Protein solubility depends on centrifugation: Aiki-Sol, a per-regime predictor for E. coli

이 논문은 원심분리 조건을 노이즈가 아닌 핵심 특징으로 명시적으로 고려함으로써 기존 모델의 성능 정체 문제를 극복하고, 새로 공개된 엄격성 주석이 달린 대장균 데이터셋에서 유의미한 정확도 향상을 달성한 단백질 용해도 예측 도구인 Aiki-Sol 을 소개합니다.

핵심

어떤 특정 단백질 (생명의 작은 구성 요소) 이 대장균 (E. coli) 내부에서 생성될 때 물에 잘 녹는지, 아니면 고체 덩어리로 뭉쳐버리는지 컴퓨터에게 예측하도록 가르친다고 상상해 보세요. 지난 8 년 동안 과학자들은 이러한 예측을 위해 첨단 인공지능 (AI) 을 사용해 왔지만, 벽에 부딪혔습니다. 컴퓨터가 얼마나 똑똑해지든 성능은 나아지지 않았습니다.

숨겨진 문제: "원심분리"의 혼란
이 논문은 컴퓨터가 지능이 부족해서 실패한 것이 아니라, **원심분리 (centrifugation)**라는 숨겨진 변수에 속아서 실패했다고 주장합니다.

단백질을 만드는 것을 과일이 들어 있는 스무디를 만드는 것과 같다고 생각해 보세요.

• 스무디를 믹서기에 넣고 천천히 돌리면, 큰 과육 조각들은 바닥에 가라앉고 위의 액체는 맑게 보입니다. 이를 "용해됨 (soluble)"이라고 부릅니다.
• 매우 빠르게 돌리면, 아주 작은 조각들까지도 바닥으로 밀려 내려가 거의 액체가 남지 않습니다. 이를 "불용해 (insoluble)"라고 부를 수 있습니다.

단백질 자체는 변하지 않았습니다. 같은 스무디입니다. 하지만 액체와 고체를 분리하는 방법 (즉, "원심분리 조건") 이 결과값을 바꿉니다.

수년 동안 과학자들은 "회전 속도"가 숨겨진 데이터를 AI 모델에 공급해 왔습니다. 그들은 모든 것을 단순히 "용해됨" 또는 "불용해"로만 라벨링했습니다. 마치 학생에게 날씨를 예측하도록 가르치되, 어떤 데이터는 햇살 가득한 해변에서, 어떤 데이터는 비 오는 산에서 나왔는지 숨기는 것과 같습니다. 학생은 규칙이 무작위로 변하는 것처럼 느껴져 혼란에 빠집니다. 이 논문은 이를 데이터 속의 숨겨진 함정인 "잠재적 교란 (latent confound)"이라고 부릅니다.

해결책: Aiki-Sol 과 새로운 데이터셋
연구자들은 Aiki-Sol 데이터셋이라는 거대한 새로운 데이터 라이브러리를 만들어 이를 해결했습니다. 단순히 "용해됨" 또는 "불용해"라고 말하는 대신, 모든 단백질을 회전시킨 강도 ("엄격도") 에 따라 정확히 태그했습니다.

이를 세 단계로 구성했습니다:

1. 벤치마크: 회전 속도가 알려진 약 85,000 개의 단백질로 구성된 엄격하고 고품질의 데이터셋.
2. 확장: 기본 라벨만 있는 약 147,000 개의 단백질로 구성된 더 큰 데이터셋.
3. 연구 풀: 다양한 출처에서 온 약 229,000 개의 단백질로 구성된 거대한 컬렉션.

결과: 뇌가 아닌 규칙의 문제
이들 연구진이 새로운 정직한 데이터로 기존 AI 모델들을 테스트했을 때, 결과는 충격적이었습니다. "고속 회전" 그룹에서 기존 최고의 모델들은 실제로 무작위 추측 (동전 던지기) 보다 더 나쁜 성능을 보였습니다. 숨겨진 회전 속도에 너무 혼란스러워 옳은 것보다 틀리는 경우가 더 많았던 것입니다.

그런 다음, 연구진은 Aiki-Sol이라는 새로운 모델을 구축했습니다.

• 비법: Aiki-Sol 은 하나의 답만 추측하는 대신, 단백질을 얼마나 강하게 회전시켰는지에 따라 다섯 가지 다른 답을 내놓도록 훈련되었으며, 회전 속도를 모르는 경우를 위한 하나의 답도 포함합니다.
• 놀라운 사실: AI 를 "더 크게" 만드는 것 (더 많은 지능을 추가하거나 복잡한 3 차원 구조를 사용하는 것) 은 도움이 되지 않았습니다. 마법은 아키텍처에 있는 것이 아니라 **큐레이션 (curation)**에 있었습니다. AI 에게 "회전 속도" 규칙에 주의를 기울이도록 가르치자, 표준 크기의 모델이 갑자기 훨씬 더 똑똑해졌습니다.

결과
AI 가 한 번도 보지 못한 새로운 단백질 그룹에서 테스트했을 때, Aiki-Sol 의 성공률은 약 70% 에서 82% 이상으로 급등했습니다. 더욱 놀라운 것은, AI 가 특정 단백질에 대해 전혀 사전 지식이 없는 그룹에서도 여전히 큰 폭으로 개선되었다는 점입니다.

한 줄 요약
이 논문은 수년 동안 단백질 용해도 예측 모델들이 실험실에서 사용된 "회전 속도"를 무시했기 때문에 정체되었다고 주장합니다. 서로 다른 실험실 조건을 존중하는 새로운 데이터셋을 만들고, AI 에게 이를 기반으로 예측을 적응하도록 가르침으로써 성능의 정체기를 깨뜨렸습니다. 핵심은 더 크고 복잡한 뇌를 만드는 것이 아니라, 기존 뇌에 게임의 특정 규칙을 이해하도록 가르치는 데 있었습니다.

기술 요약

기술 요약: 단백질 용해도는 원심분리 조건에 의존함: 대장균을 위한 조건별 예측 모델 Aiki-Sol

문제 제기

대장균 (Escherichia coli) 에서의 재조합 단백질 용해도를 예측하는 서열 기반 예측 모델들은 성능 정체기에 도달했습니다. 8 년간의 단백질 언어 모델 (PLM) 개발 기간 동안 독립 테스트 AUC 점수가 0.760 에서 0.80 사이에서 정체되어 왔습니다. 저자들은 이러한 정체기를 유발하는 잠재적 교란 변수를 규명했습니다. 즉, 용해성 분획과 불용성 분획을 분리하는 데 사용된 원심분리 조건이 단일 이진 "용해성" 레이블로 축소된 숨겨진 변수라는 것입니다. 단백질의 생화학은 일정하게 유지되더라도, "용해성"으로 회수된 용해액의 특정 분획은 원심분리 강도 (예: g-force) 에 따라 크게 달라집니다. 기존 예측 모델들은 이러한 다양한 조건을 예측 특징이 아닌 레이블 노이즈로 취급하며, 훈련 세트와 테스트 세트 간의 서열 중복은 특히 훈련 중에는 보지 못한 조건에 모델을 적용할 때 발생하는 실패 모드를 가립니다.

방법론

이를 해결하기 위해 저자들은 Aiki-Sol 데이터셋을 소개했습니다. 이는 대장균 용해도 데이터의 계층적 코퍼스입니다:

• 벤치마크 티어: 명시적인 강도 주석이 달린 약 85K 규모의 데이터셋.
• 확장 티어: 이진 레이블만 있는 단백질을 추가한 Apache 라이선스 약 147K 규모의 데이터셋.
• 연구 티어: 비상업적 라이선스 출처를 통합한 약 229K 규모의 풀.

저자들은 특정 원심분리 강도에 해당하는 5 가지 다른 출력과 함께, 강도를 알 수 없는 단백질을 위한 주변 출력 (marginal output) 을 공동으로 감독하는 Aiki-Sol 모델을 개발했습니다. 이 아키텍처는 미세 조정된 ESM-2 650M 백본을 활용합니다.

주요 실험 설계 선택 사항은 다음과 같습니다:

• 분할: 데이터 누출을 방지하기 위해 서열 클러스터가 겹치지 않는 분할에서 평가를 수행했습니다.
• 어블레이션 연구: 저자들은 구조 인식 예측 모델 (ESMFold 구조 사용) 이나 모델 용량 증가 (3B 파라미터로 확장) 가 서열 기반만 사용하는 조건부 650M 백본보다 성능을 향상시켰는지 테스트했습니다.
• 베이스라인 비교: 이 모델은 가장 강력한 공개된 이진 비교 모델들과 비교되었습니다.

주요 결과

• 고강도 조건에서 이진 모델의 실패: 벤치마크의 32,000 x g 층에서 가장 강력한 공개된 이진 비교 모델은 우연 수준 이하의 성능 (AUC 0.491 ± 0.020) 을 보였으며, 이는 혼합 데이터로 훈련되었을 때 고강도 조건으로 일반화하는 근본적인 불가능성을 나타냅니다.
• 성능 향상: 5 가지 프로토콜 일치 출력을 가진 미세 조정된 ESM-2 650M 백본은 통합 AUC 를 +0.108 증가시켰습니다 (쌍별 부트스트랩 CI 하한선 ≥ +0.090).
• 아키텍처 대 큐레이션: 성능 향상은 아키텍처의 복잡성이 아닌 데이터 큐레이션과 조건부 처리에 기인했습니다. ESMFold 구조를 사용한 구조 인식 예측 모델은 서열 기반 프레임보다 성능이 우수하지 않았으며, 파라미터를 3B 로 확장해도 조건부 650M 백본의 성능을 초과하지 못했습니다.
• 외부 검증: 5 개의 외부 코호트에서 Aiki-Sol 은 코호트 평균 AUC 를 0.69–0.70 의 베이스라인에서 0.825 로 끌어올렸습니다. 특히 훈련 풀과 측정 가능한 중복이 전혀 없는 3 개 코호트에서 모델은 +0.10 에서 +0.16 의 향상을 달성했습니다.

의의

이 논문은 단백질 용해도 예측의 정체기가 서열 모델링 용량의 한계가 아니라, 훈련 레이블에서 실험적 맥락 (원심분리 조건) 을 무시한 결과라고 주장합니다. 용해도가 원심분리 강도에 의존하는 관계를 명시적으로 모델링함으로써 Aiki-Sol 은 이전 이진 분류기들의 실패 모드를 해결합니다. 이 연구는 이 분야에서 정확한 예측을 위해서는 실험 프로토콜을 노이즈가 아닌 주요 특징으로 취급해야 함을 보여주며, 훈련 세트와 서열 중복이 전혀 없는 데이터에서도 견고한 성능을 가능하게 합니다.