생물·기술 변이 상황에서 규제 서열 모델의 강인성

초록

본 연구는 DNA 규제 서열 예측 모델이 세포 유형, 진화적 전이, 실험 프로토콜 변화, 시퀀싱 편향 등으로 인한 분포 이동에 얼마나 견디는지를 체계적으로 평가한다. 시뮬레이션 기반 벤치마크와 MPRA 실험 데이터를 결합해 성능 저하, 캘리브레이션 오류, 불확실성 기반 신뢰성을 측정했으며, 모티프 기반 구조적 사전지식과 불확실성‑기반 선택적 예측이 강인성을 일부 회복함을 보여준다.

상세 분석

이 논문은 규제 유전체 분야에서 딥러닝 모델이 실제 적용될 때 마주치는 비‑i.i.d. 상황을 정량화하기 위해 두 축의 평가 프레임워크를 설계했다. 첫 번째 축은 생물학적 변이(세포 유형별 전사인자 활성도 차이, 모티프 PWM 교체, 진화적 전이)와 기술적 변이(시퀀싱 깊이, 배치 효과, GC‑바이어스, 이분산 잡음)를 시뮬레이션으로 구현한 것이다. 여기서는 고정 길이(1 kb) DNA 서열을 배경 GC 비율 g에 따라 생성하고, K개의 PWM을 삽입해 선형 합산 형태의 활성값을 만든 뒤, 세포별 가중치 α를 곱해 최종 출력 y를 얻는다. 기술적 변이는 y에 로그정규 곱셈·정규 가산·GC‑의존 스케일링을 적용해 라벨 시프트와 공변량 시프트를 동시에 발생시킨다. 두 번째 축은 실제 MPRA 데이터에 전역 GC‑콘텐츠와 모티프 점수를 추가적인 피처로 활용해 모델에 구조적 사전지식을 주입하는 방법을 제시한다.

모델은 CNN, BiLSTM, Transformer 세 가지 아키텍처를 비교했으며, 모두 기본적인 회귀/분류 성능은 ID(인‑디스트리뷰션) 상황에서 높았다(예: MSE≈0.10, r≈0.96). 그러나 약한 GC‑시프트에서는 성능 저하가 미미했지만, 모티프 재배열(컨셉 시프트)에서는 MSE가 2배, 커버리지가 0.66으로 급감했고, 이분산 잡음이 가미되면 MSE가 10배 이상 상승하고 Var‑ECE가 1.4에 달해 불확실성을 크게 과소평가했다. 특히 두 변이가 동시에 작용할 때는 MSE≈1.63, Var‑ECE≈1.51로 가장 심각한 붕괴를 보였다. 이러한 결과는 기존 i.i.d. 평가만으로는 드러나지 않는 ‘메커니즘 시프트’에 대한 취약성을 명확히 보여준다.

구조적 사전지식(모티프 점수)과 GC‑피처를 결합한 하이브리드 모델은 ID 상황에서 MSE를 0.08 수준으로 개선하고, OOD 상황에서도 변동성을 완화했다. 그러나 강한 기술적 잡음이 존재할 때는 사전지식이 제공하는 보호 효과가 제한적이었다. 마지막으로, 모델의 예측 불확실성을 활용한 선택적 예측(selective prediction)을 적용하면, 불확실도가 높은 샘플을 배제함으로써 위험-커버리지 곡선이 크게 개선되었다. 특히 GC‑시프트와 같은 비교적 약한 OOD 상황에서는 저위험 서브셋을 효과적으로 추출했지만, 잡음이 지배적인 경우에는 신뢰도 향상이 감소했다.

전체적으로, 이 연구는 규제 서열 모델의 강인성을 평가·향상시키기 위한 체계적 방법론을 제공하고, 생물학적 구조 사전지식과 불확실성 기반 선택이 특정 종류의 분포 이동에 대해 실질적인 완화 효과를 가짐을 실증한다. 향후 연구는 더 복잡한 장거리 상호작용, 다중 조직·조건 통합, 그리고 베이지안 딥러닝을 통한 보다 정교한 불확실성 추정으로 확장될 필요가 있다.