지속적 동형학과 머신러닝을 활용한 편모 모터 기능 분류

초록

본 논문은 지속적 동형학(persistent homology)으로 추출한 위상 특징을 머신러닝 파이프라인에 결합해 박테리아 편모 모터를 회전 상태와 정지 상태로 정확히 구분한다. 원자 좌표 기반 필터링 심플렉스 복합체를 구축하고, 바코드와 영속도 다이어그램을 벡터화한 뒤 차원 축소와 지도 학습을 적용해 높은 분류 정확도와 구조 변동에 대한 강인성을 입증한다.

상세 분석

이 연구는 단백질 구조 분석에 전통적인 RMSD·서열 정렬·에너지 기반 모델이 놓치는 고차원 연결성을 위상 데이터 분석(TDA)으로 보완한다는 점에서 혁신적이다. 저자들은 원자 좌표를 거리 임계값에 따라 필터링하여 일련의 심플렉스 복합체 {K_i}를 생성하고, 각 단계에서 체인 복합체와 경계 연산자 ∂를 정의한다. 이를 통해 0‑차(연결성), 1‑차(루프), 2‑차(공극) 위상 특징을 영속 모듈 ℤ