기술 요약: ProtSyntax

문제 정의

번역 후 변형(Post-translational modifications, PTM)은 단백질 기능을 확장하고, 효소 활성을 조절하며, 국소화 및 신호 전달을 제어하는 데 매우 중요합니다. 그러나 기존의 PTM 예측 계산 방법론은 근본적인 한계점을 가지고 있습니다:

1. 사이트 중심적 고립(Site-Centric Isolation): 현재의 모델들은 PTM을 공유된 조절 시스템의 상호작용하는 요소가 아닌, 독립적인 잔기 레이블로 취급합니다. 이들은 잔기의 화학적 성질, 모티프 순서, 장거리 문맥, 그리고 3D 미세환경이 어떻게 결합하여 변형 적합성을 결정하는지에 대한 '구문(syntax)'을 포착하지 못합니다.
2. 기전적 통찰력 부족: 단순히 PTM의 발생 여부만을 예측하는 것은 특정 이벤트가 어떻게 단백질 기능을 재구성하고, 효소 역학을 변화시키며, 질병을 유발하는지를 설명하지 못합니다.
3. 데이터 희소성 및 편향성: 실험적 PTM 지도는 희소하고 조건 의존적이며, 잘 연구된 변형에 치우쳐 있어 희귀하거나 일시적인 조절 이벤트로 일반화하기 어렵습니다.
4. 문맥적 맹목성(Contextual Blindness): 모델들은 화학적으로 호환 가능한 모티프를 가진 잔기가 왜 어떤 문맥에서는 변형되고 다른 문맥에서는 불활성 상태로 남는지(구조적 접근성이나 원거리 잔기 상호작용 때문인지 등)를 구분하지 못하는 경우가 많습니다.

방법론

저자들은 PTM의 조절 구문과 기능적 결과를 해독하기 위해 설계된 40억 파라미터(4B) 규모의 파운데이션 단백질 언어 모델인 ProtSyntax를 소개합니다.

아키텍처 및 핵심 모듈

ProtSyntax는 하이브리드 어텐션 및 희소 전문가 혼합(Sparse Mixture-of-Experts, MoE) 아키텍처를 활용하며, 생물학적으로 동기화된 네 가지 모듈을 통합합니다:

1. Bio-RoPE (Bio-aware Rotary Positional Encoding): 표준 위치 인코딩과 달리, Bio-RoPE는 위치 위상을 구조적 주기성 채널($\alpha$-helix, $\beta$-strand 등)과 물리화학적 위상 변조 채널로 분해합니다. 이를 통해 잔기의 화학적 성질과 모티프 순서를 표현 공간에 직접 임베딩합니다.
2. Bi-Gated DeltaNet: 장거리 문맥을 효율적으로 처리하는 양방향 상태 공간 전파 모듈입니다. N-말단과 C-말단의 증거를 교차 게이팅(cross-gating)하여 부수적인 로컬 모티프를 필터링함으로써, 예측이 일관된 글로벌 문맥에 기반하도록 보장합니다.
3. Geometric Gated Attention (GGA): 잔기 프레임 기반의 3D 제약 조건을 어텐션 메커니즘에 직접 주입하는 모듈입니다. 이를 통해 모델은 서열상 호환되는 잔기와 실제로 허용 가능한 3D 구조적 미세환경에 존재하는 잔기를 구분할 수 있습니다. 또한 구조 데이터가 신뢰할 수 없을 때(예: 낮은 pLDDT 점수)는 서열 기반 어텐션으로 전환할 수 있습니다.
4. PACE-Nash: 잔기 수준의 PTM 분류와 불확실성을 고려한 효소 역학 회귀를 동적으로 조정하는 적응형 다중 목적 최적화 전략입니다. 이는 모델이 로컬 구문과 글로벌 단백질 기능을 연결하는 공유 잠재 표현을 학습하도록 강제합니다.

학습 코퍼스 및 태스크

모델은 40가지 PTM 클래스에 걸친 400만 규모의 포괄적인 데이터셋으로 학습됩니다. 학습 목표는 다음과 같이 통합됩니다:

• 일반 PTM 사이트 예측: 348,903개의 양성 샘플과 약 390만 개의 음성 샘플.
• 키나아제 특이적 인산화: DCPPS 및 공공 리소스를 통해 통합됨.
• PTM 크로스토크(Crosstalk): 변형 이벤트 간의 조건부 의존성 모델링.
• 효소 역학 회귀: CatPred-DB의 데이터를 사용하여 PTM 상태와 $k_{cat}$, $K_m$, $K_i$ 값을 연결.

모델은 ESM-C 및 SaProt로부터 얻은 동결된 표현을 특징 추출기로 사용하며, AlphaFold2 유래 잔기 기하학 구조와 결합됩니다.

주요 기여

1. 패러다임 전환: PTM 예측을 특정 작업 중심의 패턴 매칭에서 전이 가능한 조절 문법을 학습하는 파운데이션 언어 모델링 방식으로 전환했습니다.
2. 다중 스케일 추론: 잔기 화학, 모티프 순서, 장거리 서열 문맥 및 3D 미세환경을 단일 프레임워크 내에 성공적으로 통합했습니다.
3. 기능적 결합: 로컬 PTM 구문을 단백질 수준의 기능적 결과(효소 역학) 및 질병 표현형과 명시적으로 연결했습니다.
4. 강건성: 저자원 PTM 유형에 대해 일반화 능력을 입증하였으며, 데이터가 불확실하거나 누락된 구조 데이터 환경에서도 효과적으로 작동합니다.

결과

ProtSyntax는 40가지 PTM 벤치마크와 다양한 다운스트림 태스크를 통해 평가되었습니다:

• 벤치마크 성능: 40가지 PTM 유형 전반에 걸쳐, ProtSyntax는 가장 강력한 베이스라인(예: AstraPTM2, PTMGPT2)보다 평균 매튜스 상관계수(MCC)에서 12.66%, 평균 정밀도(AP)에서 10.67% 더 높은 성능을 보였습니다.
• Cloze-Style 복구: 마스킹된 PTM 유형 또는 사이트를 복구하는 태스크에서, ProtSyntax는 0.842의 정확도(대조군 0.741–0.766)와 0.812의 사이트 랭킹 AUPRC를 달ink했습니다.
• 구조적 판별: 실제 PTM 사이트와 구조적 디코이(서열은 일치하지만 구조적으로는 호환되지 않는 경우)를 구분하는 데 있어, ProtSyntax는 0.887의 페어 랭킹 정확도를 기록하며 AstraPTM2를 크게 앞질렀습니다.
• 저자원 전이: 희귀 PTM(예: 락토일화, 포르밀화)에 대한 제로샷 설정에서, ProtSyntax는 0.432의 macro-AUPRC를 달성하여 ESM-C(0.286) 및 SaProt(0.318)보다 실질적으로 높은 수치를 기록했습니다. 단 10개의 샘플만으로도 0.611에 도달했습니다.
• 크로스토크 재구성: ProtSyntax는 실험적으로 주석이 달린 PTM 크로스토크 관계의 **91%**를 올바르게 복구하여, DeepPCT(73%)와 ProXtalk(70%)를 능가했습니다.
• 역학 상관관계: 예측된 PTM 점수의 변화($\Delta$PTM)는 효소 역학의 변화($\Delta \log K_{cat}$)와 강한 상관관계를 보였으며(Spearman's $\rho = 0.628), 전문적인 역학 예측 모델인 CatPred보다 우수한 성능을 보였습니다.
• 질병 응용:
  • 병원성 변이: PTM 미세환경의 입체적 폐쇄(steric occlusion)를 감지함으로써 병원성 변이와 양성 변이를 정확하게 구별했습니다 (AUROC = 0.885).
  • 상분리(Phase Separation): 액체-액체 상분리(LLPS)에서의 비선형 조절 로직을 포착하였으며, 포화 농도 변화와 강한 상관관계($\rho = -0.71$)를 보였습니다.
  • 알츠하이머 아틀라스: 알츠하이머 경로에 있는 383개 단백질에 대해 잔기 수준의 PTM 아틀라스를 생성하여, 알려진 타우 에피토프를 복구하고 후보 영역을 확장했습니다.

의의 및 주장

본 논문은 ProtSyntax가 변형된 프로테옴의 '조절 언어'를 해독하는 새로운 방법론적 플랫폼을 구축한다고 주장합니다. 이 모델의 의의는 다음과 같습니다:

• 해석 가능성: 단순히 '어디서' 발생하는지가 아니라, '왜' 변형이 일어나는지(예: 입체적 폐쇄, 협동적 크로스토크)를 설명할 수 있는 모델을 제공합니다.
• 일반화 가능성: 통합된 파운데이션 모델이 데이터가 희소한 다양한 PTM 클래스에 걸쳐 생화학적 규칙을 전이할 수 있음을 입증했습니다.
• 실행 가능한 가설 제시: PTM 섭동(perturbation)의 기능적 결과를 예측함으로써 치료 표적 우선순위를 정하고(예: 교모세포종의 키나아제-사이트-기질 축), 실험 설계(예: 돌연변이 유발, 프로테오믹스)를 가이드할 수 있게 합니다.

저자들은 모델이 정적 또는 예측된 구조에 의존하며, 구조적 앙상블, 시간적 신호 전달 또는 세포 유형 특이성을 완전히 포착할 수는 없다는 한계를 인정했습니다. 그들은 모델의 출력을 확정적인 인과적 할당이 아닌 "우선순위가 지정된, 실험적으로 검증 가능한 가설"로 규정합니다.