ViralMap: Predicting Features in Viral Proteins from Primary Sequence

이 논문은 ESM-2 언어 모델 표현을 활용하여 바이러스 단백질의 1 차 서열로부터 도메인 구조, 국소화, 번역 후 변형 등 10 가지 주석 클래스를 동시에 예측하는 다중 레이블 모델 'ViralMap'을 개발하여 백신 설계 및 항원 공학에 필요한 서열 기반 주석 프레임워크를 제공함을 보여줍니다.

핵심

이 논문은 **'ViralMap(바이럴맵)'**이라는 새로운 인공지능 도구를 소개합니다. 이 도구의 역할을 쉽게 이해하려면 **'바이러스의 설계도'**와 **'백신 공장의 설계사'**라는 비유를 들어보겠습니다.

1. 문제 상황: 낯선 바이러스가 나타났을 때

마치 새로운 종류의 괴물이 나타났다고 상상해 보세요. 우리는 이 괴물 (바이러스) 을 막기 위해 백신을 만들어야 합니다. 하지만 백신을 만들려면 먼저 이 괴물의 정확한 설계도를 알아야 합니다.

• 현재의 어려움: 과학자들은 바이러스의 유전자 (설계도) 를 해독하는 것은 빠르지만, 그 유전자가 만들어내는 **단백질 (괴물의 몸통)**이 어떤 특징을 가지고 있는지, 어디에 약점이 있는지, 어떤 장치가 있는지 하나하나 실험실에서 확인하는 데는 너무 많은 시간과 노력이 듭니다. 마치 낯선 기계의 부품 하나하나를 손으로 뜯어보며 기능을 파악하는 것과 같습니다.
• 기존 방법의 한계: 기존에는 각 부품 (기능) 마다 다른 전문가 (또는 다른 소프트웨어) 를 불러와야 했습니다. 신호를 찾는 전문가, 접착제를 찾는 전문가, 구조를 분석하는 전문가 등... 이들을 모두 합치려면 시간이 너무 걸리고, 서로 호환이 안 되어 고생이 많았습니다.

2. 해결책: ViralMap (바이럴맵)

이 연구팀이 만든 ViralMap은 바로 이 문제를 해결하는 **'만능 설계사'**입니다.

• 한 번에 모든 것을 파악: ViralMap 은 바이러스의 단백질 서열 (문자열) 만 입력하면, 마치 초능력을 가진 탐정처럼 한 번에 10 가지 이상의 중요한 정보를 찾아냅니다.
  • 위치: 이 단백질이 세포 안쪽인지, 바깥쪽인지, 막을 뚫고 있는지 (지도 그리기).
  • 수식: 당분 (당사슬) 이 붙어 있는지, 특정 가위로 잘리는지 (장식 확인).
  • 구조: 꼬여있는지, 흐트러진지 (건물의 뼈대 확인).
• 비유: 기존에는 낯선 건물을 보려면 '전기기사', '배관공', '건축기사'를 각각 불러와야 했지만, ViralMap 은 **한 명의 '슈퍼 건축기사'**가 와서 건물의 모든 구조, 배선, 배관을 한눈에 파악해 주는 것과 같습니다.

3. 어떻게 작동할까요? (ESM-2 와 학습)

ViralMap 은 ESM-2라는 거대하고 똑똑한 인공지능 언어 모델을 기반으로 합니다.

• 비유: ESM-2 는 수백만 권의 '바이러스 생물학 사전'을 읽은 천재 학생입니다. 이 학생은 바이러스 단백질의 '문장' (서열) 을 보면, 그 문장의 문법과 맥락을 통해 "아, 이 부분은 문장 끝부분이구나", "이 부분은 접착제가 붙는 자리구나"를 추론할 수 있습니다.
• 학습: 연구팀은 이 천재 학생에게 수천 개의 바이러스 단백질 데이터를 보여주며 "이건 당분이 붙는 자리야", "이건 잘리는 자리야"라고 가르쳤습니다. 특히, 잘못된 정보 (데이터가 부족한 경우) 를 걸러내고, 정확한 정보만 골라내는 필터링 기술을 개발하여 더욱 정교하게 만들었습니다.

4. 왜 이것이 중요할까요? (백신 개발의 속도)

이 도구의 가장 큰 장점은 속도와 정확성입니다.

• 100 일 미션: 전 세계는 새로운 바이러스가 등장했을 때 100 일 안에 백신을 개발하는 것을 목표로 합니다 (CEPI 100 일 미션).
• 효과: ViralMap 을 사용하면, 새로운 바이러스의 유전자가 해독되는 순간, 바로 그날 백신을 만들 수 있는 핵심 부품 (항원) 의 설계도를 얻을 수 있습니다.
  • 예: 코로나19 스파이크 단백질이나 HIV 바이러스의 표면을 분석했을 때, ViralMap 은 기존에 알려진 단백질의 특징을 그대로 찾아냈을 뿐만 아니라, 아직 본 적 없는 새로운 바이러스 가족에게도 잘 적용되는 것을 보여주었습니다.

5. 결론: 백신 공장의 가속기

요약하자면, ViralMap은 다음과 같은 역할을 합니다:

"새로운 바이러스가 등장하면, 과학자들이 실험실에서 몇 달씩 고생하며 단백질의 특징을 찾아낼 필요 없이, 컴퓨터에 입력하는 것만으로도 10 분 만에 백신을 만들 수 있는 '가장 중요한 부품'들의 위치와 특징을 알려주는 만능 나침반입니다."

이 도구는 앞으로 발생할지 모르는 '미지의 질병 (Disease X)'에 대비하여, 인류가 더 빠르고 안전하게 백신을 개발할 수 있도록 돕는 핵심 기술이 될 것입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 백신 개발의 필요성: 현대의 바이러스 백신은 감염을 매개하는 바이러스 단백질을 표적으로 하여 면역 반응을 유도하도록 설계됩니다. 백신의 효능을 높이기 위해서는 특정 아미노산 잔기나 도메인을 변형하여 면역원성을 높이고 보호 반응을 유도해야 합니다.
• 주요 병목 현상: 새로운 병원체 (예: Disease X) 에 대한 백신을 신속하게 개발하기 위해서는 (CEPI 의 100 일 미션 등), 새로 발견된 바이러스 게놈에서 추출된 단백질 서열을 기반으로 기능적 주석 (annotation) 프로필을 즉시 생성해야 합니다.
• 기존 방법의 한계:
  • 기존 도구들은 신호 펩타이드, 막관통 도메인, 당화 부위 등 특정 기능만 예측하도록 설계되어 있어, 포괄적인 주석을 얻기 위해 여러 도구를 조합해야 하는 번거로움이 있습니다.
  • 대부분의 일반 단백질 주석 도구는 숙주 단백질에 맞춰 훈련되어 있어, 급속한 진화로 인해 서열이 크게 다른 진핵세포 바이러스 (eukaryotic viral proteins) 에서는 성능이 떨어지거나 일반화되지 못합니다.
  • 바이러스 특이적 모델은 주로 박테리오파지에 집중되어 있어, 인간 건강에 중요한 진핵 바이러스의 특성 (예: N-연결 당화) 을 반영하지 못합니다.

2. 방법론 (Methodology)

저자들은 ViralMap이라는 새로운 다중 레이블 (multi-label) 주석 모델을 개발했습니다.

• 데이터 구축 (Data Curation):
  • UniProt 에서 400 만 개 이상의 진핵 바이러스 단백질을 수집했으나, 주석 품질이 낮아 맞춤형 정제 파이프라인을 적용했습니다.
  • 주석 점수 (≥4.0), 길이 (100~1,024 잔기), 파지 제거 필터 등을 적용한 후, MMseqs2 를 사용하여 시퀀스 유사도 (60%) 로 클러스터링했습니다.
  • 주석 인식 대표 선택 알고리즘: 각 클러스터 내에서 실험적 증거가 있는 고품질 주석을 우선시하면서도, 다양한 주석 클래스를 포괄할 수 있도록 대표 단백질을 선택하여 최종적으로 8,238 개의 단백질을 포함한 데이터셋을 구성했습니다.
• 모델 아키텍처:
  • 베이스 모델: 사전 훈련된 33 레이어, 6.5 억 파라미터의 ESM-2 단백질 언어 모델을 기반으로 합니다. 마지막 4 레이어만 미세 조정 (fine-tuning) 하고 나머지는 고정하여 일반화된 표현을 유지했습니다.
  • 분류 헤드: 각 잔기 (residue) 에 대해 10 개의 주석 클래스에 대한 확률을 출력하는 2 층의 완전 연결 신경망 (Fully Connected Neural Network) 을 사용합니다.
  • 후처리 모듈 (Post-processing):
    • 단일 잔기 클래스: N-당화, 퓨린 절단, 이황화 결합, 사슬 절단 부위는 검증 세트에서 최적화된 F2 임계값을 적용하여 이진 예측을 수행합니다.
    • 영역 클래스 (Topology, 구조적 특징): 신호 펩타이드, 막관통/세포질/세포외 도메인, 코일드 코일, 무질서 영역 등은 은닉 마르코프 모델 (HMM) 과 비터비 (Viterbi) 알고리즘을 사용하여 생물학적 제약 (예: 상호 배타성) 을 준수하면서 시작 및 종료 좌표를 생성합니다.
• 학습 전략: 클래스 불균형 (클래스 간 및 클래스 내) 을 해결하기 위해 가중치 부여 전략 (Effective number of samples framework 등) 을 적용한 이진 교차 엔트로피 손실 함수를 사용했습니다.

3. 주요 기여 (Key Contributions)

1. 통합 다중 레이블 예측: 단일 모델로 10 가지 주석 클래스 (막관통, 세포질, 세포외 도메인, 신호 펩타이드, N-당화, 퓨린 절단, 사슬 절단, 이황화 결합, 코일드 코일, 무질서 영역) 를 동시에 예측합니다.
2. 바이러스 특화 최적화: 진핵 바이러스 서열에 특화되어 훈련되어, 기존 일반 도구보다 바이러스 단백질에 대한 일반화 성능이 뛰어납니다.
3. 1 차 서열 기반 예측: 3 차원 구조 정보가 필요하지 않고 단백질 1 차 서열만으로 기능적 프로필을 생성하여, 새로운 바이러스 발견 시 즉시 적용 가능합니다.
4. 실용성: 복잡한 다중 도구 파이프라인을 단일 프레임워크로 대체하여 백신 설계 및 항원 공학에 필요한 정보를 신속하게 제공합니다.

4. 결과 (Results)

• 성능 평가: 10 개 클래스 중 7 개 클래스에서 PR-AUC (Precision-Recall Area Under the Curve) 0.75 이상을 달성했습니다.
• 벤치마크 비교: DeepTMHMM, NetNGlyc, ProP, DeepCoil, AIUPred 등 기존 전문 도구들과 비교했을 때, 대부분의 클래스에서 경쟁력 있거나 더 우수한 성능을 보였습니다.
  • N-당화: NetNGlyc 대비 정밀도 (0.648 vs 0.270) 와 재현율 (0.913 vs 0.827) 모두에서 우월했습니다. 이는 모델이 단순한 모티프 탐지가 아닌 문맥적 서열 특징을 학습했음을 시사합니다.
  • 무질서 영역 (IDR): AIUPred 는 재현율은 높았으나 정밀도가 낮았으나 (0.388), ViralMap 은 정밀도 (0.832) 와 재현율 (0.894) 의 균형을 잘 이루었습니다.
  • 막관통/위치: DeepTMHMM 과 유사한 성능을 보였으며, 신호 펩타이드 예측에서는 더 높은 성능을 기록했습니다.
• 케이스 스터디:
  • SARS-CoV-2 스파이크 단백질: 훈련 데이터에 포함되지 않은 새로운 바이러스 가족 (Coronaviridae) 에 대해 일반화 능력을 입증했습니다. 신호 펩타이드, 막관통 도메인, 퓨린 절단 부위 (S1/S2 및 S2'), 코일드 코일 (HR1, HR2), 22 개의 N-당화 부위, 30 개의 이황화 결합 시스테인을 정확하게 예측했습니다.
  • HIV-1 Env (gp160): gp120/gp41 절단 부위, 29 개의 당화 부위, 이황화 결합, 코일드 코일 도메인 등을 성공적으로 매핑했습니다.

5. 의의 및 결론 (Significance)

• 팬데믹 대응 가속화: CEPI 의 100 일 미션과 같이 새로운 병원체에 대한 백신을 신속하게 개발해야 하는 상황에서, ViralMap 은 게놈 시퀀싱에서 항원 공학까지의 시간을 단축하는 핵심 도구입니다.
• 표준화된 워크플로우 제공: 바이러스 단백질의 복잡한 기능적 특성을 분석하기 위해 여러 도구를 조합해야 했던 기존 방식을 대체하여, 연구자들에게 통합되고 확장 가능한 솔루션을 제공합니다.
• 향후 전망: 이 모델은 바이러스 단백질의 구조적, 기능적 특성을 이해하고, 이를 기반으로 면역 회피를 피하거나 안정성을 높이는 백신 설계 (예: 프리퓨전 형태 고정, 당화 부위 제거 등) 에 직접적인 통찰력을 제공합니다.

요약하자면, ViralMap은 단백질 언어 모델 (ESM-2) 을 기반으로 하여, 진핵 바이러스 단백질의 1 차 서열만으로 다양한 기능적 특징을 고도로 정확하게 예측할 수 있는 최초의 통합 도구로, 차세대 백신 개발 및 신종 감염병 대응에 중요한 기술적 도약입니다.