 의 특이도 (Specificity) 가 낮아지고 오탐지 (False Positive) 가 발생할 수 있습니다.
  4. 계산 비용: 24,000 개 이상의 KO 패밀리와 같이 클래스 수가 방대하고 각 클래스당 샘플 수가 적은 경우, 기존 심층 학습 모델의 직접적인 분류 (Multi-class classification) 는 계산 자원을 과도하게 소모하거나 학습이 어렵습니다.

2. 방법론 (Methodology)

저자들은 FAMUS (Functional Annotation Method Using Supervised contrastive learning) 라는 새로운 프레임워크를 제안했습니다. 이는 대조 학습 (Contrastive Learning) 과 Few-shot 학습을 결합한 접근법입니다.

• 핵심 아이디어:

  • 분류 문제를 '비교 (Comparison)' 문제로 재정의합니다.
  • 단일 최상위 히트 (Top-hit) 가 아닌, 쿼리 서열이 모든 패밀리 프로필 (pHMM) 에 대해 가지는 유사도 점수 벡터 전체를 입력으로 사용합니다.
  • 이 점수 벡터를 신경망을 통해 저차원의 임베딩 (Embedding) 공간으로 변환하여, 동일한 패밀리 소속 단백질들은 서로 가깝게, 다른 패밀리는 멀리 배치되도록 학습시킵니다.

• 데이터 전처리 및 pHMM 생성:

  1. 서브-패밀리 (Sub-family) 생성: 각 단백질 패밀리를 mmseqs2 를 사용하여 중복을 제거하고, 서열 유사도에 따라 더 세분화된 '서브-패밀리'로 클러스터링합니다.
  2. pHMM 구축: 각 서브-패밀리마다 pHMM 을 생성합니다. (데이터베이스에 따라 'Comprehensive' 버전과 계산 효율성을 위한 'Light' 버전 제공).
  3. 데이터 샘플링 및 점수화: 학습 데이터에서 서열을 샘플링하여 모든 서브-패밀리 pHMM 에 대해 hmmsearch 를 수행합니다. 이때 데이터 누출 (Data Leakage) 을 방지하기 위해 KofamKoala 전략을 차용하여, pHMM 생성에 사용된 서열은 제외하고 점수를 매기는 교차 검증 방식을 적용합니다.

• 모델 아키텍처:

  • 입력: 모든 서브-패밀리 pHMM 에 대한 비트 점수 (Bit scores) 벡터.
  • 네트워크: 입력 층 (서브-패밀리 수) → 은닉 층 3 개 (크기 320) → 출력 층 (320 차원 임베딩).
  • 손실 함수: SupCon (Supervised Contrastive Learning) 손실 함수를 사용하여, 라벨이 같은 샘플 간의 거리는 최소화하고 다른 라벨 간 거리는 최대화하도록 학습합니다.
  • OOD (Out-of-Distribution) 처리: 학습 배치에 라벨이 없는 서열 (Negative examples) 을 포함시켜, 모델이 데이터베이스에 속하지 않는 서열을 '알 수 없음 (Unknown)'으로 판별하도록 훈련합니다.

• 추론 (Inference):

  • 새로운 서열을 pHMM 으로 스캔하여 점수 벡터를 생성하고, 학습된 신경망으로 임베딩합니다.
  • 학습 데이터의 임베딩 공간에서 가장 가까운 이웃 (Nearest Neighbor) 을 찾습니다.
  • 거리가 사전 계산된 임계값 (Threshold) 이내이고 이웃이 알려진 패밀리에 속하면 해당 패밀리를 할당하고, 그렇지 않으면 'Unknown'으로 분류합니다.

3. 주요 기여 (Key Contributions)

1. FAMUS 프레임워크 개발: 대조 학습을 기반으로 한 최초의 포괄적이고 모듈화된 단백질 주석 프레임워크를 제안했습니다.
2. Few-shot 학습 능력: 각 패밀리당 샘플 수가 극히 적은 경우에도 높은 정확도를 유지하며, KEGG, InterPro, OrthoDB, EggNOG 등 다양한 대규모 데이터베이스에 적용 가능한 4 개의 모델을 구축했습니다.
3. 모듈성 및 확장성:
   • 사전 정의된 데이터베이스뿐만 아니라 사용자가 직접 커스텀 데이터베이스를 만들어 모델을 학습시킬 수 있습니다.
   • Conda 패키지 및 사용자 친화적인 웹 서버를 제공하여 대규모 메타게놈 데이터 분석 파이프라인에 쉽게 통합할 수 있습니다.
4. 고해상도 pHMM 데이터베이스 공개: KEGG, InterPro, OrthoDB, EggNOG 에 대한 고해상도 서브-패밀리 기반 pHMM 데이터베이스를 공개하여, 향후 다른 HMM 기반 주석 파이프라인에서도 활용할 수 있게 했습니다.

4. 실험 결과 (Results)

• 성능 비교:
  • KEGG Orthology: FAMUS 는 KEGG 의 공식 도구인 KofamScan보다 높은 F1 점수를 기록했습니다.
  • PANTHER Family: InterPro 의 InterProScan보다 높은 성능을 보였습니다.
  • 미지 서열 처리: 미지 (Unlabeled) 서열의 비율이 50% 이상인 실제 메타게놈 데이터와 유사한 환경에서 FAMUS 는 기존 도구들보다 월등히 우수한 성능을 발휘했습니다. 특히, 잘못된 주석을 방지하면서도 정확한 주석은 놓치지 않는 (높은 정밀도와 재현율 균형) 능력을 입증했습니다.
• Comprehensive vs. Light 모델:
  • 서브-패밀리를 세분화한 'Comprehensive' 모델이 가장 정확도가 높았으나, 단일 pHMM 만 사용하는 'Light' 모델도 KofamScan 등 기존 도구보다 빠르거나 동급의 속도를 유지하면서 우수한 정확도를 보여주었습니다.
• 실행 시간 (Runtime):
  • 병목 현상은 pHMM 검색 단계였으나, GPU 가속을 지원하여 대규모 데이터셋 처리 시 효율성을 높였습니다. Light 모델은 기존 도구들보다 빠른 처리 속도를 제공했습니다.

5. 의의 및 결론 (Significance)

• 기술적 혁신: 단백질 기능 주석 문제를 단순한 유사도 검색이 아닌, 대조 학습을 통한 관계 추론 (Relational Inference) 문제로 전환함으로써, 데이터가 부족한 패밀리 (Few-shot) 에 대한 주석 정확도를 획기적으로 개선했습니다.
• 실용적 가치: 메타게놈 분석에서 흔히 발생하는 '알 수 없는 미생물'에 대한 주석 신뢰도를 높여, 환경 미생물의 기능적 잠재력을 이해하는 데 기여합니다.
• 접근성: 오픈 소스 코드, Conda 패키지, 웹 서버를 통해 연구자들이 별도의 복잡한 설정 없이 대규모 데이터를 쉽게 주석할 수 있게 하여, 생물정보학 커뮤니티의 표준 도구로 자리 잡을 잠재력을 가집니다.

요약하자면, FAMUS 는 기존 주석 도구의 한계를 극복하고, 희소 데이터 환경에서도 높은 정확도와 확장성을 제공하는 차세대 단백질 기능 주석 솔루션입니다.