Unsupervised Machine Learning for Adaptive Immune Receptors with immuneML

이 논문은 적응성 면역 수용체 (AIRR) 데이터의 라벨 부족 문제를 해결하고 모델의 견고성을 평가할 수 있는 통합 프레임워크를 제공하기 위해, 군집화, 생성 모델링, 단백질 언어 모델 통합 등을 포함한 비지도 기계학습 기능을 강화한 immuneML 의 새로운 버전을 소개하고 그 유효성을 다양한 사례를 통해 입증합니다.

핵심

🛡️ 1. 배경: 면역 시스템이라는 거대한 도서관

우리 몸에는 B 세포와 T 세포라는 '수비대'들이 있습니다. 이 수비대들은 바이러스나 세균 같은 적을 찾아내기 위해 **수십억 개의 서로 다른 열쇠 (항체/수용체)**를 만들어냅니다. 이 열쇠들의 집합을 **'면역 레퍼토리'**라고 부릅니다.

지금까지 과학자들은 이 열쇠들을 분석할 때, "이 열쇠는 A 병을 잡는다"라는 **정답 (라벨)**이 있는 경우에만 공부했습니다. 하지만 실제 데이터의 99% 는 정답이 없거나, 정답이 불완전한 상태입니다. 마치 책장에는 책이 꽂혀 있는데, 책등에 제목이 적혀 있지 않은 도서관과 같습니다.

🧭 2. 문제: 정답이 없는데 어떻게 공부할까?

이런 '정답 없는 도서관'에서 숨겨진 패턴을 찾거나, 새로운 열쇠를 만들어내려면 **지도 없는 학습 (Unsupervised Learning)**이 필요합니다. 하지만 기존에는 이 작업을 할 수 있는 통일된 도구가 없어서, 연구자들이 각자 다른 방법을 쓰다 보니 결과가 일관되지 않고 신뢰하기 어려웠습니다.

🚀 3. 해결책: immuneML 의 새로운 업그레이드

연구팀은 immuneML이라는 소프트웨어를 업그레이드하여, 이 '정답 없는 도서관'을 탐험할 수 있는 만능 나침반을 만들었습니다. 이 도구는 크게 세 가지 능력을 새로 얻었습니다.

① 🎨 "상상력"을 가진 생성 모델 (Generative Models)

• 비유: 기존에 있던 열쇠들의 패턴을 분석해서, 새로운 열쇠를 직접 디자인하는 기능입니다.
• 용도: "특정 바이러스를 잡는 열쇠가 어떤 모양일까?"라고 상상해 보고, 실제로 그 모양의 열쇠를 만들어 실험해 볼 수 있습니다. 논문에서는 이 모델들이 얼마나 잘 새로운 열쇠를 만들어내는지, 기존 것을 단순히 복사한 건지 확인했습니다.

② 🔍 "비슷한 것끼리 묶기" (Clustering)

• 비유: 제목이 없는 책들을 내용이나 주제별로 묶어서 분류하는 기능입니다.
• 용도: "이 열쇠들은 공통적으로 어떤 병과 관련이 있을까?"라고 그룹을 지어봅니다. 중요한 점은, 단순히 묶는 게 아니라 "이 그룹이 진짜 의미 있는 그룹일까?"를 여러 번 테스트하여 검증한다는 것입니다. (예: 같은 데이터를 반으로 나누어 다시 묶어봐도 같은 그룹이 나오는지 확인)

⑥ 🕵️ "숨겨진 방해꾼 찾기" (Confounder Analysis)

• 비유: 책들을 분류할 때, 책의 내용 때문이 아니라 책의 종이 질감이나 출판사 로고 때문에 묶여버린 건 아닌지 확인하는 기능입니다.
• 용도: 실험 데이터에서 "병의 유무"가 아니라 "실험을 한 실험실 (Batch)"이나 "날씨" 때문에 데이터가 뭉쳐진 건 아닌지 찾아냅니다. 만약 실험실 차이 때문에 결과가 왜곡되었다면, 그걸 미리 잡아내어 잘못된 결론을 내는 것을 막아줍니다.

---

📊 4. 실제 테스트 (세 가지 사례)

연구팀은 이 도구를 세 가지 상황에서 시험해 보았습니다.

1. 가짜 데이터로 모델 테스트:

   • 컴퓨터로 만든 가짜 열쇠 데이터에 "이건 A 바이러스용"이라는 정답을 숨겨두고, 생성 모델들이 그 정답을 찾아내서 새로운 열쇠를 만들 수 있는지 확인했습니다. (LSTM 모델이 가장 잘 따라 했지만, VAE 모델이 더 창의적인 새로운 열쇠를 만들어냈습니다.)

2. 실제 데이터로 그룹 나누기:

   • 실제 환자 데이터 (IEDB) 를 가져와서, "어떤 열쇠들이 같은 바이러스를 잡을까?"를 그룹화했습니다. 기존 방법보다 훨씬 안정적으로, 생물학적으로 의미 있는 그룹을 찾아냈습니다.

3. 데이터의 '오염' 찾기:

   • 염증성 장질환 환자 데이터를 분석했을 때, "병의 종류" 때문이 아니라 "실험을 한 실험실 (Batch)" 때문에 데이터가 뭉쳐져 있는 위험 신호를 찾아냈습니다. 이 도구가 없었다면, 잘못된 결론 (병의 종류가 아니라 실험실 차이 때문이라고 생각) 을 내렸을 수도 있었습니다.

---

💡 5. 결론: 왜 이것이 중요한가요?

이 논문은 immuneML을 통해 면역학 연구에 표준화된 나침반을 제공했습니다.

• 이전: 연구자들이 각자 다른 지도를 들고 험한 산을 오르다 길을 잃거나, 같은 산을 다른 길로 올라 서로 다른 결론을 내림.
• 이제: 모두가 같은 **정교한 나침반 (immuneML)**을 들고, 안정성 검증을 거치며, **숨겨진 함정 (편향)**을 피하면서 면역 시스템의 비밀을 탐험할 수 있게 되었습니다.

이 도구는 앞으로 새로운 백신 개발, 질병 진단, 개인 맞춤형 치료를 위해 면역 데이터를 더 정확하고 신뢰할 수 있게 분석하는 데 큰 역할을 할 것입니다.

기술 요약

1. 문제 정의 (Problem)

• 데이터의 복잡성과 레이블 부족: 적응형 면역 수용체 레퍼토리 (AIRR) 데이터는 항원 인식, V(D)J 재조합, 교차 반응성 등 다양한 생물학적 요인과 기술적 요인이 복합적으로 작용합니다. 또한, 공개된 데이터베이스의 대부분은 부분적으로만 레이블이 지정되거나 (레퍼토리 수준), 레이블이 불완전한 경우가 많아 지도 학습의 적용에 한계가 있습니다.
• 비지도 학습 프레임워크의 부재: AIRR 분야에서 모티프 발견, 생물학적으로 의미 있는 클러스터링, 새로운 수용체 시퀀스 생성 등을 위한 통합된 비지도 학습 프레임워크가 부재했습니다. 이로 인해 모델의 견고성 (robustness) 과 일반화 능력 (generalizability) 을 평가하기가 어려웠습니다.
• 평가의 어려움: 클러스터링 결과의 검증이나 생성 모델의 평가에 대한 표준화된 지표와 프로세스가 부족하여, 단일 데이터셋에 의존하거나 오해의 소지가 있는 지표를 사용하는 경우가 많았습니다.

2. 방법론 (Methodology)

논문은 immuneML 플랫폼을 확장하여 다음과 같은 비지도 학습 기능들을 통합했습니다:

• 통합 클러스터링 워크플로우:
  • 모델 선택 (Model Selection): 발견 (Discovery) 데이터셋을 사용하여 다양한 인코딩, 차원 축소 방법, 클러스터링 알고리즘 및 하이퍼파라미터 조합을 평가합니다.
  • 안정성 평가 (Stability Assessment): Lange 등 (2002) 의 방법을 기반으로 데이터를 여러 번 분할하여 클러스터링의 일관성을 측정합니다 (조정된 랜덤 지수, Adjusted Rand Index 사용).
  • 검증 (Validation): Ullmann 등 (2024) 이 제안한 프레임워크를 적용하여, 발견 데이터셋에서 학습된 클러스터링을 검증 (Validation) 데이터셋에 적용하는 방법 기반 (Method-based) 및 결과 기반 (Result-based) 검증을 수행합니다.
• 생성 모델링 (Generative Modeling):
  • SoNNia, LSTM, VAE, ProGen2 등 다양한 생성 모델을 통합하여 항원 특이적 시퀀스를 생성하거나 새로운 수용체를 설계할 수 있는 워크플로우를 제공합니다.
  • 생성된 시퀀스와 원본 시퀀스를 비교하는 해석 가능한 시각화 및 통계 보고 도구를 포함합니다.
• 임베딩 및 차원 축소:
  • 단백질 언어 모델 (PLM) 기반 임베딩 (ProtT5, TCR-BERT, ESM3 등) 을 기존 워드2벡 (Word2Vec) 방식에 추가 통합했습니다.
  • PCA, t-SNE, UMAP 등의 차원 축소 기법을 지원하여 데이터의 구조를 시각화하고 탐색적 분석을 가능하게 합니다.
• 데이터 시뮬레이션:
  • LIgO 도구를 통합하여 알려진 지상 진실 (Ground Truth) 신호를 가진 AIRR 데이터를 생성하여 모델 벤치마킹에 활용할 수 있게 했습니다.

3. 주요 기여 (Key Contributions)

1. 비지도 학습을 위한 최초의 통합 프레임워크: AIRR 분석을 위한 비지도 학습 (클러스터링, 생성, 임베딩) 을 하나의 플랫폼에서 체계적으로 수행하고 평가할 수 있는 환경을 제공합니다.
2. 강력한 검증 및 평가 체계: 단순한 클러스터링 수행을 넘어, 안정성 분석, 내부/외부 검증 지수, 분리된 검증 데이터셋을 활용한 엄격한 평가 프로세스를 도입했습니다.
3. 생성 모델의 해석 가능성 향상: 생성된 시퀀스의 생물학적 특성 (특이성, 신규성) 을 정량화하고 시각화하는 도구를 제공하여, 생성 모델의 신뢰성을 높였습니다.
4. 개방형 및 확장성: 오픈 소스 (Python, PyPI, GitHub) 로 제공되며, 새로운 모델이나 인코딩 방식의 통합이 용이하도록 설계되었습니다.

4. 결과 (Results)

논문의 세 가지 사용 사례 (Use Cases) 를 통해 플랫폼의 유효성을 입증했습니다:

• 사용 사례 1: 생성 모델 벤치마킹
  • LIgO 로 생성된 지상 진실 신호가 있는 합성 데이터셋을 사용하여 LSTM, VAE, PWM 모델을 평가했습니다.
  • 결과: LSTM 은 높은 비율의 신호 특이적 시퀀스를 생성했으나 기존 데이터를 많이 암기 (Memorization) 했습니다. 반면 VAE 는 더 많은 신규 (Novel) 시퀀스를 생성하면서도 신호 특이성을 유지했습니다. 생성된 시퀀스의 분포를 시각화하여 모델별 차이를 명확히 구분했습니다.
• 사용 사례 2: 실험적 TCR 데이터의 클러스터링
  • IEDB 데이터셋과 합성 데이터셋을 사용하여 클러스터링 접근법을 평가했습니다.
  • 결과: tcrdist 기반 인코딩과 계층적 클러스터링 (Hierarchical Clustering) 이 에피토프 특이성과 MHC 정보를 가장 잘 포착했습니다. 반면, PLM 기반 임베딩은 높은 안정성을 보였습니다. 분리된 검증 데이터셋에서도 일관된 성능을 보여 모델의 일반화 능력을 입증했습니다.
• 사용 사례 3: 실험적 AIRR 데이터의 교란 변수 (Confounder) 분석
  • 염증성 장질환 (IBD) 환자의 BCR 데이터를 분석하여 시퀀싱 배치 (Batch) 효과가 레퍼토리 유사성에 미치는 영향을 조사했습니다.
  • 결과: 일부 배치는 특정 진단 상태와 겹치지만, 클러스터링 안정성 분석 결과 클러스터링이 배치 효과에 의해 주도되지 않는다는 것을 확인했습니다. 이는 배치 보정이 필요할 수 있으나, 전체 데이터셋에 대한 분석이 유의미함을 시사합니다.

5. 의의 및 중요성 (Significance)

• 표준화 및 재현성: AIRR 연구 분야에서 비지도 학습 분석의 표준을 제시하여, 연구 간 비교와 재현성을 크게 향상시킵니다.
• 편향 탐지 및 가설 생성: 레이블이 없는 데이터에서도 생물학적으로 의미 있는 패턴을 발견하고, 배치 효과와 같은 교란 변수를 사전에 탐지하여 후속 지도 학습 분석의 신뢰도를 높입니다.
• 생성 모델의 실용화: 생성된 면역 수용체 시퀀스의 품질을 정량적으로 평가할 수 있게 함으로써, 백신 개발이나 치료제 설계 등 실제 응용 분야에서의 활용도를 높입니다.
• 커뮤니티 기여: 통합된 워크플로우와 확장 가능한 아키텍처를 통해 연구자들이 다양한 알고리즘과 데이터를 쉽게 통합하고 공유할 수 있는 기반을 마련했습니다.

요약하자면, 이 논문은 면역학 및 생정보학 분야에서 비지도 학습의 체계적인 적용을 가능하게 하는 강력한 도구인 immuneML의 새로운 기능을 제시하며, 데이터의 복잡성을 극복하고 생물학적 통찰력을 얻는 데 중요한 기여를 하고 있습니다.