대규모 단백질 그래프를 위한 이웃 기반 라벨 전파

초록

본 논문은 검증된 Swiss‑Prot 단백질의 기능 라벨을 이용해, 검증되지 않은 TrEMBL 단백질에 자동으로 기능을 부여하는 분산 라벨 전파 시스템 DistNBLP를 제안한다. 단백질 간 유사성을 기반으로 그래프를 구축하고, Akka 프레임워크 위에서 메시지‑드리븐 방식으로 라벨을 전파함으로써 수십 억 개의 단백질을 빠르게 처리한다. 실험 결과, 기존 방법 대비 높은 정확도와 수십 배의 속도 향상을 입증하였다.

상세 분석

DistNBLP는 크게 세 단계로 구성된다. 첫 번째는 그래프 구축 단계로, 각 단백질을 정점으로, 서열 유사도, 공통 도메인, 분류군(택손) 등 다중 특성을 이용해 가중치가 부여된 간선을 생성한다. 여기서 사용된 유사도 함수는 BLAST‑P와 HMMER‑ 기반 점수를 정규화한 뒤, 가중치 합산 방식으로 통합한다. 두 번째는 라벨 전파 알고리즘이다. 초기 라벨은 Swiss‑Prot에 존재하는 단백질에만 할당되며, 라벨이 없는 TrEMBL 정점은 이웃 정점들의 라벨을 가중 평균하여 새로운 라벨을 획득한다. 전파는 수렴 조건(라벨 변화율 < ε) 혹은 최대 반복 횟수에 도달할 때까지 반복된다. 핵심은 이웃 기반 가중치 조정으로, 높은 유사도를 가진 이웃의 라벨이 더 큰 영향을 미치게 설계되었다. 세 번째는 분산 구현 단계이다. Akka의 액터 모델을 활용해 그래프를 파티션하고, 각 파티션을 독립적인 액터가 담당한다. 액터 간 메시지는 라벨 업데이트 정보를 교환하며, 비동기식 처리와 백프레셔(back‑pressure) 메커니즘을 통해 네트워크 병목을 최소화한다. 또한, 장애 발생 시 액터 재시작 정책을 적용해 시스템의 복원력을 확보한다.

알고리즘의 복잡도는 전통적인 라벨 전파가 O(|E|·T) (E는 간선 수, T는 반복 횟수)인 반면, DistNBLP는 파티션당 로컬 연산을 병렬화함으로써 실질적인 시간 복잡도는 O(|E|·T / P) (P는 클러스터 노드 수)로 감소한다. 실험에서는 1,200개의 컴퓨팅 노드(각 16코어)로 5억 개 정점, 2.3조 간선을 가진 그래프를 45분 내에 처리했으며, 이는 동일 환경에서 기존 단일 머신 기반 라벨 전파가 3일 이상 소요되는 것과 비교해 100배 이상의 속도 향상을 보여준다.

정밀도·재현율 측면에서도 DistNBLP는 0.87/0.81의 F1 점수를 기록했으며, 특히 희귀 기능 라벨(예: 특정 세포소기관 위치)에서 기존 k‑NN 기반 방법보다 12% 높은 재현율을 달성했다. 이는 이웃 기반 가중치가 희소 라벨 전파에 유리함을 시사한다. 또한, 라벨 전파 과정에서 발생할 수 있는 라벨 충돌을 해결하기 위해 다중 라벨 스코어를 정규화하고, 최종 라벨 선택 시 신뢰도 임계값을 적용해 오탐을 억제한다.

전반적으로 DistNBLP는 데이터 규모, 알고리즘 효율성, 시스템 복원력 세 축에서 기존 방법을 능가한다. 다만, 그래프 파티션 전략이 라벨 전파 정확도에 미치는 영향과, 매우 불균형한 라벨 분포에서의 수렴 속도 문제는 추가 연구가 필요하다. 향후에는 그래프 신경망(GNN)과 결합해 특징 학습을 강화하거나, 클라우드 네이티브 환경에서 자동 스케일링을 적용하는 방안이 제시될 수 있다.