코딩 서열 밀도 예측을 위한 위상압력 접근법

초록

위상압력이라는 동역학 이론을 활용해 인간 게놈에서 64개의 3‑머 가중치를 학습하고, 이를 기반으로 마우스, 원숭이, 초파리의 코딩 서열(CDS) 밀도를 대규모 윈도우(≈66 kb) 단위로 추정한다. 인간 게놈에서 훈련된 모델은 다른 종에서도 0.770.60 수준의 상관관계를 보이며, 짧은 서열(750 bp5 kb)에서는 평형 측도(equilibrium measure)를 통해 엑손·인트론 구분이 가능함을 보인다. 이 방법은 기존 유전자 예측 도구에 비해 훈련 데이터가 부족한 신규 게놈에서도 빠르고 간단하게 CDS 밀도를 추정할 수 있다.

상세 분석

본 논문은 동역학계의 위상압력(topological pressure)을 유전체 분석에 적용한 새로운 방법론을 제시한다. 위상압력은 전통적인 위상엔트로피의 가중치 버전으로, 길이 n의 모든 서로 다른 부분단어(subword)를 가산하고, 각 3‑머(삼중염기)마다 실수 파라미터 v₍₃‑머₎를 부여한다. 논문에서는 64개의 3‑머 파라미터를 확률벡터 v로 두고, 길이 4ⁿ+n‑1(여기서는 n=8, 즉 65 bp)인 윈도우 내에서 Σ_{i=1}^{n-2} v_{u_i u_{i+1} u_{i+2}} 를 가중합으로 정의한 뒤, 로그₄(∑_{subword∈Sₙ(w)} e^{가중합})/n 형태로 위상압력을 계산한다. 이 정의는 중복을 허용하지 않는 distinct subword 집합을 사용함으로써 복잡도와 3‑머 빈도의 균형을 측정한다.

훈련 단계에서는 인간 게놈을 66 kb 윈도우로 나누어 실제 CDS 밀도와 위상압력 값 사이의 피어슨 상관을 최대화하도록 v를 최적화한다. 교차검증 결과 과적합이 없으며, 최적 파라미터는 인간 엑손 영역에서 높은 v 값을, 인트론 및 N(불확실) 구간에서는 낮은 값을 갖는다. 이렇게 학습된 v를 그대로 다른 종(마우스, 원숭이, 초파리)에 적용했을 때, 위상압력과 실제 CDS 밀도 사이의 상관계수는 각각 0.77, 0.73, 0.60을 기록했다. 이는 진화적 거리와 상관관계가 있음을 시사한다.

또한, 위상압력에서 도출된 파라미터 v를 이용해 균형 측도(equilibrium measure)를 정의한다. 이는 마코프 체인 형태의 확률분포로, 길이 750 bp~5 kb 구간의 서열에 대해 각 3‑머 전이 확률을 v에 기반해 설정한다. 실험에서는 이 균형 측도가 엑손 서열에 대해 높은 확률을, 인트론 서열에 대해 낮은 확률을 부여함을 확인했으며, ROC‑AUC가 기존 단순 엔트로피 기반 방법보다 우수했다. 따라서 위상압력은 대규모 윈도우에서의 CDS 밀도 추정뿐 아니라, 짧은 서열의 코딩 잠재력 평가에도 활용 가능하다.

이론적 배경으로는 열역학 형식학(Thermodynamic Formalism)의 변분 원리(variational principle)를 인용한다. 위상압력은 자유 에너지(free energy)의 한 형태이며, 균형 측도는 엔트로피와 에너지(여기서는 3‑머 가중치)의 합을 최대화하는 확률분포로 해석된다. 이는 기존 HMM 기반 유전자 예측 모델이 사전에 전이 확률을 지정하는 방식과 대비돼, 파라미터를 데이터에 직접 맞추는 “데이터‑주도” 접근법이라 할 수 있다.

마지막으로, 기존 유전자 예측 소프트웨어(Augustus, GeneID, GENSCAN 등)와 비교했을 때, 본 방법은 훈련 데이터가 제한된 상황에서도 비슷하거나 약간 낮은 정확도를 보였지만, 실행 시간은 수 초 수준으로 현저히 빠르다. 따라서 신규 게놈, 특히 고품질 어셈블리만 존재하고 주석 데이터가 부족한 경우에 실용적인 대안이 된다.