기술 요약: MPFIL – 변이에 의한 단백질-단백질 결합 친화도 변화 예측을 위한 다층적 단백질 특징 통합 모델

1. 문제 정의

변이에 의해 유도된 단백질-단백질 결합 친화도 변화($\Delta\Delta G$)를 예측하는 것은 질병 메커니즘을 이해하고 치료제를 개발하는 데 있어 매우 중요한 과제입니다. 그러나 이러한 예측은 변이가 국소적인 잔기(residue) 환경과 단백질 복합체의 전역적 구조 조직 모두에 영향을 미치기 때문에 까다롭습니다.

기존의 계산적 접근 방식들은 다음과 같은 몇 가지 한계에 직면해 있습니다:

• 수작업 특징(Handcrafted Features)에 대한 의존: 많은 방법들이 복잡한 물리화에는 특성, 에너지 또는 진화적 특징에 의존하며, 이는 도메인 특화 지식을 요구하고 계산 비용을 증가시킵니다.
• 제한적인 구조적 차이 모델링: 일부 딥러닝 방법들은 단백질 구조를 활용하지만, 야생형(WT)과 돌연변이형(MT) 복합체 사이에서 변이에 의해 유도된 차별적인 구조적 변화를 명시적으로 모델링하는 데 실패하는 경우가 많습니다.
• 불완전한 서열 맥락(Sequential Context): 변이 부위와 주변 잔기 사이의 내재적 관계 및 장거리 의존성이 현재의 서열 기반 모델에서는 충분히 탐구되지 않고 있습니다.

저자들은 복잡한 수작업 생물학적 기술자(descriptor)에 의존하지 않고 구조 및 서열 정보를 통합하는 일반화된 프레임워크를 구축함으로써 이러한 문제를 해결하기 위해 MPFIL(Multi-Level Protein Feature Integration)을 제안합니다.

2. 방법론: MPFIL 프레임워크

MPFIL은 단백질 복합체를 **서열(Sequence)**과 **무방향 그래프(Undirected Graph)**라는 두 가지 병렬 표현으로 처리하는 딥러닝 프레임워크입니다. 이 아키텍처는 네 가지 주요 구성 요소로 이루어져 있습니다.

A. 단백질 복합체 표현

• 서열 특징: 단백질 언어 모델(PLM)이 단백질 체인을 고차원 임베딩 벡터로 인코딩합니다. 전역적인 서열 특징을 포착하기 위해 특수한 [CLS] 토큰이 사용됩니다.
• 그래프 특징: 단백질 복합체는 변이 부위가 중심 노드인 그래프로 표현됩니다. 에지는 중심 노드를 중심으로 반경 10 Å 이내의 주변 잔기들과 연결됩니다.
  • WT 그래프는 PDB 파일로부터 구축됩니다.
  • MT 그래프는 FoldX를 통해 생성된 구조를 사용하여 구축됩니다.
  • 노드 특징은 서열 임베딩에서 유도되며, 인접 행렬은 유클리드 거리에 기반합니다.

B. 그래프 수준 구조 특징 인코딩

이 모듈은 변이에 의해 유도된 구조적 변화와 차별적 정보를 포착합니다.

1. GNN 인코딩: WT 및 MT 그래프는 잔차 연결(residual connections)이 있는 그래프 신경망(GNN)을 통해 처리되어 그래프 수준의 표현($G_{wild}$ 및 $G_{mut}$)을 생성합니다.
2. 차별적 특징 추출:
   • 암시적(Implicit): 멀티 헤드 셀프 어텐션 블록이 WT 및 MT 그래프의 결합된 풀링 표현을 처리합니다.
   • 명시적(Explicit): WT와 MT 그래프 표현 간의 요소별 차이(element-wise difference)를 계산하고, 이를 풀링한 후 MLP를 통과시킵니다.
   • 이 특징들은 비선형 층을 통해 결합되어 최종적인 그래프 수준의 구조적 표현($p_{graph}$)을 생성합니다.

C. 다각적 서열 특징 인코딩

이 구성 요소는 세 가지 뚜렷한 관점에서 서열 정보를 활용합니다.

1. 전역 수준 차별 특징:
   • 단백질 체인 내의 전역 표현들을 결합합니다.
   • 체인 간의 상호작용을 모델링하기 위해 단백질 수준의 멀티 헤드 셀프 어텐션 블록을 사용합니다.
   • 복합체 쌍(complex-pair) 셀프 어텐션 블록은 WT 및 MT 표현을 통합하여 전역적인 생물학적 조절 및 차별적 정보를 포착합니다.
2. 전체 서열 맥락 수준 특징:
   • 트랜스포머 인코더가 전체 길이의 아미노산 서열을 처리하여 장거리 상호작용을 포착합니다.
   • 가중 합(weighted sum) 풀링 메커니즘을 통해 맥락 수준의 표현($\tilde{p}$)을 생성합니다.
   • 쌍별 서열 특징 추출 블록(1D 컨볼루션 포함)이 이러한 특징들을 압축하고 정제하여 맥락 수준의 표현($p_{context}$)을 생성합니다.
3. 잔기 수준 서열 특징:
   • 다양한 커널 크기를 가진 다수의 CNN을 사용하여 국소적 패턴(짧은 모티프, 중간 범위 의존성, 보존된 파편)을 탐지합니다.
   • 컨볼루션, 활성화, 맥스 풀링이 교대로 나타나는 층을 통해 국소 특징을 추출하며, 이후 쌍별 추출 블록을 통해 처리되어 잔기 수준의 표현($p_{residue}$)을 생성합니다.

D. 예측기 및 최적화

최종 표현은 네 가지 특징 벡터를 결로하여 형성됩니다:
$$P = [p_{graph}; p_{global}; p_{context}; p_{residue}]$$
다층 퍼셉트론(MLP) 예측기는 이 결합된 벡터를 예측된 $\Delta\Delta G$ 값으로 매핑합니다. 모델은 평균 제곱 오차(MSE) 손실 함수를 사용하여 학습됩니다.

3. 주요 기여

저자들은 다음과 같이 기여를 요약합니다:

1. 새로운 프레임워크: 복잡한 수작업 생물학적 특징에 의존하지 않고 구조-서열 특징을 체계적으로 결합하는 다층 통합 프레임워크인 MPFIL을 제안함.
2. 그래프 수준 인코딩: WT 및 MT 복합체 사이의 변이에 의해 유도된 구조적 변화와 차별적 정보를 포착하기 위해 특별히 설계된 GNN 기반 모듈을 설계함.
3. 다각적 서열 인코딩: 전역 차별 특징, 전체 서열 맥락(장거리 의존성), 그리고 잔기 수준의 국소 패턴을 활용하는 모듈을 도입함.
4. 실증적 검증: 세 가지 벤치마크 데이터셋에서 최신 기술(state-of-the-art) 방법들과 비교하여 우수한 성능을 입증함.

4. 실험 결과

모델은 S1131 (SKEMPI의 하위 집합), S2398 (SKEMPI-2.0의 하위 집합), MPAD (막 단백질 데이터셋)의 세 가지 데이터셋에 대해 평가되었습니다.

성능 지표

MPFIL은 모든 데이터셋에서 피어슨 상관 계수(PCC), 평균 제곱근 오차(RMSE), 평균 절대 오차(MAE)에 대해 최상의 결과를 달성했습니다:

• S1131: PCC = 0.917, RMSE = 0.983, MAE = 0.718.
• S2398: PCC = 0.882, RMSE = 0.891, MAE = 0.613.
• MPAD: PCC = 0.713, RMSE = 0.729, MAE = 0.545.

비교 분석

• MPFIL은 구조 기반 방법(예: GeoPPI, SFM-Net) 및 서열 기반 방법(예: SAAMBE-SEQ, PIPR+S2F)보다 뛰어난 성능을 보였습니다.
• 구조 정보가 제한적인 MPAD 데이터셋(막 단백질)에서도 MPFIL은 베이스라인 방법들에 비해 상당한 개선을 보여주며, 구조적 정보가 부족할 때도 견고함을 입증했습니다.

절제 연구 (Ablation Studies)

개별 구성 요소를 제거했을 때 각 모듈의 필요성이 확인되었습니다:

• 구조적 특징 제거 (w/o structure): 특히 MPAD 데이터셋에서 가장 큰 성능 저하를 일으켰습니다. 구체적으로, 전체 MPFIL 모델은 MPAD 데이터셋에서 구조적 특징이 없는 변형 모델보다 PCC 측면에서 16.5% 더 높은 성능을 보였으며, 이는 차별적 구조 정보를 포착하는 것의 중요성을 강조합니다.
• 서열 특징 제거: 전역, 맥락 또는 잔기 수준의 특징이 없는 변형 모델들 또한 성능 저하를 보였으며, 이는 각 관점이 예측 정확도에 독특하게 기여함을 확인시켜 줍니다.

분포 분석

산점도 및 분포 비교 결과, MPFIL의 예측값은 실험값과 밀접하게 일치하였으며, 모든 데이터셋에서 데이터 포인트들이 회귀선 주위에 집중되어 있었습니다.

5. 의의 및 주장

본 논문은 MPFIL이 다층적 특징을 통합함으로써 단백질 복합체의 특성과 행동에 대한 보다 포괄적이고 체계적인 이해를 제공한다고 주장합니다. 그 의의는 다음과 같습니다:

• 일반화: 광범위한 수작업 특징 엔지니어링 없이도 수용성 및 막 단백질 모두에 대해 $\Delta\Delta G$를 효과적으로 예측할 수 있는 능력.
• 메커니즘 통찰: 프레임워크가 변이 부위와 주변 잔기 사이의 내재적 관계 및 변이 효과를 이해하는 데 필수적인 장거리 의존성을 성공적으로 모델링함.
• 미래 응용: 변이 효과를 모델링하는 본 방법의 능력은 질병 관련 변이를 분석하는 데 확장될 수 있으며, 잠재적으로 암 및 신경 퇴행성 질환에 대한 정밀 의료 전략 개발에 도움을 줄 수 있음.

저자들은 방법론이 효과적이긴 하지만, 단백질 데이터의 급격한 증가와 전문가 지식 데이터의 부족이 여전히 과제로 남아 있음을 언급하며 겸손한 어조를 유지하였으며, 이러한 일반화된 프레임워크가 이를 해결하는 것을 목표로 한다고 밝혔습니다.