HViLM: A Foundation Model for Viral Genomics Enables Multi-Task Prediction of Pathogenicity, Transmissibility, and Host Tropism

이 논문은 500 만 개의 바이러스 서열로 사전 학습된 최초의 범용 바이러스 유전체 기반 모델인 HViLM 을 제안하여, 병원성, 전파성 및 숙주 특이성 예측에서 기존 방법들을 능가하는 성능을 입증하고 새로운 병원체 위험 평가에 혁신을 가져왔음을 보여줍니다.

핵심

1. 왜 이 모델이 필요한가요? (문제 상황)

지금까지 바이러스를 분석할 때는 새로운 바이러스가 나올 때마다 연구원들이 일일이 새로운 공부를 해야 했습니다. 마치 새로운 범죄자가 나올 때마다 경찰이 그 사람만 잡는 법을 처음부터 다시 배워야 하는 것과 비슷합니다. 시간이 너무 오래 걸리고, 새로운 위협에 대응하기엔 너무 느렸습니다.

2. HViLM 이란 무엇인가요? (해결책)

HViLM 은 **'바이러스 전문가 AI'**입니다.

• 기존 모델: 일반적인 생물학 지식을 가진 대학생 수준입니다.
• HViLM: 500 만 개 이상의 바이러스 유전자를 읽으며 '전문가 과정'을 마친 박사급 AI 입니다.
  • 이 AI 는 DNABERT-2 라는 기존 모델을 바탕으로, 인간에게 치명적인 바이러스들 (코로나, 독감, 노로바이러스 등) 의 유전자만 집중적으로 학습했습니다.
  • 마치 수만 권의 바이러스 관련 서적을 읽은 뒤, "이 바이러스는 인간에게 해를 끼칠까?"를 본능적으로 파악하는 능력을 키운 것입니다.

3. 이 AI 는 무엇을 할 수 있나요? (세 가지 주요 능력)

이 모델은 세 가지 중요한 질문을 동시에 답할 수 있습니다.

1. 치명성 (Pathogenicity): "이 바이러스는 인간을 아프게 할까요?"
   • 비유: "이 도둑은 그냥 물건을 훔칠 뿐인가, 아니면 사람을 다치게 할 수 있는가?"를 판단합니다.
2. 숙주 특이성 (Host Tropism): "이 바이러스는 인간을 감염시킬 수 있나요, 아니면 동물만 감염시킬까요?"
   • 비유: "이 열쇠는 인간의 문 (인간 세포) 을 열 수 있는가, 아니면 동물 집 문 (동물 세포) 만 열 수 있는가?"를 확인합니다.
3. 전파력 (Transmissibility): "이 바이러스는 얼마나 빠르게 퍼질까요?"
   • 비유: "이 불꽃은 작은 불씨로 그칠 것인가, 아니면 온 마을을 태울 큰 산불이 될 것인가?"를 예측합니다.

4. 얼마나 잘하나요? (성적표)

이 모델은 기존 방법들보다 훨씬 뛰어납니다.

• 정확도: 치명성 예측 95%, 인간 감염 가능성 예측 96%, 전파력 예측 97% 이상의 놀라운 정확도를 보여줍니다.
• 비유: 기존 방법들이 "바이러스의 얼굴을 보고 비슷해 보이는지"로 판단했다면, HViLM 은 **"바이러스의 DNA 문장 전체를 읽어서 그 의도와 능력을 파악"**합니다. 그래서 새로운 바이러스가 나와도 처음 보는 얼굴이라도 그 성격을 바로 알아맞힙니다.

5. 가장 흥미로운 발견: "위장술"을 찾아내다 (해석 가능성)

이 연구의 가장 멋진 점은 AI 가 왜 그렇게 판단하는지 그 이유까지 설명해 준다는 것입니다.

• 발견: AI 가 분석한 결과, 치명적인 바이러스들은 **인간의 면역 체계를 속이기 위해 우리 몸의 '신호'를 모방 (위장)**하고 있었습니다.
• 비유: 바이러스는 우리 몸의 '경보 시스템 (면역 반응)'을 무력화시키기 위해, 마치 가짜 열쇠를 만들어 우리 몸의 문을 여는 것처럼 위장합니다.
  • 예를 들어, 바이러스는 우리 몸의 **'인터페론 조절 인자 (Irf1)'**라는 중요한 방어 기구를 속이기 위해 8 가지 다른 모양의 가짜 열쇠를 만들어냈습니다.
  • 이는 바이러스가 단순히 우연히 변이된 것이 아니라, 인간의 방어 시스템을 무너뜨리기 위해 치밀하게 진화해 왔음을 보여줍니다.

6. 결론: 이 연구가 의미하는 바는?

HViLM 은 단순히 바이러스를 분류하는 도구를 넘어, **새로운 팬데믹 (감염병 대유행) 에 대비하는 '초고속 탐정'**입니다.

• 빠른 대응: 새로운 바이러스가 발견되면, 실험실에서 몇 달을 기다릴 필요 없이 AI 가 몇 분 안에 위험도를 예측할 수 있습니다.
• 치료제 개발: 바이러스가 인간을 속이는 '가짜 열쇠'를 어디에 꽂는지 알았으니, 그 열쇠를 막아줄 새로운 백신이나 약을 개발하는 데 큰 도움이 됩니다.

한 줄 요약:

"이 AI 는 500 만 개의 바이러스 유전자를 읽은 '수석 바이러스 수사관'으로, 새로운 바이러스가 나타나면 그 위험도와 전파력을 즉시 파악하고, 바이러스가 인간을 속이는 비밀스러운 수법까지 찾아내어 우리가 더 빠르게 대응할 수 있게 도와줍니다."

기술 요약

1. 문제 제기 (Problem Statement)

• 신종 바이러스의 위협: 새로운 바이러스성 병원체의 출현은 글로벌 보건에 중대한 위협이 되고 있습니다.
• 기존 방법론의 한계:
  • 현재 바이러스 위험 평가에 사용되는 계산적 접근법은 대부분 특정 바이러스에 국한되어 있으며, 새로운 위협이 등장할 때마다 광범위한 재학습 (retraining) 이 필요합니다.
  • 전통적인 방법 (BLAST, HMMER 등) 은 계산 효율성이 낮고, 새로운 병원체에 대한 민감도가 부족하며, 다양한 바이러스 과 (family) 간 일반화 능력이 떨어집니다.
  • 기존 딥러닝 기반의 게놈 파운데이션 모델 (DNABERT, Nucleotide Transformer 등) 은 주로 프로카리옷 (세균) 게놈에 초점을 맞추어 학습되었으며, 바이러스 특이적인 다중 태스크 (병원성, 숙주 특이성, 전염성) 예측을 위한 체계적인 벤치마크가 부재했습니다.
• 필요성: 공중보건 대응과 실험적 우선순위 설정을 위해 신속하게 바이러스의 병원성 (Pathogenicity), 숙주 특이성 (Host Tropism), 전염성 (Transmissibility) 을 동시에 평가할 수 있는 범용 도구가 시급히 필요합니다.

2. 방법론 (Methodology)

가. 데이터 수집 및 전처리 (Datasets)

• 프리트레이닝 데이터 (Pre-training): VIRION 데이터베이스에서 9,000 종의 바이러스 (45 개 이상의 바이러스 과) 에 해당하는 500 만 개의 비중복 바이러스 서열을 수집했습니다.
  • NCBI 에서 1,080 만 개의 고유 서열을 추출하여 1,000bp 단위로 분할하고, MMseqs2 를 사용하여 80% 동일성 기준으로 클러스터링하여 중복을 제거했습니다.
• HVUE 벤치마크 (Human Virome Understanding Evaluation): 3 가지 주요 예측 태스크를 위한 7 개의 정제된 데이터셋 (총 22 만 개 서열) 으로 구성되었습니다.
  1. 병원성 예측: 질병을 유발하는 균주 vs 비병원성 균주 분류 (CINI, BVBRC-CoV, BVBRC-Calici 데이터셋).
  2. 숙주 특이성 예측: 인간 감염 가능 vs 비감염 바이러스 분류 (VHDB 데이터셋, 30 개 바이러스 과).
  3. 전염성 평가: 기본 재생산 수 ($R_0$) 기반 분류 ($R_0 < 1$ vs $R_0 \ge 1$).

나. 모델 아키텍처 및 학습 (Model Architecture & Training)

• 기반 모델: DNABERT-2(1.17 억 파라미터, 12 레이어 트랜스포머) 를 기반으로 합니다.
• 지속적 사전 학습 (Continued Pre-training):
  • DNABERT-2 의 가중치를 초기화하고, 수집된 500 만 개의 바이러스 서열에 대해 지속적 사전 학습 (Domain-adaptive pre-training) 을 수행했습니다.
  • 목표: Masked Language Modeling (MLM) 을 통해 바이러스 게놈의 국소적 패턴 (코돈, 조절 서열) 과 장거리 의존성 (RNA 2 차 구조 등) 을 학습하도록 최적화했습니다.
• 파인튜닝 (Fine-tuning):
  • LoRA (Low-Rank Adaptation): 파라미터 효율성을 위해 LoRA 를 적용했습니다. 모든 어텐션 레이어의 Query 와 Value 행렬에 저랭크 분해 행렬을 주입하여, 각 태스크당 약 30 만 개의 추가 파라미터 (~0.26%) 만 학습시켰습니다.
  • 이를 통해 HViLM-Patho, HViLM-Tropism, HViLM-R0 세 가지 태스크별 모델을 생성했습니다.

다. 해석 가능성 분석 (Interpretability)

• 어텐션 메커니즘 분석: 병원성 바이러스 서열에서 높은 어텐션 점수를 보이는 영역을 추출하여 MEME-ChIP 을 통해 보존된 모티프 (Motif) 를 발견했습니다.
• 전사 인자 매핑: 발견된 바이러스 모티프를 JASPAR 데이터베이스의 척추동물 전사 인자 결합 부위와 비교하여 분자 모방 (Molecular Mimicry) 메커니즘을 규명했습니다.

3. 주요 기여 (Key Contributions)

1. 첫 번째 범용 바이러스 파운데이션 모델 (HViLM): 45 개 이상의 바이러스 과를 아우르는 대규모 바이러스 특이적 게놈 데이터로 사전 학습된 최초의 파운데이션 모델을 제시했습니다.
2. HVUE 벤치마크 도입: 병원성, 숙주 특이성, 전염성이라는 3 가지 역학적 중요성을 가진 태스크를 평가하기 위한 7 개의 정제된 데이터셋으로 구성된 최초의 체계적인 벤치마크를 공개했습니다.
3. 다중 태스크 예측 프레임워크: LoRA 를 통한 효율적인 파인튜닝으로 세 가지 태스크 모두에서 최첨단 (SOTA) 성능을 달성했습니다.
4. 기계적 해석 가능성: 모델이 단순히 통계적 상관관계가 아닌, 숙주 조절 요소 (전사 인자) 를 모방하는 생물학적으로 의미 있는 병원성 결정 인자를 학습했음을 규명했습니다.

4. 결과 (Results)

가. 예측 성능

HViLM 은 기존 게놈 파운데이션 모델 (Nucleotide Transformer, GENA-LM 등) 과 시퀀스 정렬 기반 베이스라인을 압도적으로 능가했습니다.

• 병원성 분류: 평균 정확도 95.32% (CINI 데이터셋에서 특히 우수).
• 숙주 특이성 예측: 평균 정확도 96.25% (30 개 바이러스 과에 걸쳐 일반화 능력 입증).
• 전염성 평가: 평균 정확도 97.36% (Coronaviridae, Orthomyxoviridae, Caliciviridae 모두에서 안정적 성능).

나. 해석 가능성 분석 결과

• 전사 인자 모방 (Transcription Factor Mimicry): HViLM 은 병원성 바이러스에서 숙주의 전사 인자 결합 부위를 모방하는 42 개의 보존된 모티프를 발견했습니다.
• 수렴 진화 (Convergent Evolution):
  • Irf1 (Interferon Regulatory Factor 1): 면역 회피를 위해 8 개의 독립적인 서열이 Irf1 결합 부위를 모방하도록 진화한 것을 확인했습니다. 이는 바이러스가 숙주의 인터페론 반응을 억제하기 위해 강력한 선택 압력을 받았음을 시사합니다.
  • Foxq1: 상피 조직 tropism (감염 부위) 과 관련된 Foxq1 결합 부위를 모방하는 모티프도 발견되었습니다.
• 이러한 발견은 바이러스가 숙주의 조절 기계를 장악하기 위해 조정된 다중 표적 전략을 사용함을 보여줍니다.

5. 의의 및 결론 (Significance & Conclusion)

• 팬데믹 대비: HViLM 은 새로운 바이러스 위협이 등장했을 때, 광범위한 재학습 없이도 신속하게 병원성, 전염성, 숙주 범위를 예측할 수 있는 강력한 도구를 제공합니다.
• 계산 효율성: LoRA 를 활용한 파라미터 효율적 학습으로, 기존 모델从头 (from scratch) 학습에 비해 30~50 배의 계산 자원을 절약하면서도 우수한 성능을 유지합니다.
• 치료 표적 발견: 모델의 해석 가능성 분석을 통해 바이러스가 숙주 면역을 회피하거나 감염을 촉진하는 분자 메커니즘 (예: Irf1 모방) 을 규명함으로써, 새로운 항바이러스 치료제 개발을 위한 표적을 제시합니다.
• 오픈 소스: HVUE 벤치마크 데이터셋, 학습 스크립트, 사전 학습된 모델 가중치 (Hugging Face) 를 공개하여 연구 커뮤니티의 발전을 도모합니다.

이 연구는 바이러스 유전체학 분야에서 파운데이션 모델이 단순한 분류기를 넘어, 바이러스의 병원성 메커니즘을 해석하고 공중보건 위기에 대응하는 핵심 도구로 자리 잡을 수 있음을 입증했습니다.