MACA 기반 자동 단백질 구조 예측 시스템 PSMACA

초록

**
PSMACA는 다중 어트랙터 셀룰러 오토마타(MACA)를 활용해 아미노산 서열로부터 단백질 2차 구조(헬릭스, 스트랜드, 코일)를 예측한다. 기존 4클래스 분류를 넘어 10개의 유사성 기반 클래스로 데이터를 구분하고, 10가지 특징 선택 방법과 4가지 분류기를 조합해 각 클래스별 MACA 모델을 구축한다. twilight‑zone 및 고유사성 데이터셋에서 77 %~88.7 %의 정확도를 달성해 최신 예측기들을 능가한다.

**

상세 분석

**
본 논문은 단백질 2차 구조 예측 문제를 셀룰러 오토마타(CA)의 확장형인 다중 어트랙터 CA(MACA)로 해결하려는 시도를 제시한다. 기존 방법들은 주로 4가지 구조 클래스를 전역적으로 분류하거나, 서열 유사도가 높은 경우에만 높은 정확도를 보이는 한계가 있었다. PSMACA는 이러한 한계를 극복하기 위해 먼저 입력 서열을 10개의 “twilight‑zone” 유사성 클래스로 나눈다. 이때 클래스 정의는 훈련 데이터와의 서열 정체성(identity) 및 유사성(similarity) 임계값을 기반으로 하며, 동일 클래스 내 서열들은 구조적 패턴이 유사할 가능성이 높다고 가정한다.

특징 선택 단계에서는 10가지 방법(예: PSSM, AAindex, 물리‑화학적 속성, k‑mer 등)을 적용해 각 클래스별 최적의 피처 집합을 도출한다. 이후 4가지 전통적인 머신러닝 분류기(SVM, Random Forest, k‑NN, Naïve Bayes)를 조합해 40개의 후보 MACA‑기반 모델을 학습시킨다. 최종 모델은 교차 검증을 통해 각 클래스‑피처‑분류기 조합 중 가장 높은 Q3 정확도를 보인 것을 선택한다.

MACA 자체는 셀 상태가 여러 어트랙터(안정 상태)로 수렴하도록 설계된 이산 동역학 시스템이다. 여기서는 각 셀을 아미노산 잔기의 특성값으로 초기화하고, 인접 셀과의 상호작용 규칙을 학습된 규칙 집합(rule set)으로 정의한다. 학습 과정에서 어트랙터는 특정 구조 패턴(헬릭스, 스트랜드, 코일)과 매핑되며, 새로운 서열이 입력되면 시스템은 가장 가까운 어트랙터로 수렴시켜 구조 라벨을 출력한다.

실험에서는 두 종류의 벤치마크 데이터셋을 사용했다. 첫 번째는 twilight‑zone(서열 정체성 20 %~30 %) 데이터이며, 두 번째는 고유사성(>70 %) 데이터이다. PSMACA는 전통적인 HMM 기반 예측기, 딥러닝 기반 AlphaFold‑lite 변형, 그리고 최신 서열‑기반 방법들과 비교했을 때, Q3 정확도에서 각각 평균 5 %~12 % 향상을 보였다. 특히 twilight‑zone 영역에서 77 %의 정확도를 기록했으며, 고유사성 데이터에서는 88.7 %에 달했다.

한계점으로는 MACA 규칙 집합의 학습 비용이 클래스 수와 피처 차원에 따라 급격히 증가한다는 점이다. 또한 10개의 클래스로 세분화하면서 일부 클래스에 데이터가 부족해 과적합 위험이 존재한다. 향후 연구에서는 규칙 집합을 압축하는 메타‑휴리스틱(예: 유전 알고리즘) 도입과, 클래스 불균형을 해결하기 위한 데이터 증강 기법을 적용할 필요가 있다.

**