💻 bioinformatics

An interpretable peptide-HLA model emergently learns binding energetics and structure

본 논문은 소프트 모티프 상호작용을 집계함으로써 펩타이드-HLA 결합을 정확하게 예측하고, 서열 데이터만으로부터 결합 에너지학 및 구조적 특징을 창발적으로 학습하며 최첨단 성능을 달성하는 해석 가능한 딥러닝 모델인 LAMINA를 소개한다.

원저자: Chen, S. F., Steele, R. J., Oermann, E. K.

게시일 2026-09-14

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Chen, S. F., Steele, R. J., Oermann, E. K.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

인체의 모든 세포 내부에서는 끊임없는 보안 점검이 진행되고 있습니다. 펩타이드라고 불리는 아주 작은 단백질 조각들은 끊임없이 잘려 나가 세포 표면에 신분증처럼 제시됩니다. 이 카드들은 인간 백혈구 항원(HLA)이라고 알려진 특수한 분자들에 의해 붙잡혀 있습니다. 면역 체계의 파수꾼인 T세포는 이 카드들을 스캔하여 세포가 건강한지, 아니면 바이러스에 감염되었거나 암세별로 변했는지를 결정합니다. 만약 T세포가 펩타이드를 외부 물질로 인식하면 공격을 개시합니다. 이 과정은 신체가 질병과 싸우는 방식의 기초이기 때문에, 과학자들은 정확히 어떤 펩타이드가 어떤 HLA 분자에 결합할지를 예측하기 위해 수십 년을 보냈습니다. 이 예측은 새로운 백신을 설계하고, 암 표적을 찾아내며, 왜 어떤 사람들이 약물에 대해 위험한 알레르기 반응을 보이는지 이해하는 데 있어 첫 번째 단계입니다.

수년 동안 이러한 예측을 만드는 데 사용된 도구들은 매우 정확했지만 동시에 매우 불투명했습니다. 그것들은 복잡한 블랙박스와 같았습니다. 한쪽으로 아미노산 서열을 넣으면 다른 쪽으로 예측값이 나오지만, 기계가 어떻게 그 답에 도달했는지는 아무도 쉽게 알 수 없었습니다. 이러한 투명성의 부족은 과학자들이 예측의 이유를 이해하여 이를 신뢰하거나 개선해야 할 때 문제가 됩니다. 이제 한 연구팀이 이 문제를 해결하는 새로운 접근 방식을 선보였습니다. 그들은 매우 정확할 뿐만 아니라 설계 단계부터 투명하게 만들어, 펩타이드와 HLA 분자의 어느 부분이 결합에 책임이 있는지를 정확히 볼 수 있는 모델을 구축했습니다.

Sully Chen, Robert Steele, Eric Oermann이 이끄는 연구진은 LAMINA라고 불리는 시스템을 개발했습니다. 복잡하고 숨겨진 신경망을 사용하는 대신, 그들은 문제를 단순하고 이해 가능한 단계로 나누는 구조를 설계했습니다. 이 시스템은 HLA 분자의 모든 가능한 짧은 구간과 펩타이드의 모든 가능한 짧은 구간을 살펴봅니다. 그런 다음 모든 HLA 구간을 모든 펩타이드 구간과 비교하여 얼마나 잘 맞는지 확인합니다. 이는 두 사람이 서로 손을 잡을 때 어떤 손가락이 가장 잘 맞물리는지 확인하는 것과 같습니다. 모델은 이러한 미세한 상호작용 각각에 점수를 부여하고 이를 모두 더해 두 분자가 얼마나 강하게 결합할지에 대한 최종 예측치를 산출합니다. 수학적 계산이 직관적이고 선형적이기 때문에, 연구자들은 최종 점수를 보고 각 개별 아미노산 쌍이 결과에 얼마나 기여했는지 즉각적으로 확인할 수 있습니다. 숨겨진 층이나 신비로운 계산은 없습니다. 모든 조각의 기여도는 눈에 보이며 명확합니다.

이 발견이 특히 놀라운 점은 모델이 스스로 학습한 내용입니다. 연구진은 단백질을 구성하는 유전 코드인 서열 데이터만을 사용하여 LAMINA를 훈련시켰습니다. 그들은 모델에게 분자의 사진이나 3D 구조, 혹은 원자들이 서로 끌어당기거나 밀어내는 물리 방정식 등을 전혀 보여주지 않았습니다. 그럼에도 불구하고, 모델의 내부 점수를 실제 물리적 데이터와 테스트했을 때 놀라운 패턴이 나타났습니다. 모델이 결합에 가장 중요하다고 표시한 펩타이드 부분은 과학자들이 이전에 제거했을 때 에너지가 가장 많이 소모된다고 측정한 부분과 정확히 일치했습니다. 더욱이, 이 높은 점수를 받은 부분들은 두 분자가 결합할 때 주변의 물로부터 숨겨져 HLA 홈 안에 가장 깊숙이 파묻혀 있는 부분들이었습니다. 모델은 물리 화학의 법칙과 분자 모양의 기하학적 구조를 배우지 않았음에도 불구하고, 이를 스스로 재발견한 것입니다.

기존의 최고 도구들과 비교한 테스트에서, 이 새로운 모델은 결합 강도를 예측하는 데 있어 기존 모델만큼 잘 수행했거나 어떤 경우에는 더 나은 성능을 보였습니다. 모델은 매우 높은 정확도로 어떤 펩타이드가 HLA 분자에 결합할지를 올바르게 식별했으며, 현재 사용되는 가장 진보된 시스템들의 성능과 일치했습니다. 아마도 가장 중요한 점은, 이 모델이 훨씬 적은 컴퓨동 자원을 사용하면서도 이를 해냈다는 것입니다. 표준 데스크톱 컴퓨터에서 약 10시간이면 훈련이 가능할 정도로 효율적입니다. 이러한 효율성 덕분에 모델 훈련부터 결과 분석에 이르는 전체 과정을 거대한 슈퍼컴퓨터 없이도 단 한 명의 연구자가 재현할 수 있습니다.

또한 이 연구는 모델이 무작위로 샘플링하거나 추측하지 않고도 시퀀스 로고(sequence logos)라고 알려진 상세한 결합 선호도 지도를 생성할 수 있음을 보여주었습니다. 이 지도들은 특정 "앵커(anchor)" 위치에 대한 강한 선호도와 같이 서로 다른 HLA 유형이 특정 아미노산을 인식하는 알려진 규칙들을 정확하게 반영했습니다. 모델의 내부 논리를 수천 개의 실제 분자 구조로부터 얻은 실험 데이터와 비교함으로써, 연구진은 모델의 설명이 단순한 통계적 현상이 아니라 물리적으로 의미가 있다는 것을 확인했습니다. 모델이 강조한 잔기(residue)들은 실제로 결합에 가장 많은 에너지를 기여하는 부분이었으며, 인터페이스에 물리적으로 파묻혀 있는 부분들이었습니다.

이 연구는 높은 성능과 명확한 이해가 서로 공존할 수 없는 목표가 아님을 입증합니다. 오랫동안 이 분야는 최상의 예측을 얻으려면 모델이 어떻게 작동하는지에 대한 이해를 희생해야 한다는 가정하에 운영되어 왔습니다. LAMINA는 정교하게 설계된 투명한 구조가 복잡한 생물학적 규칙을 학습하고 최첨단 결과를 낼 수 있음을 보여줌으로써 이 생각에 도전합니다. 이 모델은 단순히 미래를 예측하는 것이 아니라 현재를 설명하며, 우리 면역 반응을 결정짓는 분자 간의 악수에 대한 명확한 창을 제공합니다. 이러한 명확성은 과학자들이 메커니즘에 대한 더 깊은 이해를 바탕으로 더 나은 백신과 치료제를 설계하는 데 도움을 줄 수 있으며, 블랙박스식 예측을 넘어 '무엇'만큼이나 '왜'가 명확한 미래로 나아가게 할 것입니다.

기술 요약: LAMINA – 해석 가능한 펩타이드-HLA 모델

문제 정의
펩타이드-HLA(pMHC) 결합 및 제시(presentation)를 예측하는 것은 백신 설계, 신생 항원(neoantigen) 발견, 자가면역 및 약물 과민성 연구의 핵심적인 요소이다. 현대적인 예측 도구들은 높은 정확도를 달와하지만, 내부 연산이 불투명한 "블랙박스"로 기능한다. 사후 설명 방법(예: Shapley 값, 통합 기울기)은 속성에 대한 수학적 보장을 결능하며, 종종 기저의 생물학적 메커니즘에 대해 약하거나 일관되지 않은 통찰만을 제공한다. 따라서 최첨단 예측 성능을 유지하면서도, 대리 모델(surrogate model)이나 참조 입력(reference input)에 의존하지 않고 잔기 수준의 기여도로 점수를 정확하게 분해할 수 있는, 설계 단계부터 해석 가능하도록 만들어진 모델이 필요하다.

방법론: LAMINA 아키텍처
저자들은 본질적으로 해석 가능하고 속성 부여가 가능한 아키텍처인 LAMINA(Latent Motif Interaction Aggregation)를 소개한다.

입력 표현: 모델은 두 가지 입력을 받는다: 34개 잔기로 구성된 HLA class I 유사 서열(groove-lining 위치 인코딩)과 8~14개 잔기로 구성된 후보 펩타이드이다. 각 잔기는 학습된 토큰 임베딩과 위치 임베딩의 합으로 인코딩된다.
소프트 모티프 추출 (Soft Motif Extraction): 이산적인 하드 모티프(예: 컨센서스 문자열)를 확정하는 대신, LAMINA는 서열의 모든 간극 없는 윈도우(길이 1~8)를 학습된 "소프트" 모티프 벡터로 매핑한다. 이는 HLA 및 펩타이드 서열의 모든 가능한 윈도우에 대해 컨볼루션 필터를 사용하여 잠재 벡터(latent vectors)를 생성함으로써 수행된다.
쌍방향 상호작용 (Pairwise Interaction): 모델은 모든 HLA 잠재 모티프와 모든 펩타이드 잠재 모티프 사이의 내적(inner product)을 계산하여, 쌍방향 호환성 점수 행렬을 생성한다.
집계 (Aggregation): 학습된 상호작용 맵은 상호작용하는 모티프의 윈도우 길이와 필터 정체성에 따라 이러한 쌍방향 점수에 가중치를 할당한다. 가중치가 적용된 호환성은 합산(평균)되어 단일 스칼라 점수를 생성하며, 이 점수는 로지스틱 함수를 통과하여 결합 친화도 또는 제시 확률을 예측한다.
수학적 특성: 이 아키텍처는 의도적으로 단순하게 설계되었으며, 모티프 추출과 집계 단계 사이에 비선형성을 포함하지 않는다. 이러한 제약은 모델이 편향 없는 선형 특징(bias-free linear features)에 대한 **쌍선형 형식(bilinear form)**이 되도록 보장한다. 결과적으로 최종 예측은 개별 HLA-펩타이드 잔기 쌍으로부터의 가산적 기여의 정확한 합이 된다. 이를 통해 몬테카를로 샘플링, 참조 입력 또는 대리 모델 없이도 정확하고 배경 독립적인 속성 부여(attribution)가 가능하다.
효율성: 모델은 약 470만 개의 파라미터를 포함하며, 단일 데스크톱 워크스테이션에서 약 10시간 동안 학습할 수 있다.

주요 결과
저자들은 정량적 결합 친화도(BA) 데이터와 질량 분석법 기반의 엘루티드 리간드(EL) 데이터에 대해 각각 별도의 LAMINA 모델을 학습시켰으며, 엄격하게 중복 제거된 홀드아웃(held-out) 데이터를 사용하여 5개의 최첨단 예측 도구(NetMHCpan-4.2, MHCflurry 2.2.1, DeepAttentionPan, ANTHEM, TransPHLA-AOMP)와 벤치마킹하였다.

예측 성능:
- 결합 친화도: LAMINA는 500 nM(0.923) 및 50 nM(0.908) 임계값 모두에서 가장 높은 AUROC(Area Under the Receiver Operating Characteristic Curve)를 달성하였으며, NetMHCpan-4.2와 MHCflurry 2.2.1을 능가하였다.
- 회귀 (Regression): 결합 친화도 회귀에서 LAMINA는 측정값과 강한 상관관계(Pearson $r = 0.793$ , Spearman $\rho = 0.813$ )를 보였으며, 연속 출력을 가진 모델 중 가장 낮은 평균 절대 오차를 기록하여 NetMHCpan-4.2 및 MHCflurry 2.2.1을 크게 앞질렀다.
- 엘루티드 리간드 회복 (Eluted Ligand Recovery): FRANK 벤치마크(소스 단백질의 모든 가능한 윈도우에 대해 실제 리간드를 순위 매기는 작업)에서 LAMINA는 전문적인 제시 모델(NetMochpan-4.2, MHCflurry 2.2.1)에 비해 약간 뒤처졌으나 경쟁력 있는 성능을 보였으며, 그 차이는 미미했다.
창발적 구조 및 에너지 상관관계:
3D 구조, 포스 필드(force fields) 또는 돌연변이 데이터에 대한 노출 없이 오직 서열 데이터로만 학습되었음에도 불구하고, LAMINA의 정확한 속성 값은 물리적 특성과 강하게 상관되었다:
- 결합 에너지: 모델의 잔기 기여 점수는 1,413개의 구조적으로 규명된 pMHC 복합체에 대한 in silico 알라닌 치환 스캔으로부터 유도된 $\Delta E$ (상호작용 에너지 변화)와 양의 상관관계(Spearman $\rho = 0.486$ )를 보였다.
- 계면 기하학 (Interface Geometry): 속성 점수는 용매 접근 가능 표면적(SASA)의 매몰 정도와 강한 상관관계(Spearman $\rho = 0.573$ )를 보였으며, 결합 시 매몰되는 잔기를 정확히 식별하였다.
- 모티프 회복: 모델은 로짓(logits)으로부터 직접 캐노니컬(canonical)한 대립유전자 특이적 서열 모티프(예: P2 및 C-말단 앵커)를 자연스럽게 회복하였으며, 실험적으로 도출된 친화도 행렬(IEDB SMM)과 높은 일치도를 보였다.

의의 및 주장
본 논문은 투명성이 성능을 위해 희생될 필요가 없음을 LAMINA가 입증한다고 주장한다. 모델을 제약된 쌍선형 연산자 패밀리로 설계함으로써 저자들은 다음을 달 Achieve 하였다:

정확한 해석 가능성: 모델은 예측값에 정확히 합산되는 증명 가능한 진정한 가산적 잔기 기여를 제공하여, 사후 설명 방법의 고질적인 문제인 "완전성 오류(completeness error)"와 참조 의존성을 제거한다.
물리적 의미: 모델의 내부 점수와 실제 생화학적 특성(상호작용 에너지 및 구조적 매몰) 사이의 창발적 상관관계는, 학습된 "소프트 모티프" 상호작용이 임의적인 파라미터화가 아니라 물리적으로 의미 있는 호환성을 포착하고 있음을 시사한다.
접근성: 모델의 효율성은 전체 파이프라인(학습, 추론 및 속성 부여)을 소비자용 하드웨어에서 재현할 수 있게 하여, 고성능의 해석 가능한 pMHC 모델링에 대한 접근성을 높인다.

저자들은 이 접근 방식이 고전적인 인간 가독형 모티프 분석과 현대적인 딥러닝 사이의 간극을 메운다고 결론짓는다. 이는 해석 가능성이 외부적인 부가 기능이 아니라 아키텍처의 본질적인 속성인 프레임워크를 제공한다. 또한, 엄격한 중복 제거로 인한 홀드아웃 친화도 벤치마크의 작은 크기와, 결합/제시가 면역원성(immunogenicity)을 위한 필요조건이지만 충분조건은 아니라는 점을 언급하며, T세포 수용체(TCR) 인식에 대한 후속 연구의 필요성을 남겨두었다.

기술 요약: LAMINA – 해석 가능한 펩타이드-HLA 모델

유사한 논문