F13 다음 질문 — 임상 현장에서 정말 쓰는 도구는 무엇인가

F11에서 ESM 계열의 zero-shot 점수를 봤습니다. 여기서는 서열 확률 기반 ESM1v, 병원성 예측용 AlphaMissense, 그리고 본래 목적이 다른 ProteinMPNN을 대비합니다. 앞의 둘은 variant-effect prediction 문헌에서 평가되지만 ProteinMPNN은 고정 백본 sequence design 모델입니다. 세 도구를 임상 예측기로 동급 취급하지 않는 것이 핵심입니다.

원리 — 같은 문제를 세 가지 다른 정보로 푼다

ESM1v: 순수 서열 진화 정보

F11에서 다룬 masked marginal 방식은 ESM1v(ESM-1 계열의 변이 효과 특화 버전)가 대표적으로 씁니다. 장점은 구조 정보가 전혀 필요 없다는 것 — 구조가 알려지지 않은 단백질에도 바로 적용 가능합니다. 단점은 진화적 보존도라는 간접 신호에만 의존한다는 점입니다.

AlphaMissense: 구조 예측과 진화 정보를 결합

AlphaMissense(DeepMind, 2023)는 AlphaFold에서 파생된 네트워크와 진화 정보를 missense pathogenicity 예측에 맞게 학습한 모델입니다. 이를 “AlphaFold가 만든 최종 3D 구조 파일에 분류 헤드를 붙였다”고 단순화하면 부정확합니다. 공개 pipeline은 MSA용 유전 데이터베이스를 사용하고, spatial cropping을 쓸 때 AlphaFold Database 구조를 참조할 수 있습니다.

$P_{\text{pathogenic}} = g_\psi\left(\text{서열 진화 정보}, \text{예측 구조 맥락}\right)$

$g_\psi$는 개념적 표기입니다. 공개 저장소는 구현과 pipeline을 제공하지만 학습된 가중치는 제공하지 않습니다. 대신 가능한 인간 missense 치환 약 7,100만 건의 사전 계산 예측을 배포하므로 공개 prediction table 조회가 현실적입니다.

ProteinMPNN: 방향이 반대인 역문제

앞의 두 모델이 "이 변이가 얼마나 해로운가"(순방향 문제: 서열 → 효과)를 다뤘다면, ProteinMPNN(Baker Lab, 2022)은 정반대 방향을 풉니다 — "이 구조를 안정적으로 유지하려면 어떤 서열이 좋은가"(역문제: 구조 → 서열, inverse folding).

$P(\text{서열} \mid \text{고정된 백본 구조})$

ProteinMPNN의 conditional probability를 고정 백본에서 잔기 적합성의 연구용 proxy로 분석할 수는 있습니다. 그러나 이를 검증된 열역학적 안정성($\Delta\Delta G$) 예측이나 임상 병원성 점수라고 부르면 안 됩니다. ProteinMPNN은 질병 라벨·임상 기준으로 학습된 도구가 아닙니다.

손 계산 예제: ROC-AUC로 세 모델을 공정하게 비교하기

변이 효과 예측기의 성능은 흔히 ROC-AUC(Receiver Operating Characteristic - Area Under Curve)로 비교합니다. 알려진 병원성/양성(benign) 변이 라벨이 있는 벤치마크 세트에서, 모델 점수로 순위를 매겼을 때 무작위로 뽑은 병원성 변이가 무작위로 뽑은 양성 변이보다 더 높은(더 유해하다고 판단된) 점수를 받을 확률이 ROC-AUC입니다.

간단한 예로, 병원성 변이 2개(점수 0.9, 0.6)와 양성 변이 2개(점수 0.7, 0.3)가 있다고 합시다. 가능한 (병원성, 양성) 쌍은 $2\times2=4$개입니다.

$\text{ROC-AUC} = \frac{3}{4} = 0.75$

완벽한 모델은 ROC-AUC=1.0, 무작위 추측은 0.5입니다. 서로 다른 점수도 같은 라벨과 동일한 데이터 분할에서 평가한다는 전제 아래 순위 성능으로 비교할 수 있습니다. ProteinMPNN의 본래 목적이 다르므로 이 예제만으로 임상 예측기와 동등하다고 결론 내릴 수는 없습니다.

실습: AlphaMissense 공개 예측값 조회

# AlphaMissense는 사람 단백질체 전체에 대한 예측을 미리 계산해 공개했으므로,
# 대부분의 경우 모델을 직접 돌리기보다 공개 데이터베이스 조회로 충분합니다.
import pandas as pd

# 공식 저장소에서 배포하는 TSV(gzip)를 다운로드해 사용 (대용량이므로 관심 유전자로 필터링 권장)
# https://github.com/google-deepmind/alphamissense 안내에 따라 다운로드 URL 확인
df = pd.read_csv("AlphaMissense_aa_substitutions.tsv.gz", sep="\t", compression="gzip")

# 먼저 실제 배포본 컬럼과 식별자 체계를 확인합니다.
print(df.columns.tolist())
# transcript/isoform·genomic 좌표·protein variant가 일치하는 행만 필터링하세요.

대용량 파일이므로 Colab 무료 티어의 디스크·메모리 한도 안에서 처리하려면 필요한 유전자만 스트리밍으로 필터링하는 방식(pandas chunk 읽기 등)을 고려해야 합니다.

CS 매핑

• 역문제(Inverse Problem): "구조 → 서열"을 푸는 ProteinMPNN은, "관측 결과로부터 원인을 역추정"하는 역문제의 전형입니다. CT 영상 재구성, 신호 복원 등 다른 과학 분야의 역문제와 같은 수학적 계열입니다.
• 다중 정보원 융합(Multi-source Fusion): AlphaMissense가 서열 진화 정보와 구조 맥락을 함께 반영하는 것은, 서로 다른 특징(feature) 집합을 결합해 단일 예측기의 성능을 끌어올리는 앙상블·특징 융합의 한 형태입니다.
• ROC-AUC: 이진 분류기 평가의 표준 지표로, 임계값에 의존하지 않고 순위 기반 성능을 재는 방식이 머신러닝 전반의 평가 방법론과 그대로 일치합니다.

자주 만나는 결함

• 세 모델의 점수를 그대로 더하거나 평균: ESM1v의 로그우도비, AlphaMissense의 확률, ProteinMPNN의 안정성 점수는 스케일과 의미가 다릅니다. 단순 평균보다는 각 모델의 순위(rank)를 정규화해 결합하거나, 별도의 앙상블 학습이 필요합니다.
• 병원성과 구조 불안정성을 동일시: ProteinMPNN 기준으로 구조를 불안정하게 만드는 변이가 항상 임상적으로 병원성인 것은 아닙니다. 일부 병원성 변이는 구조 안정성과 무관하게 기능 부위(활성 부위, 결합 계면)를 직접 손상시켜 작동합니다.
• AlphaMissense 예측을 확진 검사로 사용: 공개 데이터베이스라 접근성이 좋지만, 어디까지나 계산 예측치입니다. 임상적 의사결정에는 반드시 검증된 임상 유전학 파이프라인과 전문가 판단이 함께 필요합니다.
• 가중치가 공개됐다고 가정: 저장소는 reference implementation을 제공하지만 trained weights는 제공하지 않습니다. 공개 prediction table 조회와 신규 inference를 구분해야 합니다.

더 깊게 파고 싶다면

본문은 BPD 연구진이 직접 재구성한 서술입니다. 원 논문과 공식 자료로 심화해봅시다.

• AlphaMissense 원 논문: Cheng et al. (2023), Accurate proteome-wide missense variant effect prediction with AlphaMissense, Science 381(6664).
• ProteinMPNN 원 논문: Dauparas et al. (2022), Robust deep learning-based protein sequence design using ProteinMPNN, Science 378(6615).
• ESM1v 원 논문: F11의 Meier et al. (2021) 참조.

다음 편 F15에서는 ProteinMPNN을 다시 불러와, RFdiffusion과 결합해 자연에 없던 단백질을 처음부터 설계하는 de novo design 워크플로를 다룹니다.