SSPSPredictor: A Sequence and Structure based Deep Learning Model for Predicting Phase-Separating Proteins

이 논문은 단백질 시퀀스 언어 모델 (ESM-2) 과 구조 기반 그래프 신경망 (GVP) 을 융합하여 접힌 구조와 본질적 무질서 구조를 가진 상분리 단백질 (PSPs) 을 정확하게 예측하고, 그 병리적 변이와의 연관성을 규명한 새로운 딥러닝 모델 'SSPSPredictor'를 제안합니다.

핵심

1. 배경: 세포 안의 '액체 방울' 파티

우리 세포 안에는 다양한 단백질들이 떠다닙니다. 어떤 단백질들은 서로 잘 어울려서 기름방울이 물에 뜬 것처럼 뭉쳐서 '액체 방울 (condensates)'을 만듭니다. 이를 **'액체-액체 상분리 (LLPS)'**라고 합니다.

• 비유: 세포는 거대한 파티장이고, 단백질들은 파티에 온 손님들입니다. 어떤 손님들 (단백질) 은 서로 손을 잡고 뭉쳐서 **'특별한 방 (무막 세포소기관)'**을 만듭니다. 이 방 안에서만 특정 일이 일어나죠.
• 문제점: 실험실에서 이 '뭉치는 손님들'을 하나하나 찾아내는 것은 매우 힘들고 시간이 오래 걸립니다. 그래서 과학자들은 컴퓨터 프로그램을 만들어서 누가 뭉칠지 미리 예측하려고 노력해 왔습니다.

2. 기존 도구의 한계: "머리만 생각한 요리사"

기존의 예측 프로그램들은 주로 단백질의 **아미노산 순서 (레시피)**만 보고 판단했습니다.

• 비유: 마치 **레시피 (문자)**만 보고 "이 요리는 맛이 있겠지"라고 예측하는 요리사 같습니다. 하지만 실제 요리는 **재료의 모양과 질감 (3 차원 구조)**도 중요합니다.
• 한계: 기존 프로그램은 주로 '무질서하게 흐느적거리는' 단백질 (IDP) 만 잘 예측했고, '단단하게 뭉친' 단백질 (Folded) 은 잘 못 알아냈습니다. 마치 레시피만 보고 요리하는 바람에, 모양이 중요한 요리들은 실패한 셈이죠.

3. SSPSPredictor 의 등장: "레시피와 모양을 모두 보는 천재 요리사"

이 논문에서 개발한 SSPSPredictor는 두 가지 정보를 동시에 활용합니다.

1. 레시피 정보 (ESM-2): 단백질의 아미노산 순서를 분석하는 최신 AI 언어 모델입니다.
2. 모양 정보 (GVP): 단백질이 3 차원 공간에서 어떻게 생겼는지 (구조) 를 분석하는 그래프 신경망입니다.

• 핵심 아이디어: "단백질이 뭉치려면 **무엇을 말하느냐 (순서)**도 중요하지만, **어떻게 생겼느냐 (구조)**도 중요하다!"는 것을 깨달았습니다.
• 작동 원리: 이 도구는 단백질의 '말 (순서)'과 '몸짓 (구조)'을 동시에 보고, "이 친구는 파티에서 뭉칠 확률이 높다!"라고 판단합니다. 특히, 병목 현상 없이 두 정보를 자연스럽게 섞는 (병렬 융합) 방식을 사용해서 가장 좋은 성능을 냈습니다.

4. 이 도구의 놀라운 능력

A. 숨겨진 '주인공' 찾기 (해석 가능성)

이 도구는 단순히 "뭉친다/안 뭉친다"만 말해주지 않습니다. **"어떤 부분 (아미노산) 이 뭉치는 데 핵심 역할을 했는지"**도 알려줍니다.

• 비유: 마치 파티에서 "누가 누구를 부추겨서 뭉치게 했는지"까지 지목해 주는 탐정 같습니다. 실험 데이터 없이도 학습 과정에서 스스로 핵심 부분을 찾아내는 능력이 탁월합니다.

B. 인간 게놈 전체 분석: "단단한 단백질도 뭉친다!"

이 도구로 인간에 있는 모든 단백질 (약 2 만 3 천 개) 을 분석했습니다.

• 발견 1: 그동안 '무질서하게 흐느적거리는' 단백질만 뭉친다고 생각했는데, 단단하게 뭉친 (Folded) 단백질 중에서도 약 10% 가 뭉치는 성향을 보였습니다.
• 발견 2: **질병을 일으키는 돌연변이 (Pathogenic variants)**는 특히 '흐느적거리는' 부분에서 뭉치는 성향이 강하게 나타났습니다.
• 의미: "단백질이 뭉치는 성질이 너무 강해지거나 약해지면 질병이 생긴다"는 새로운 연결 고리를 발견한 것입니다.

5. 결론: 왜 이것이 중요한가?

이 연구는 SSPSPredictor라는 웹사이트를 공개했습니다. 누구나 자신의 단백질 정보를 입력하면, 이 도구가 "이 단백질은 액체 방울을 만들까요? 어떤 부분이 핵심일까요?"를 알려줍니다.

• 요약: 이 도구는 레시피 (순서) 와 모양 (구조) 을 모두 보는 눈을 가졌습니다. 이를 통해 세포 내에서 일어나는 복잡한 '액체 방울' 현상을 더 잘 이해하고, 관련 질병의 원인을 찾아내는 데 큰 도움을 줄 것입니다.

한 줄 요약:

"단백질의 말 (순서) 과 몸 (구조) 을 모두 읽어, 세포 안에서 누가 뭉쳐서 '액체 방울'을 만들지, 그리고 그로 인해 어떤 질병이 생길지 미리 예측해주는 똑똑한 AI 지도입니다."

기술 요약

논문 요약: SSPSPredictor (액체 - 액체 상분리 단백질 예측을 위한 시퀀스 및 구조 기반 딥러닝 모델)

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 세포 내 생체 분자 액체 응집체 (Biomolecular liquid condensates, MLOs) 의 형성은 액체 - 액체 상분리 (LLPS) 를 통해 이루어지며, 이는 세포 내 다양한 생화학적 과정의 공간적 조직화에 필수적입니다. 이러한 응집체 형성을 주도하는 단백질을 **상분리 단백질 (PSPs)**이라고 합니다.
• 문제점:
  • PSPs 의 실험적 동정은 시간과 비용이 많이 소요됩니다.
  • 기존 계산 도구들은 주로 실험적 특징이나 통계적 enrichment 분석에 의존하거나, Word2Vec 기반의 시퀀스 특징만 활용했습니다.
  • 최근 ESM-2 와 같은 사전 훈련된 단백질 언어 모델 (PLM) 을 활용한 도구들이 등장했으나, 대부분 **본질적으로 무질서한 단백질 (IDPs)**에 초점을 맞추고 있어, 접힌 구조 (Folded domains) 를 가진 PSPs 를 예측하는 데 편향 (Bias) 이 있거나 성능이 제한적이었습니다.
  • 구조 정보를 활용한 기존 시도 (예: PSPire) 는 머신러닝 기반이었으며, 그래프 신경망 (GNN) 을 활용한 심층 학습 모델의 부재가 지적되었습니다.

2. 방법론 (Methodology)

저자들은 SSPSPredictor라는 새로운 다중 모달 (Multimodal) 예측 모델을 개발했습니다. 이 모델은 단백질의 시퀀스 정보와 3 차원 구조 정보를 통합하여 접힌 구조와 무질서 구조를 모두 가진 PSPs 를 예측합니다.

• 데이터 소스:

  • 양성 데이터: PhaSepDB v2 와 LLPSDB v2 에서 자가 조립이 가능한 PSPs 선별 (CD-HIT 로 중복 제거, 총 352 개 시퀀스).
  • 음성 데이터: AlphaFoldDB 의 인간 프로테옴에서 LLPSDB/PhaSepDB 에 포함되지 않은 시퀀스 선별 (양성 데이터의 약 5 배 규모).
  • 검증 데이터셋: 내인성 발현 PSPs (Test Set 1), 돌연변이 기반 LLPS 친화도 (Test Set 2), 실험적으로 검증된 구동 영역 (Test Set 3), ClinVar 병원성 변이 (Test Set 4) 등 다양한 외부 데이터셋을 구축하여 평가.

• 모델 아키텍처:

  • 시퀀스 인코딩: 사전 훈련된 단백질 언어 모델 ESM-2 (esm2_t33_650M_UR50D) 을 사용하여 각 잔기 (residue) 에 대한 1280 차원의 임베딩을 추출합니다. (참고로 SaProt 모델도 비교 실험에 사용됨).
  • 구조 인코딩: AlphaFold2 로 예측된 3 차원 구조를 입력으로 사용하여 두 가지 그래프 신경망 (GNN) 아키텍처를 적용했습니다.
    • GVP (Geometric Vector Perceptron): 스칼라 및 벡터 특징을 통합하며, SE(3) 등변성 (equivariance) 을 보장하여 3D 회전/이동에 불변한 특징 표현을 제공합니다.
    • SPIN-CGNN: 고정된 백본 구조 설계 성능을 향상시킨 모델로, 접촉 지도 기반 그래프 구성과 2 차 에지 업데이트 전략을 사용합니다.
  • 융합 전략 (Fusion Strategies): 시퀀스 (ESM-2) 와 구조 (GNN) 정보를 병렬 (Parallel, _p) 또는 순차 (Sequential, _s) 방식으로 통합하는 6 가지 모델 변형을 구축했습니다.
  • 해석 가능성 (Interpretability): Attention Pooling 레이어를 도입하여 각 잔기의 중요도 점수를 산출하도록 설계했습니다. 이는 훈련 시 잔기 수준의 레이블이 없었음에도 불구하고, 모델이 LLPS 를 주도하는 핵심 영역을 스스로 학습했음을 보여줍니다.

• 학습 및 평가:

  • 5 개의 하위 모델 (Cross-training) 을 생성하여 앙상블 (평균 또는 다수결) 방식으로 최종 예측을 수행했습니다.
  • 이진 분류 (PSP/비-PSP) 를 회귀 문제 (LLPS 친화도 점수 예측) 로 변환하여 학습했습니다.
  • AUROC, AUPRC, F1-score, 정확도, 그리고 돌연변이 실험 데이터와의 상관관계 (Spearman correlation) 등을 지표로 사용했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

• 최적 모델 선정 (SSPSPredictor):

  • 다양한 아키텍처 비교 결과, **ESM-2 와 GVP 를 병렬로 융합한 모델 (ESM_GVP_p)**이 가장 우수한 성능을 보였습니다.
  • 이 모델을 SSPSPredictor로 명명하여 최종 도구로 채택했습니다.
  • SaProt(구조 토큰 포함) 이나 ESM-2 만 사용한 모델보다 구조 정보를 통합한 GVP 기반 모델이 전반적으로 성능이 뛰어났습니다.

• 성능 평가:

  • PSP 식별: 기존 도구들 (DeePhase, PSPredictor, FuzDrop 등) 과 비교하여 Test Set 0 에서 가장 높은 AUROC 를 기록했습니다. 특히 내인성 발현 PSPs (Test Set 1) 를 식별하는 능력에서도 경쟁력 있는 성능을 보였습니다.
  • LLPS 친화도 예측: hnRNPA1 의 다양한 돌연변이에 대한 포화 농도 실험 데이터 (Test Set 2) 와의 상관관계 분석에서, SSPSPredictor 는 실험적 경향을 가장 잘 반영했습니다 (낮은 포화 농도 = 높은 LLPS 친화도).
  • 핵심 영역 식별 (해석 가능성): Test Set 3 (실험적으로 검증된 구동 영역) 에서 잔기 수준의 중요도 점수를 분석한 결과, SSPSPredictor 는 실험적 구동 영역을 가장 정확하게 식별했습니다. 이는 모델이 훈련 시 레이블 없이도 LLPS 를 주도하는 시퀀스/구조적 특징을 학습했음을 의미합니다.
    • 예시: Tau 단백질의 구동 영역 (244-368) 을 FuzDrop 은 예측하지 못했으나, SSPSPredictor 와 PSPire 는 정확히 예측했습니다. 반대로 TDP-43 의 C 말단 영역에서는 FuzDrop 과 SSPSPredictor 가 예측했으나 PSPire 는 예측하지 못했습니다.

• 인간 프로테옴 분석 및 생물학적 통찰:

  • IDR 과 접힌 구조의 역할: 인간 프로테옴 (23,391 개 단백질) 분석 결과, **IDR 을 포함하는 단백질의 약 35%**가 LLPS 를 일으키는 것으로 예측된 반면, **접힌 구조 (Folded) 만 가진 단백질의 약 10%**도 LLPS 친화도를 보였습니다. 이는 LLPS 가 무질서 영역뿐만 아니라 접힌 구조에 의해서도 일어날 수 있음을 시사합니다.
  • 질병과의 연관성: ClinVar 데이터 (병원성 vs 비병원성 변이) 분석 결과, 병원성 변이는 LLPS 친화도가 높은 잔기, 특히 무질서 영역 (IDRs) 내에 유의미하게 집중되어 있었습니다. 이는 LLPS 조절 이상과 질병 발병 간의 강한 연관성을 amino acid 수준에서 규명했습니다.

• 웹 서버 구축:

  • 사용자를 위한 온라인 웹 서버 (http://bio-comp.ucas.ac.cn/SSPSPredictor/) 를 구축하여 UniProt ID 또는 시퀀스 입력을 통해 이진 분류, 점수, 그리고 핵심 구동 잔기 시각화를 제공합니다. 구조 예측 속도를 높이기 위해 ColabFold 를 활용했습니다.

4. 의의 및 결론 (Significance)

• 기술적 혁신: 단백질 언어 모델 (ESM-2) 과 기하학적 그래프 신경망 (GVP) 을 성공적으로 융합하여, 접힌 구조와 무질서 구조를 모두 포괄하는 PSPs 예측의 새로운 표준을 제시했습니다.
• 해석 가능성: Attention 메커니즘을 통해 '왜' 특정 단백질이 PSP 로 분류되는지, 그리고 '어떤' 잔기가 LLPS 를 주도하는지에 대한 생물학적 통찰력을 제공합니다.
• 생물학적 발견:
  1. LLPS 는 무질서 영역에 국한되지 않으며, 접힌 구조 단백질에서도 중요한 역할을 함을 규명했습니다.
  2. 병원성 돌연변이가 LLPS 구동 영역 (특히 무질서 영역) 에 집중되어 있음을 발견함으로써, LLPS 조절 장애가 질병 메커니즘에 어떻게 관여하는지에 대한 새로운 관점을 제시했습니다.
• 미래 전망: 이 도구는 생물학적 상분리 연구의 심화를 돕고, 향후 합성 PSP 설계 및 단백질 - 단백질 응집체 예측 등으로 확장될 수 있는 기반을 마련했습니다.

---

결론적으로, SSPSPredictor 는 시퀀스와 구조 정보를 통합한 심층 학습 모델을 통해 기존 도구들의 한계를 극복하고, PSP 예측의 정확도와 해석 가능성을 동시에 향상시킨 획기적인 연구입니다.