GlyGen: a knowledgebase linking glycan data with protein and gene data to reveal novel biological connections

기술 요약: GlyGen – 당쇄(Glycan) 데이터와 단백질 및 유전자 데이터를 연결하는 지식 베이스

문제 정의
당쇄(Glycans)는 단백질 구조, 기능, 조직 발달 및 면역 반응을 조절하는 핵심 요소이지만, 당과학(glycoscience) 데이터는 여전히 파편화되어 있다. 기존의 자원들은 이질적이며, 일관된 표현 방식이 부족하고 당쇄 구조를 생물학적 맥락(유전자, 단백질 및 특정 변형 부위)과 연결하는 데 실패하고 있다. 이러한 파편화는 글리코믹스(glycomics)를 유전체학(genomics) 및 단백체학(proteomics)과 통합하는 것을 방해하여, 당쇄 매개 생물학적 관계의 발견을 제한한다. GlyTouCan 액세션이나 당쇄 명명 표준(SNFG)과 같은 표준이 존재함에도 불구하고, 문헌과 데이터베이스 전반에 걸친 채택은 일관되지 않으며, 이는 신뢰할 수 있는 데이터 통합의 장벽이 되고 있다.

방법론 및 아키텍처
GlyGen은 통합된 당쇄 중심 데이터 모델과 포괄적인 통합 파이프라인을 통해 이러한 과제를 해결한다.

• 데이터 모델: 핵심 모델은 당쇄, 단백질 및 당화 부위(glycosylation site) 데이터를 조화시킨다. 이 모델은 유전적 돌연변이 및 기타 번역 후 변형(PTM)에 대한 당화 증거를 고정하기 위해, 서열 내 시작/종료 위치로 정의되는 단백질 부위 수준의 정보를 명시적으로 표현한다. 또한, 완전히 정의된 구조부터 단당류 조성에 이르기까지 다양한 수준의 구조적 세부 사항을 수용하며, 당화 부위가 알려진 단백질과 그렇지 않은 단백질 모두를 지원한다.
• 데이터 통합 전략: GlyGen은 분기별 릴리스 주기를 채택한다. 먼저 각 생물체에 대해 정교하게 큐레이션된 참조 프로테옴(중복을 최소 최소화하기 위해 정규 서열에 매핑됨)을 통합한 후, 이와 관련된 당쇄 구조를 통합한다. 새로운 항목은 중복 엔티티를 생성하는 대신 기존 레코드와 비교하여 중복을 병합하는 과정을 거친다.
• 출처 및 표준화: 데이터는 공공 저장소(예: UniProt, GlyTouCan, ChEBI, PubChem), 직접적인 협업 및 문헌 텍스트 마이닝을 통해 수집된다. 시스템은 상호 운용성을 보장하기 위해 권위 있는 식별자(단백질의 경우 UniProt, 당쇄의 경우 GlyTouCan)를 사용한다.
• 텍스트 마이닝 및 큐레이션: 파이프라인은 GlycoSiteMiner와 같은 도구를 통해 자연어 처리(NLP) 및 대규모 언어 모델(LLM)을 활용하여 PubMed 초록에서 당화 이벤트를 추출한다. 이러한 추출물은 인간의 큐레이션을 통해 검증된다.
• 품질 보증 및 출처(Provenance): 시스템은 아미노산 불일치나 유효하지 않은 서열 범위와 같은 불일치를 감지하고 이를 소스 리소스에 보고하는 엄격한 품질 관리를 적용한다. 모든 데이터 처리 단계는 투명한 출처 확인과 재현성을 보장하기 위해 BioCompute Objects(BCOs)를 사용하여 문서화된다.
• 기술 인프라:
  • 백엔드: 처리된 데이터셋은 MongoDB 문서 저장소에 JSON 객체로 저장된다.
  • 시맨틱 웹: 데이터는 온톨로지(UniProt Core, GlycoRDF, GlycoConjugate)를 사용하는 RDF 형식으로도 표현되며, SPARQL을 통해 접근 가능한 Virtuoso triplestore에 저장된다.
  • 인터페이스: 대화형 웹 포털, 원시 데이터셋을 위한 데이터 사이트, RESTful API(JSON) 및 SPARQL 엔드포인트를 통해 접근이 제공된다. AI 기반 쿼리 어시스턴트는 자연어를 구조화된 API 쿼리로 변환한다.

주요 기여 및 도구
데이터 통합 외에도, GlyGen은 생태계의 공백을 메우기 위해 다음과 같은 글리코인포매틱스(glycoinformatics) 구성 요소를 개발했다:

• GlycoMotif: 당쇄 구조 모티프와 그 정렬(alignment)을 위한 큐레이션된 리소스로, 모티프 기반 분석을 위한 표준화된 식별자를 제공한다.
• GNOme: 당쇄를 특성화 정도(subsumption)에 따라 계층적으로 조직하는 OBO Foundry 온톨로지이다. 이를 통해 정의된 구조에서 조성(composition)으로의 어노테이션 전파를 가능하게 한다.
• Glycan Dictionary: 문헌의 자유 텍yle 당쇄 용어를 구조화된 데이터와 연결하는 큐레이션된 컬렉션이다.
• GlycoTree Sandbox: 당쇄를 합성하는 생합성 효소와 구조를 연관시키는 도구로, 사용자가 효소의 손실/획득을 특정 당쇄 구조와 매핑할 수 있게 한다.
• 분석 도구: GlyGen BLAST, 배치 검색(Batch Retrieval), 이소폼 매퍼(Isoform Mapper) 및 AI 쿼리 어시스턴트를 포함한다.

결과 및 데이터 범위
현재 릴리스(v2.10.1)는 인간, 마우스, 쥐, 소 및 바이러스 시스템에 중점을 두어 16개 생물체의 데이터를 통합한다.

• 통계: 데이터베이스는 58,841개의 당쇄, 243,702개의 단백질, 183,573개의 당화 부위를 포착한다.
• 인간 데이터: 20,663개의 단백질(리소스 내 인간 프로테옴의 68%)을 포함하며, 이 중 14,142개는 당단백질(glycoprotein)으로 주석이 달려 있고 226,986개의 큐레이션된 당화 부위를 보유한다.
• 교차 참조: GlyGen은 외부 리소스(UniProt, PubChem, ChEBI)에 140만 개 이상의 교차 참조를 기여했으며, 양방향 링크를 유지하여 사용자가 GlyGen과 기존 데이터베이스 사이를 탐색할 수 있도록 보장한다.
• 분석 능력: 본 논문은 체세포 및 생식선 돌연변이가 당화 부위에 미치는 영향을 식별하는 것과 같은 프로테옴 전반의 분석 능력을 입증한다. 분석 결과, 체세포 돌연변이는 N-연결 당화 부위에서 유의하게 결핍되어 있는 반면(암에서 음성 선택을 시사), 생식선 변이는 그러한 결핍을 보이지 않았다.

의의 및 주장
본 논문은 GlyGen을 당과학을 광범위한 생물 의학 데이터 생태계와 조화시키기 위한 중심 리소스로 자리매김한다. 그 의의는 다음과 같다:

1. 상호 운용성: 표준 식별자와 온톨로지 기반 워크플로우를 사용함으로써 글리코믹스, 유전체학 및 단백체질 사이의 간극을 메운다.
2. 가설 생성: 돌연변이 데이터와 당화 부위의 통합은 "당화 상실(Loss of Glycosylation, LOG)" 및 "당화 획득(Gain of Glycosylation, GOG)" 이벤트를 체계적으로 식별할 수 있게 하여, 질병 기전(예: 전립선암 또는 선천성 당화 장애)의 발견을 지원한다.
3. 접근성: 조화된 데이터를 여러 인터페이스(웹, API, SPARQL)를 통해 무료로 공개하여 실험 생물학자와 데이터 과학자 모두를 만족시킨다.
4. 미래 연구를 위한 토대: 이 인프라는 딥러닝 기반의 당쇄 구조 이미지 해석 및 특화된 데이터베이스(예: 질량 분석용) 생성과 같은 신흥 응용 분야를 지원한다.

저자들은 결론적으로 GlyGen이 고립된 당쇄 데이터에서 당화에 대한 시스템 수준의 이해로의 전환을 촉진하며, 연구자들이 이전에는 데이터 파편화로 인해 가려져 있었던 복잡한 생물학적 관계를 탐구할 수 있게 한다고 밝히고 있다. 향 향후 방향으로는 LLM을 활용한 텍스트 마이닝 확대, 추가적인 당화 유형(예: O-GlcNAc)의 통합, 그리고 다른 생물 의학 지식 그래프와의 통합 심화가 포함된다.