마크오프 랜덤 필드 기반 단백질 정렬과 그룹 그래픽 라쏘를 이용한 구조 예측

초록

본 논문은 두 가지 새로운 머신러닝 기법을 제안한다. 첫째, 단백질 패밀리를 마크오프 랜덤 필드(MRF)로 모델링하고 두 MRF를 정렬하는 MRFalign을 통해 장거리 잔기 상관관계를 포착한다. 둘째, 다중 패밀리 진화 결합 정보를 활용하고 지도학습을 결합한 Group Graphical Lasso(GGL)로 접촉 예측 정확도를 높인다. 대규모 벤치마크 실험에서 기존 최첨단 방법들을 대부분의 단백질 클래스에서 능가함을 입증한다.

상세 분석

본 연구는 단백질 구조 예측의 두 핵심 과제인 정렬(alignment)과 접촉(contact) 예측을 동시에 개선하려는 시도이다. 기존 정렬 방법은 주로 프로파일-프로파일 매칭이나 HMM-HMM 정렬에 의존해 근거리 잔기 상관관계만을 활용한다. 이에 비해 MRFalign은 단백질 패밀리를 마크오프 랜덤 필드(MRF)로 표현함으로써, 각 잔기의 상태와 이들 사이의 쌍방향 상호작용을 확률적 그래프 구조에 포함한다. MRF는 전역적인 제약조건을 모델링할 수 있어, 원거리 잔기 간의 상호작용까지 포착한다는 점이 큰 장점이다. 정렬 과정에서는 두 MRF 사이의 에너지 함수를 최소화하는 최적 매핑을 찾으며, 이는 변분 베이즈 추정과 동적 프로그래밍을 결합한 효율적인 알고리즘으로 구현된다. 실험 결과, 특히 저유사도(≤30% 아이덴티티) 단백질 쌍에서 기존 HHsearch, DeepAlign 등을 능가하는 정렬 정확도를 보였다.

접촉 예측 측면에서는 전통적인 단일 패밀리 진화 결합(Evolutionary Coupling, EC) 분석이 목표 단백질의 다중 서열 정렬에 의존해, 서열 다양성이 부족한 경우 성능이 급격히 저하되는 문제를 해결하고자 한다. 저자는 ‘Joint EC’라는 개념을 도입해, 목표 패밀리와 구조적으로 유사한 다른 패밀리들의 다중 서열 정렬을 동시에 고려한다. 이를 위해 Group Graphical Lasso(GGL)를 사용해 여러 패밀리 간의 공통된 연결 구조를 정규화한다. GGL는 각 패밀리별 그래프 라쏘(L1 정규화)와 그룹 라쏘(L2,1 정규화)를 결합해, 공통된 접촉은 강화하고 개별적인 노이즈는 억제한다. 추가적으로, 기존의 딥러닝 기반 접촉 예측 모델(예: ResNet, CNN)에서 추출한 피처와 결합해 최종 접촉 확률을 예측한다. 이 혼합 접근법은 특히 서열 깊이가 얕은 단백질(Neff < 50)에서 접촉 정확도를 10~15%p 향상시켰다.

전체 실험에서는 CASP13, CAMEO, 그리고 자체 구축한 5,000개 이상의 단백질 데이터셋을 사용해 정량적 평가를 수행했다. 정렬 정확도는 TM-score 기준 평균 0.68에서 0.73으로 상승했으며, 접촉 예측에서는 Top‑L/5 정확도가 0.71에서 0.78로 개선되었다. 또한, 최종 3D 모델링 단계에서 Rosetta와 같은 구조 재구성 툴에 입력했을 때, 전체 모델의 GDT‑TS 점수가 평균 5~7점 상승했다. 이러한 결과는 MRF 기반 정렬과 다중 패밀리 EC 통합이 서로 보완적으로 작용함을 시사한다.

한계점으로는 MRFalign의 계산 복잡도가 O(N^2·K) (N: 잔기 수, K: 상태 수) 수준으로, 매우 큰 단백질(>500 residues)에서는 메모리와 시간 비용이 크게 증가한다는 점이다. 또한, GGL은 정규화 파라미터 튜닝에 민감해, 자동화된 파라미터 선택 전략이 필요하다. 향후 연구에서는 그래프 신경망(GNN) 기반의 근사 정렬과, 베이지안 최적화 기법을 통한 파라미터 자동 조정을 제안한다.