EIHR-PROT: Explicitly Modelling of Homology Reliability for Protein Function Prediction

단백질은 세포 구조를 구축하는 것부터 우리 몸에 에너지를 공급하는 화학 반응을 촉매하는 것에 이르기까지, 생명을 유지하기 위한 다양한 과업을 수행하는 분자 기계입니다. 특정 단백질이 무엇을 하는지 이해하기 위해 과학자들은 종종 그 단백질을 구성하는 고유한 구성 요소인 아미노산 서열, 즉 서열을 살펴봅니다. 수십 년 동안 가장 신뢰할 수 있는 방법은 이미 연구된 매우 유사한 서열을 가진 다른 단백질을 찾는 것이었습니다. 만약 그것들이 서로 닮았다면, 아마도 같은 일을 할 것이라고 가정하는 것입니다. '상동성(homology)'이라고 알려진 이 방법은 과학적 기록에 가까운 친척 관계가 존재할 때는 매우 효과적으로 작동합니다. 그러나 연구자들이 생명의 방대한 다양성을 탐구함에 따라, 기존의 것들과 너무나 달라서 전통적인 비교 방식이 실패하는 단백질들을 점점 더 많이 마주하고 있습니다. 최근 몇 년 동안, 수백만 개의 단백질 서열을 학습한 인공지능 모델들이 등장하여, 단순한 서열 매칭이 놓칠 수 있는 미묘한 패턴과 진화적 단서를 포착할 수 있는 강력한 도구로 부상했습니다. 하지만 여ยัง 해결되지 않은 질문이 남아 있습니다. 새로운 단백질이 나타났을 때, 우리는 닮은 것을 찾는 오래된 방법을 신뢰해야 할까요, 아니면 패턴 인식이라는 새로운 방법을 신겨야 할까요, 아니면 아마도 두 가지를 결합한 방법을 사용해야 할까요?

나이지리아 코버넌트 대학교(Covenant University)의 연구팀은 이 질문에 답하기 위해 새로운 접근 방식을 개발했습니다. 이들은 단순히 한 가지 방법을 선택하는 것이 아니라, 언제 각 방법을 신뢰할지를 학습하는 시스템을 만들었습니다. 그들은 이 프레임워크를 EIHR-PROT라고 부릅니다. 이 모델은 두 유형의 증거를 결합하는 방식에 고정된 규칙을 강요하는 대신, 조사하는 모든 단백질에 대해 '닮은 꼴' 매칭의 품질을 평가하는 스마트 필터처럼 작동합니다. 만약 시스템이 데이터베이스에서 매우 강력하고 밀접한 일치 항목을 발견하면, 전통적인 증거에 크게 의존합니다. 만약 매치가 약하거나 멀거나 존재하지 않는다면, 시스템은 자동으로 수백만 개의 단백질을 연구하며 학습한 깊은 패턴에 의존하는 인공지능 모델로 신뢰도를 전환합니다. 이러한 동적 조정을 통해 모델은 약한 유사성을 맹목적으로 신뢰하는 함정을 피하면서도, 그것이 신뢰할 수 있을 때는 그 이점을 최대한 활용할 수 있습니다.

연구진은 두 가지 주요 정보 스트림을 사용하여 이 시스템을 구축했습니다. 첫 번째 스트림은 단백질의 생물학적 문법을 이해하기 위해 방대한 단백질 서열 컬렉션으로 학습된 ESM-2라는 정교한 언어 모델에서 옵니다. 이 모델은 단백질 서열을 숨겨진 구조적 및 기능적 특성을 포착하는 수학적 표현으로 변환합니다. 두 번째 스트림은 알려진 단백질의 데이터베이스에서 유사한 서열을 찾는 표준 검색 도구에서 옵니다. 혁신은 이 두 스트림이 결합되는 방식에 있습니다. 연구진은 단백질 서열이 얼마나 정렬되는지, 그리고 매치의 통계적 점수가 얼마나 강한지와 같은 데이터베이스 매치의 품질에 대한 구체적인 단서를 조사하는 '게이팅(gating)' 메커니즘을 추가했습니다. 이 단서를 바탕으로, 게이트는 해당 특정 단백질에 대해 데이터베이스 매치와 AI 예측에 각각 얼마만큼의 가중치를 부여할지를 결정합니다.

연구팀이 알려진 기능을 가진 대규모 단백질 세트로 이 시스템을 테스트했을 때, 결과는 이 적응형 접근 방식이 증거를 결합하는 고정된 규칙을 사용하는 기존 방법들보다 뛰어난 성능을 보였음을 보여주었습니다. 이 모델은 단백질의 세 가지 주요 범주, 즉 단백질이 관여하는 생물학적 과정, 수행하는 분자적 과업, 그리고 세포 내 위치를 예측하는 데 있어 높은 정확도를 달umps 달성했습니다. 이 테스트에서 시스템은 높은 정밀도로 단백질의 기능을 정확하게 식별해 냈으며, 서열과 상동성 데이터를 혼합하는 다른 선도적인 방법들을 앞질렀습니다. 연구진은 특히 전통적인 매치의 신뢰도가 크게 달라질 수 있는 복잡한 영역인 생물학적 과정을 예측할 때 개선 효과가 가장 두드러진다는 것을 발견했습니다. 상동성 증거의 신뢰성을 명시적으로 모델링함으로써, 시스템은 더 단순한 모델을 혼란스럽게 할 수 있는 노이즈가 섞였거나 오해의 소지가 있는 매치를 무시하는 법을 배웠습니다.

이것이 왜 그렇게 잘 작동했는지 이해하기 위해, 연구진은 시스템의 특정 부분을 제거하는 실험을 수행했습니다. 매치의 신뢰도를 판단하는 능력을 제거했을 때 모델의 성능이 떨어졌는데, 이는 스마트 게이팅 메커니즘이 성공의 핵심이었음을 확인시켜 줍니다. 또한 연구진은 완전히 새로운 생물학적 실체의 발견을 시뮬레이션하기 위해, 훈련 데이터베이스에 없는 것들과 매우 다른 단백질 세트로 시스템을 테스트했습니다. 전통적인 방법이 흔히 어려움을 겪는 이러한 어려운 경우에도 시스템은 강력한 성능을 유지했습니다. 이는 모델이 전통적인 '닮은 꼴' 증거를 신뢰하기에 너무 약할 때, AI의 깊은 패턴 이해에 의존하도록 성공적으로 학습했음을 시사합니다. 이 연구는 단백질 기능 예측의 미래가 반드시 구식 방법과 신식 방법 중 하나를 선택하는 것이 아니라, 각 고유한 사례에 사용 가능한 증거를 지능적으로 무게를 다는 시스템을 구축하는 것임을 보여줍니다.

이 작업의 함의는 단순히 테스트에서 더 좋은 점수를 받는 것에 그치지 않습니다. 의사 결정 과정을 투명하게 만듦으로써, 이 시스템은 과학자들이 어떤 단백질에 대해 데이터베이스 매치와 AI 예측 중 어디에 얼마만큼의 신뢰를 두었는지 정확히 볼 수 있게 해줍니다. 이러한 해석 가능성은 연구자들이 예측에 근거하여 행동하기 전에 그 근거를 이해해야 할 때 매우 중요합니다. 저자들은 현재의 시스템이 단백질 서열을 효과적으로 처리하지만, 향후 버전에는 동일한 유연한 논리를 사용하여 단백질 구조나 상호작용 네트워크와 같은 다른 유형의 생물학적 데이터를 통합할 수 있다고 언급했습니다. 현재로서는, 이 연구가 전통적인 생물학적 지식의 가치를 존중하면서도 현대 인공지능의 힘을 온전히 수용하며, 마주하는 모든 단백질의 구체적인 요구에 맞춰 전략을 조정하는 명확한 길을 제시하고 있습니다.