Do protein representations encode variant function? Diagnosing residue-level protein attributions via embedding-space gradients
이 논문은 알려진 정답을 가진 합성 지형(synthetic landscapes)을 기준으로 벤치마킹함으로써 단백질 언어 모델 적합도 예측기의 잔기 수준 기여도(residue-level attributions)의 충실도를 평가하고 개선하는 프레임워크인 IGLOO를 소개하며, 높은 예측 정확도가 정확한 해석을 보장하지 않는다는 점을 밝히고 모델 개입이 기여도 신뢰성을 어떻게 크게 향상시킬 수 있는지를 입증한다.
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
생명의 거대한 도서관에서, 모든 생명체를 만드는 데 필요한 지침은 네 개의 글자로 이루어진 코드로 쓰여 있습니다. 우리 세포 내부에서 힘든 일을 도맡아 하는 분자인 단백질의 경우, 이 코드는 아미노산의 긴 사슬입니다. 과학자들은 최근 수백만 개의 천연 단백질 서열을 컴퓨터에 보여줌으로써 컴퓨터가 이 코드를 읽는 법을 가르쳤습니다. 단백질 언어 모델이라고 알려진 이러한 컴퓨터 프로그램들은 사슬의 아주 작은 변화가 단백질의 기능에 어떤 영향을 미칠지 예측하는 데 놀라울 정도로 능숙해졌습니다. 만약 과학자가 플라스틱을 분해하거나 더 나은 약물을 만들기 위해 새로운 효소를 설계하고자 한다면, 이 컴퓨터들에게 어떤 변화가 단백질을 더 잘 작동하게 만들지 예측해 달라고 요청할 수 있습니다.
하지만 답을 아는 것과 그 이유를 이해하는 것 사이에는 위험한 간극이 존재합니다. 컴퓨터는 코드의 특정 글자를 바꾸는 것이 단백질을 개선할 것이라고 예측할 수 있지만, 잘못된 이유로 추측하고 있는 것일 수도 있습니다. 이는 마치 공식 자체를 이해하기보다 정답지를 암기하여 수학 시험에서 정답을 맞힌 학생과 같습니다. 만약 엔지니어들이 이러한 추측에 의존하여 실제 생물학적 기계를 설계한다면, 컴퓨터가 사슬의 엉뚱한 부분을 보고 있었기 때문에 실험실에서 실패하는 단백질을 설계하게 될 수도 있습니다. 이 분야의 핵심적인 질문은 이것이었습니다. 컴퓨터가 단백질의 특정 지점을 가리키며 "이 부분이 중요하다"라고 말할 때, 우리는 정말로 그것을 신뢰할 수 있는가?
토론토 대학교와 벡터 연구소(Vector Institute)의 연구팀은 IGLOO라고 부르는 새로운 프레임워크를 통해 이 질문에 답하고자 했습니다. 그들은 단순히 컴퓨터가 결과를 얼마나 잘 예측하는지만 본 것이 아니라, 정확한 진실을 알고 있는 테스트 환경을 구축했습니다. 그들은 특정 부분에 중요성을 의도적으로 부여한 합성 단백질 경관(synthetic protein landscapes)을 만들었습니다. 이 인공 세계에서 그들은 어떤 아미노산이 단백질의 적합성(fitness)을 주도해야 하는지, 그리고 어떤 것이 무관한지를 정확히 알고 있었습니다. 이 통제된 환경 속에서 컴퓨터 모델을 실행함으로써, 그들은 모델이 실제로 올바른 교훈을 배우고 있는지, 아니면 단지 최종 점수에 유리한 패턴을 암기하고 있는 것인지를 확인할 수 있었습니다.
연구진은 놀라운 불일치를 발견했습니다. 그들은 모델이 수천 개의 단백질 변이체의 성능을 정확하게 추측할 만큼 뛰어난 예측가일지라도, 그 근거를 물었을 때는 엉뚱한 아미노산을 지목할 수 있다는 사실을 발견했습니다. 높은 예측 정확도가 컴퓨터가 게임의 생물학적 규칙을 학습했다는 것을 보장하지는 않았습니다. 많은 표준 설정에서, 컴퓨터의 설명은 최종 점수가 완벽함에도 불구하고 무작위 추측보다 나을 것이 없었습니다. 이는 모델이 잘 작동한다고 해서 그 내부 논리 또한 건전할 것이라고 가정하는 이 분야의 흔한 함정을 드러냈습니다.
이를 해결하기 위해 연구팀은 시스템이 올바른 세부 사항에 주목하도록 강제하는 구조적 변화를 찾으며, 컴퓨터 모델을 구축하는 다양한 방법을 테스트했습니다. 그들은 모델이 최종 결정을 내리기 전에 정보를 처리하는 방식이 가장 중요한 요소라는 것을 발견했습니다. 모델이 단일 예측으로 결합하기 전에 단백질 사슬의 각 부분을 개별적으로 분석하도록 설정되었을 때, 설명의 신뢰도가 훨씬 높아졌습니다. 이 "풀링(pooling) 전 프로세스(process before pooling)" 접근 방식은 컴퓨터가 모든 것을 평균 내는 대신, 고유한 맥락에 따라 특정 지점에 중요도를 할당할 수 있게 해주었습니다. 또한 그들은 특정 유형의 사전 학습된 모델, 특히 Ankh 제품군을 사용하는 것이 다른 모델들보다 더 신뢰할 수 있는 결과를 생성하며, 여러 버전의 모델을 실행하여 답변을 평균 내는 것이 설명의 노이즈를 줄인다는 것을 발견했습니다.
연구팀은 이러한 발견을 합성 세계에서 실제 효소, 구체적으로 소화부터 항생제 내성 퇴치에 사용되는 알파-아밀라아제(alpha-amylase)와 베타-락타메이스(beta-lactamase)에 적용했습니다. 규칙이 무질서하고 복잡한 실제 생물학적 데이터에서도 동일한 패턴이 유지되었습니다. 개선된 아키텍처로 구축된 모델들은 과학자들이 이미 효소의 기능에 결정적이라고 알고 있는 아미노산을 식별하는 데 훨씬 더 뛰어난 성능을 보였습니다. 베타-락타메이스를 이용한 한 테스트에서, 개선된 모델들은 안정성 및 결합력에 대한 물리적 측정값과 비교했을 때 테스트된 돌연변이의 약 3분의 2에 대해 변화의 방향을 정확히 식별해 냈습니다.
이 연구는 새로운 단백질을 설계하고자 하는 과학자들에게 명확한 로드맵을 제공합니다. 이는 단순히 잘 예측하는 모델을 갖는 것만으로는 충분하지 않으며, 모델이 단백질의 개별 부분을 존중하는 방식으로 구축되어야 함을 보여줍니다. 적절한 모델 구조를 선택하고 컴퓨터의 추론이 알려진 생물학적 사실과 일치하는지 검증함으로써, 연구자들은 추측에서 벗어나 확신을 가지고 설계할 수 있습니다. 이 연구는 결론적으로, 단백질을 편집하는 방법에 대해 컴퓨터의 조언을 신뢰하기 전에, 먼저 컴퓨터가 올바른 곳을 보고 있는지 확인하여 새로운 의약품과 재료를 향한 길이 운 좋은 추측이 아닌 진정한 이해의 토대 위에 세워지도록 해야 한다고 강조합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.