딥프로테오믹스 단백질 가족 분류를 위한 심층 얕은 신경망 비교

초록

본 논문은 스위스‑프로트(Swiss‑Prot) 데이터베이스에서 추출한 40 433개의 단백질 서열을 30개의 가족으로 라벨링한 뒤, 트라이그램 기반 피처와 심층·얕은 신경망을 이용해 분류 성능을 평가한다. RNN, LSTM, GRU와 같은 순환 신경망과 다층 퍼셉트론(DNN) 및 단일 은닉층 신경망(Shallow NN)을 비교 실험한 결과, 최고 78 %의 정확도를 달성하였다.

상세 분석

이 연구는 단백질 기능 예측이라는 생물정보학의 핵심 과제에 머신러닝을 적용한 전형적인 사례이다. 데이터는 Swiss‑Prot에서 30개의 기능적 가족으로 정제했으며, 총 40 433개의 서열이 사용되었다. 서열 전처리 단계에서 3‑gram(트라이그램) 토큰화를 적용해 각 서열을 20개의 아미노산 알파벳을 기반으로 3‑연속 조합으로 변환하였다. 이렇게 얻은 트라이그램은 고차원 희소 벡터 형태이므로, 논문에서는 원-핫 인코딩 후 차원 축소 없이 그대로 입력으로 사용하거나, 임베딩 레이어를 통해 저차원 밀집 표현으로 변환하였다.

모델 설계는 크게 두 축으로 나뉜다. 첫 번째는 순환 구조를 갖는 RNN 계열 모델이다. 기본 RNN은 장기 의존성 문제에 취약하지만, LSTM과 GRU는 각각 셀 상태와 업데이트 게이트·리셋 게이트를 도입해 장기 정보를 효과적으로 보존한다. 논문에서는 동일한 하이퍼파라미터(은닉 유닛 수, 학습률, 배치 크기 등)를 적용해 세 모델을 공정하게 비교하였다. 두 번째 축은 피드포워드 신경망이다. 얕은 신경망(Shallow NN)은 입력층과 출력층 사이에 단일 은닉층만을 두어 파라미터 수를 최소화했으며, 심층 신경망(Deep NN)은 은닉층을 3~4개로 늘려 비선형 변환 능력을 강화했다. 두 네트워크 모두 ReLU 활성화와 드롭아웃을 활용해 과적합을 방지하였다.

학습 과정에서는 교차 엔트로피 손실 함수를 사용했으며, 옵티마이저는 Adam을 채택해 빠른 수렴을 도모했다. 검증은 10 %의 데이터를 별도 검증 셋으로 분리했으며, 최종 성능 평가는 정확도, 정밀도, 재현율, F1‑score 등 다중 지표로 수행되었다. 실험 결과, LSTM이 RNN보다 약 5 % 높은 정확도를 보였고, GRU는 연산 효율성 측면에서 LSTM과 비슷한 성능을 유지했다. 피드포워드 모델 중에서는 Deep NN이 78 %의 최고 정확도를 기록했으며, Shallow NN은 약 71 %에 머물렀다. 이는 트라이그램 피처가 충분히 풍부하지만, 비선형 변환 깊이가 모델의 표현력을 크게 좌우한다는 점을 시사한다.

한계점으로는 데이터 불균형 문제에 대한 상세한 처리 과정이 부족하고, 서열 길이 가변성을 고려한 패딩·마스킹 전략이 명시되지 않았다. 또한, 트라이그램 외에 물리‑화학적 특성(예: 전하, 친수성)이나 사전 학습된 단백질 임베딩(ProtBert, ESM)과의 비교가 이루어지지 않아, 현재 접근법의 상대적 우수성을 판단하기 어려운 점이 있다. 향후 연구에서는 데이터 증강, 클래스 가중치 적용, 그리고 최신 트랜스포머 기반 모델과의 성능 비교를 통해 보다 견고한 단백질 가족 분류 체계를 구축할 수 있을 것이다.