A foundation model enables prediction of natural product molecular properties, bioactivity, and structural similarity from biosynthetic gene cluster sequence

기술 요약: 천연물 게놈 마이닝을 위한 BGC-MLM

문제 정의
게놈 마이닝은 새로운 또는 바람직한 천연물을 생성할 가능성이 높은 생합성 유전자 클러스터(BGC)를 식별하기 위해 생물정보학적 분석을 활용하는 핵심적인 기술로 부상했습니다. 그러나 중요한 병목 현상이 존재합니다: 예측된 BGC의 수가 실험적 특성 규명 역량을 훨씬 초과한다는 점입니다. BGC 서열로부터 생성물의 특성을 직접 예측하기 위해 다양한 머신러닝 및 인공지능 모델이 개발되었으나, 이들의 효능은 라벨링된 학습 데이터의 부족으로 인해 제약을 받고 있습니다. 예측된 클러스터 중 극히 일부만이 실험적으로 특성이 규명되었으며, 이는 대다수의 데이터가 라벨링되지 않은 채 전통적인 지도 학습 방식에서 활용되지 못하고 있음을 의미합니다.

방법론
데이터 부족 문제를 해결하기 위해, 저자들은 라벨링되지 않은 예측 BGC 서열의 풍부함을 활용하도록 설계된 파운데이션 모델인 BGC-MLM을 소개합니다. 이 방법론은 2단계 학습 패러다임을 따릅니다:

1. 사전 학습(Pretraining): 모델은 라벨링되지 않은 예측 생합성 유전자 클러스터의 대규모 코퍼스를 대상으로 마스크 언어 모델링(MLM) 태스크를 통해 사전 학습됩니다. 이 단계에서 모델은 실험적 라벨 없이도 BGC의 기저에 깔린 구조적 및 서열적 패턴을 학습할 수 있습니다.
2. 미세 조정(Fine-tuning): 사전 학습 후, 모델은 특정 다운스트림 애플리케이션을 위해 제한된 라벨 데이터셋에서 미세 조정됩니다. 이러한 태스크에는 다음이 포함됩니다:
   • 생성물의 구조적 클래스 예측.
   • 생물 활성 예측.
   • 화학적 성질 추정.
   • 작용기 개수 산출.
   • 화학적 지문(fingerprint) 생성.

주요 기여
본 연구의 주요 기여는 천연물 연구를 위한 특화된 파운데이션 모델로서 BGC-MLM을 개발하고 검증한 것입니다. 논문은 라벨링되지 않은 BGC 데이터로 사전 학습하는 전략이 제한된 라벨 데이터가 있는 다운스트림 태스크로 지식을 효과적으로 전이함을 입증합니다. BGC를 마스크 언어 모델링에 적합한 언어와 유사한 서열로 취급함으로써, 저자들은 방대한 양의 게놈 예측치와 희소한 특성 규명 화학 데이터 사이의 간극을 메웁니다.

결과
비교 분석 결과, 사전 학습 전략은 사전 학습 없이 훈련된 모델에 비해 일반적으로 모델 성능을 향상시키는 것으로 나타났습니다. 구체적으로, BGC-MLM은 평가된 모든 다운스트림 태스크에서 기존의 특화된 방법들과 대등하거나 그보다 우수한 성능을 달s성했습니다. 이는 파운데이션 모델이 BGC 서열으로부터 유래된 천연물의 구조적, 화학적, 생물학적 특성을 예측하는 데 필요한 관련 특징들을 성공적으로 포착했음을 나타냅니다.

의의
본 논문은 BGC-MLM을 게놈 마이닝의 효용을 높이는 도구로 자리매김합니다. 예측된 생물 활성, 구조적 특성 및 신규성을 바탕으로 생합성 유전자 클러스터의 우선순위를 더 정확하게 결정할 수 있게 함으로써, 이 모델은 게놈 마이닝 과정을 더욱 효율적으로 만드는 것을 목표로 합니다. 본 연구는 이 분야에서 파운데이션 모델의 실행 가능성을 확립하며, 예측된 클러스터의 방대한 저장소를 활용한 사전 학습이 천연물 발견 과정에서의 데이터 제한 문제를 극복하기 위한 견고한 전략임을 시사합니다.