💻 bioinformatics

Towards reconstruction of the human interactome from positive and negative experimental evidence

본 논문은 단백질 상호작용(PPI) 스크리닝의 실험적 탐색 공간을 재구성하여 상호작용하지 않을 가능성이 높은 단백질 쌍을 추론함으로써, 더 나은 오차율 추정, 모델 보정, 그리고 더욱 정확하고 완전한 인간 인터랙톰 매핑을 위한 머신러닝 학습을 가능하게 하는 방법론을 제시한다.

원저자: As, J., Pelz, K., Bernett, J., Battini, F., List, M., Blumenthal, D. B., Schaefer, M. H.

게시일 2026-09-13

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: As, J., Pelz, K., Bernett, J., Battini, F., List, M., Blumenthal, D. B., Schaefer, M. H.

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

모든 살아있는 세포 내부에는 수천 개의 단백질이 떠다니며 충돌하고, 끊임없이 서로를 붙잡기 위해 손을 뻗습니다. 두 단백질이 결합하면 구조물을 만들거나, 신호를 보내거나, 노폐물을 분해할 수 있는 하나의 팀을 형성합니다. 이러한 파트너십은 단백질-단백질 상호작 작용(protein-protein interactions)으로 알려져 있으며, 생명의 근본적인 배선입니다. 이것이 없다면 세포는 조직화된 기계가 아니라 그저 부품들의 무질서한 집합체에 불나지 않을 것입니다. 수십 년 동안 과학자들은 이러한 연결 관계를 지도화하여, 인체 내에서 누가 누구와 대화하는지를 보여주는 거대한 네트워크 다이어그램을 만들기 위해 노력해 왔습니다. 이 지도는 우리 몸이 건강할 때 어떻게 작동하는지, 그리고 질병 상태에서 어떻게 무너지는지를 설명하는 데 도움을 줍니다. 하지만 현재 이 지도는 구멍과 오류로 가득 차 있습니다. 우리는 수백만 개의 이러한 연결을 알고 있지만, 보고된 연결 중 상당수가 실수이며, 실제 연결 중 많은 것이 누락되었다는 것도 알고 있습니다. 가장 큰 문제는 과학자들이 성공적인 만남만을 기록했다는 점입니다. 그들은 어떤 단백질들이 악수를 나누었는지는 기록했지만, 어떤 단백질들이 서로 옆에 있었음에도 불구하고 서로를 무시했는지는 거의 기록하지 않았습니다.

이러한 침묵은 사각지대를 만듭니다. 만약 당신이 만남이 일어난 경우만을 안다면, 그 만남이 드물고 특별한 사건이었는지 아니면 그저 운 좋은 우연이었는지 구분할 수 없습니다. 더 심각한 것은, 컴퓨터를 사용하여 새로운 만남을 예측하려고 할 때, 컴퓨터에게 '만남이 일어나지 않은 경우'가 어떤 모습인지 가르쳐야 한다는 점입니다. 보통 과학자들은 두 단백질이 함께 발견되지 않았다고 해서 그들을 낯선 사이라고 가정함으로써 컴퓨터를 가르칩니다. 하지만 이는 위험한 추측입니다. 단지 두 단백질이 함께 테스트되지 않았다고 해서 그들이 상호작용하지 않는다는 뜻은 아닙니다. 단지 아무도 그들을 같은 방에 넣어준 적이 없을 뿐일 수도 있습니다. 이를 해결하기 위해, 한 연구팀은 이 실험들의 누락된 역사를 재구성하기로 했습니다. 그들은 단백질들이 테스트되었으나 연결에 실패했던 모든 보이지 않는 기록을 찾아내고자 했습니다.

연구진은 이미 발표된 5,500개 이상의 서로 다른 실험 결과들을 모아 방대한 기존 데이터를 바탕으로 시작했습니다. 이 실험들은 두 가지 주요 방법을 사용했습니다. 하나는 시험관 안에서 단백로를 섞는 방식이고, 다른 하나는 효모 세포 안에서 단백질을 배양하는 방식입니다. 이러한 실험에서 과학자들은 보통 하나의 '미끼(bait)' 단백질을 여러 개의 '먹이(prey)' 단백질에 대해 테스트하여 어떤 것들이 달라붙는지 확인합니다. 표준적인 관행은 성공적으로 달라붙은 경우만을 보고하는 것이었습니다. 그러나 연구팀은 성공적으로 달라붙은 목록이 사실 실패에 대한 숨겨진 단서를 포함하고 있다는 점을 깨달았습니다. 만약 특정 먹이 단백질이 시험관 내의 특정 미끼 단백질에 달라붙는 것이 발견되었다면, 그것은 해당 먹이 단백질이 그 특정 실험에 존재했으며 정상적으로 작동하고 있었다는 증거가 됩니다. 따라서 만약 동일한 먹이 단백질이 같은 시험관 안에 있었음에도 불구하고 다른 미끼 단백질에는 달라붙지 않았다면, 그것은 진정한 '붙지 않음(non-stick)'이어야 합니다. 연구팀은 성공적인 연결을 활용하여 실험이 진행된 전체 공간을 지도화함으로써, 어떤 단백질들이 테스트되었으나 연결에 실패했는지를 추론할 수 있었습니다.

이러한 논리를 사용하여, 연구진은 약 50만 개의 보고된 상호작용 목록을 거의 1억 8,200만 개의 개별 테스트를 포함하는 훨씬 더 큰 데이터셋으로 전환했습니다. 이를 통해 그들은 테스트되었으나 상호작용을 발견한 쌍과, 테스트되었으나 상호작용하지 않는 것으로 밝혀진 쌍을 구분해 낼 수 있었습니다. 연구진은 가장 신뢰할 수 있는 데이터, 즉 여러 번 테스트된 쌍들에 집중했습니다. 그들은 최소 세 번 이상 테스트되었음에도 불구하고 연결의 징후를 전혀 보이지 않은 1,800만 개 이상의 쌍을 식별해 냈습니다. 이것은 추측이 아닙니다. 실험적으로 확인된 '비연결(non-connections)'입니다. 또한 연구팀은 반복적으로 테스트되었음에도 지속적으로 연결을 보여준 6,000개 이상의 쌍을 발견하여, 이러한 상호작용이 실제라는 높은 확신을 얻었습니다.

연구진은 이 새롭게 발견된 비연결들이 생물학적으로 타당한지 확인했습니다. 그들은 상호작용하는 단백질들이 세포의 동일한 부분에 거주하거나 유사한 기능을 수행하는 것과 같은 공통된 특성을 공유하는지, 반면 상호작용하지 않는 쌍들은 그렇지 않은지를 살펴보았습니다. 결과는 기대와 완벽하게 일치했습니다. 확인된 상호작용 쌍들은 확인된 비상호작용 쌍들보다 이러한 특성을 공유할 가능성이 훨씬 높았습니다. 이 검증은 그들의 방법이 효과적이었음을 입증했습니다. 즉, 연구팀은 이전에 소실되었던 부정적 증거의 층을 성공적으로 복구한 것입니다. 그들은 연결에 실패한 단백질들이 실제로 연결된 단백질들과 기능적으로 다르다는 것을 발견했으며, 이는 재구성된 데이터가 단순한 무작위 소음이 아니라 생물학적 실체를 반영하는 진정한 기록임을 확인시켜 주었습니다.

이 새롭고 검증된 비연결 목록을 가지고, 연구팀은 과학자들이 네트워크를 연구하는 데 사용하는 도구들을 어떻게 개선할 수 있는지 테스트했습니다. 첫째, 그들은 이 데이터를 사용하여 다른 대규모 실험의 정확도를 점검했습니다. 이 새로운 '부정적' 쌍들이 다른 연구들에서 얼마나 자주 나타나는지를 확인함으로써, 그 연구들이 얼마나 많은 가짜 알람을 생성했을지 계산할 수 있었습니다. 그 결과 일부 실험의 오류율이 40%에 달한다는 것을 발견했는데, 이는 보고된 연결 중 상당 부분이 실수일 수 있음을 의미합니다. 이는 향로의 실험을 보정하고 정화할 수 있는 새로운 방법을 제공합니다. 둘째, 연구팀은 상호작용을 예측하도록 설계된 컴퓨터 모델에 이 데이터를 적용했습니다. 무작위 추측 대신 이 실제 세계의 부정적 데이터를 사용하여 모델을 훈련시켰을 때, 모델들은 더 다르고 뚜렷한 예측을 만들어냈습니다. 무작위 추측을 사용하여 훈련된 모델보다 실제 부정적 데이터를 사용하여 훈련된 모델이 동일한 실수를 저지를 가능성이 낮았으며, 이는 무엇이 일어나는지를 컴퓨터에게 가르치기 위해서는 무엇이 일어나지 않는지에 대한 진정한 기록을 갖는 것이 필수적임을 시사합니다.

또한 이 연구는 단백질 자체에 대해 놀라운 사실을 밝혀냈습니다. 어떤 단백질들은 닿는 모든 것에 달라붙는 생물학적 접착제처럼 행동하는 반식이며, 어떤 것들은 효모 실험에서 가짜 알람을 유발하는 '자동 활성제(auto-activators)'입니다. 특정 단백질이 얼마나 많은 다양한 파트너를 대상으로 테스트되었는지, 그리고 얼마나 자주 연결에 실패했는지를 살펴봄으로써, 연구팀은 이러한 문제적 단백질들을 식별할 수 있었습니다. 그들은 알려진 문제아들이 파트너에 상관없이 무차별적으로 연결되는 경향이 있는 단백질들이라는 점을 발견했습니다. 이는 향후 연구에서 이러한 노이즈가 많은 단백질을 식별하고 걸러낼 수 있는 새로운 방법을 제공하며, 더 깨끗하고 정확한 지도를 만드는 데 기여합니다.

마지막으로, 연구진은 이 데이터를 사용하여 인류 상호작용 네트워크의 전반적인 형태를 재고했습니다. 오랫동안 과학자들은 소수의 단백질은 수천 개의 연결을 가지고 대부분의 단백질은 매우 적은 연결을 갖는 특정 수학적 패턴을 따른다고 믿어 왔습니다. 그러나 연구팀이 일부 단백질이 다른 단백질보다 단순히 더 자주 테스트되었다는 점을 보정하자, 이 패턴은 사라졌습니다. 대신 연결 분포는 종 모양의 곡선(bell curve)에 더 가까워졌으며, 이는 이전의 지도에서 보였던 극단적인 '허브(hubs)'들이 생물학적 특징이라기보다는 실험 방식에 의한 인공물(artifact)일 수 있음을 시사합니다. 이 발견은 우리 세포 네트워크가 어떻게 구축되어 있는지에 대한 오랜 가설에 도전합니다.

이 연구가 인류 인터랙톰(interactome)의 지도를 완성했다고 주장하는 것은 아닙니다. 실제 네트워크는 여전히 방대하며 대부분 탐구되지 않은 상태입니다. 그러나 실패한 실험의 역사를 복구함으로써, 연구팀은 퍼즐의 결정적인 조각을 제공했습니다. 그들은 증거의 부재가, 적절히 재구성될 때, 곧 부재의 증거가 될 수 있음을 보여주었습니다. 수백만 개의 확인된 비연결을 포함하는 이 새로운 자원은 이제 다른 과학자들이 사용할 수 있도록 공개되었습니다. 이는 더 나은 컴퓨터를 훈련시키고, 더 나은 실험을 보정하며, 궁극적으로 인체가 가장 근본적인 수준에서 어떻게 기능하는지에 대한 더 정확하고 완전한 그림을 그릴 수 있는 방법을 제시합니다.

기술 요약: 양성 및 음성 실험적 증거를 통한 인간 인터랙톰(Human Interactome) 재구성 연구

문제 정의
10,000개 이상의 연구에서 유래된 100만 개 이상의 보고된 인간 단백질-단백질 상호작용(PPI)에도 불구하고, 인간 인터랙톰은 여전히 불완전하며 심하게 편향되어 있다. 현재의 데이터베이스들은 주로 양성 관찰 결과(검출된 상호작용)만을 보고할 뿐, "실험적 탐색 공간(experimental search space)"—즉, 테스트되었으나 상호작족이 나타나지 않은 단백질 쌍—을 명시적으로 기록하지 않는다. 이러한 음성 데이터의 부재는 다음과 같은 몇 가지 심각한 문제를 야기한다:

편향(Bias): 반복적인 테스트가 생물학적 실체와 상관없이 상호작용 보고 확률을 높이기 때문에, 네트워크가 잘 연구된 단백질 쪽으로 치우치게 된다.
위양성/위음성(False Positives/Negatives): 특정 쌍이 얼마나 자주 테스트되었는지 알 수 없다면, 이를 진정한 비상호작용(true non-interaction)으로 볼 것인지 아니면 단순히 테스트되지 않은 쌍으로 볼 것인지 구분하는 것이 불가능하다.
계산적 한계: PPI 예측을 위한 머신러닝 모델들은 일반적으로 "관찰되지 않은(non-observed)" 쌍을 음성 예시로 사용하여 학습한다. 이는 보고되지 않은 쌍을 진정한 음성(true negative)으로 가정하는 것인데, 이는 노이즈를 유입시키고 데이터 누수(data leakage)를 일으켜 성능 지표를 과장할 수 있는 결함이 있는 가정이다.

방법론
저자들은 축적된 양성 상호작용 데이터를 바탕으로 실험적 탐색 공간을 사후적으로 재구성하는 방법론을 제안하며, 특히 IntAct 데이터베이스에 큐레이션된 친화도 정제 질량 분석법(AP-MS) 및 효모 투-하이브리드(Y2H) 연구에 집중한다.

탐색 공간 재구성: 핵심 논리는 다중 베이트(multi-bait) 스크리닝 원리에 기반한다. 단일 실험 내에서 특정 프레이(prey) 단백질이 적어도 하나의 베이트와 함께 검출되었다면, 해당 스크리닝 내의 모든 베이트에 대해 해당 프레이가 존재하며 검출 가능한 상태였다고 추론할 수 있다. 결과적으로, 해당 스크리닝 내에서 해당 프레이와 상호작용을 보고하지 않은 모든 베이트는 "테스트되었으나 상호작용하지 않는" 쌍이 된다.
데이터 집계: 저자들은 약 491,601개의 보고된 상호작용을 포함하는 5,530개의 연구를 분석하여 9,700만 개의 고유한 테스트된 단백질 쌍(1억 8,200만 개의 개별 테스트에 해당)을 도출했다.
통계 모델링: 고신뢰도 비상호작용을 단순한 데이터 부족과 구별하기 위해, 저자들은 **베타-이항 모델(beta-binomial model)**을 사용했다.
- 각 단백질 쌍의 검출 확률(POD)을 관찰된 상호작용 수( $n_{obs}$ )와 테스트 횟수( $n_{tested}$ )를 기반으로 모델링했다.
- 전역 검출률(global detection rate)을 사전 분포(Beta 분포 파라미터 $\alpha \approx 0.0026, \beta \approx 0.997$ )로 사용했다.
- 사후 분포를 사용하여 95% 신뢰 구간( $Q_{2.5}$ 및 $Q_{97.5}$ )을 계산했다.
고신뢰도 세트 정의:
- 고재현 상호작용(High-Replication Interactions, HRIs): 신뢰 구간의 하한( $Q_{2.5}$ )이 0.29보다 큰 쌍으로, 진정한 상호작용일 확률이 높음을 나타낸다.
- 고재현 비상호작용(High-Replication Non-Interactions, HRNIs): 관찰된 상호작용이 없으면서( $n_{obs}=0$ ) 최소 3회 이상 테스트된 쌍(HRI 임계값과 대칭적임)이다. 이를 통해 약 1,900만 개의 고신뢰도 비상호작용 쌍을 얻었다.

주요 결과

음성 데이터의 검증: 저자들은 "유죄 추정(guilt-by-association)" 원칙을 사용하여 HRNI를 HRIs와 검증했다.
- 기능적 및 공간적 공존(Functional & Spatial Co-membership): HRIs는 HRNIs에 비해 공유된 유전자 온톨로지(Gene Ontology, 생물학적 과정) 용어 및 세포 내 국소화에 대해 유의미하게 높은 오즈비(odds ratio)를 보였다.
- 공발현(Co-expression): HRIs는 높은 공발현(ARCHS4 데이터)에 풍부하게 나타난 반.해, HRNIs는 낮은 공발현(특히 내인성 발현이 중요한 AP-MS 데이터에서)에 풍부했다.
- 필수성(Essentiality): HRIs는 공유된 손실 기능 불내성(LOEUF)에 대해 완만하지만 유의미한 농축을 보였는데, 이는 필수 단백질이 다른 필수 단백질과 상호작용하는 경향이 있음을 시사한다.
- 참고: Y2H 데이터는 핵 국소화 및 인위적 발현이라는 방법론적 요구 사항으로 인해 일부 지표에서 더 약한 신호를 보였다.
실험적 스크리닝 벤치마킹: 재구성된 음성 데이터를 사용하여 'leave-one-out' 접근 방식을 통해 특정 대규모 연구의 허위 발견율(FDR)과 허위 누락율(FOR)을 추정했다.
- Y2H의 경우, FDR은 엄격한 기준(strict)에서 5.7%, 완만한 기준(lenient)에서 21%로 추정되었다.
- AP-MS의 경우, FDR은 엄격한 기준에서 16.4%, 완만한 기준에서 40%로 추정되었다.
- 이는 본 방법론이 외부의 정답(ground truth) 없이도 실험적 스크리닝에 대한 경험적 오류율을 제공할 수 있음을 보여준다.
계산적 예측 모델 벤치마킹: HRNI 세트를 구조 기반 예측 모델인 RF2-PPI 평가에 사용했다.
- RF2-PPI 예측값과 HRNIs의 교집합을 계산하여 FDR을 산출했다. 높은 확률 컷오프( $p > 0.99$ )에서 FDR은 약 1%로 떨어졌으며, 이는 구조 기반 예측의 신뢰성을 뒷받침한다.
- 농축 분석 결과, 고신뢰도 예측값은 실험적으로 지원되는 비상호작용과 겹칠 가능성이 유의미하게 낮음을 확인했다.
검출 특이도 및 "끈적한(Sticky)" 단백질: 저자들은 단백질이 서로 다른 파트너들과 얼마나 균일하게 상호작용하는지를 측정하기 위해 피어슨 카이제곱 거리(Pearson Chi-squared distance)를 기반으로 한 지표( $D$ )를 개발했다.
- 낮은 $D$ 값(파트너 독립적 검출)을 가진 단백질에는 알려진 "끈적한" 단백질(CRAPome 유래)과 자가 활성체(auto-activators, Y2H)가 포함되어 있었다.
- 이를 통해 테스트 이력을 바탕으로 단백질의 "끈적임" 또는 위양성 경향성을 순위화할 수 있다.
차수 분포(Degree Distribution) 통찰: 탐색 공간의 크기를 보정함으로써 인간 인터랙톰의 차수 분포를 분석했다.
- 필터링되지 않은 데이터는 멱법칙(power-law) 분포를 시사했으나, 잘 테스트된 단백질(300개 이상의 파트너와 테스트됨)에 대한 보정된 데이터는 **로그 정규 분포(log-normal distribution)**를 따랐다. 이는 관찰된 네트워크의 두꺼운 꼬리(heavy tail)가 생물학적 실체가 아닌 실험적 편향의 산물일 수 있음을 시사한다.
머신 러닝 학습: ESM-2 서열 임베딩을 사용하는 XGBoost 분류기를 학습시켰다.
- HRNIs(실험적 음성)로 학습된 모델은 무작위 비관찰(NO) 쌍으로 학습된 모델과 전반적인 성능 지표(ROCAUC)는 유사함에도 불구하고 서로 다른 예측 세트를 생성했다.
- HRNI로 학습된 모델은 NO로 학습된 모델에 비해 음성 예측의 중첩이 적었는데, 이는 실험적 음성의 특수한 성격이 모델의 이질성에 영향을 미친다는 것을 나타낸다.

의의 및 주장
본 논문은 기존 문헌으로부터 회복 가능한 "음성" 정보의 층위가 존재하며, 이것이 완전한 인터랙톰 이해에 필수적이라고 주장한다. 저자들은 본 연구가 다음을 제공한다고 강조한다:

리소스: 무작위 샘플링 대신 모델 학습 및 벤치마킹을 위해 사용할 수 있는, 실험적으로 지원되는 대규모 비상호작용 단백질 쌍(HIPPIE를 통해 제공).
교정 도구: 실험적 스크리닝 및 계산적 예측 모델 모두에 대한 오류율(FDR/FOR)을 추정하기 위한 프레임워크.
편향 교정: "끈적한" 단백질과 자가 활성체를 식별하고 순위를 매겨 향-후 데이터셋을 정화할 수 있는 방법.
생물학적 통찰: 실험적 편향을 고려할 때 인간 인터랙톰의 실제 차수 분포가 멱법칙이 아닌 로그 정규 분포일 수 있다는 증거.

저자들은 자신들이 인터랙톰 문제를 완전히 해결했다기보다, 이를 위한 "로드맵/청사진"과 리소스를 제공하고 있다는 겸손한 태도를 유지한다. 이들은 향-후 모델 개발과 실험적 교정을 개선하기 위해 이러한 음성 데이터 세트를 체계적으로 적용하는 커뮤니티의 노력이 필요함을 강조한다.

유사한 논문