KAIST, AI로 유전정보 복사 예측 시스템 개발

병렬 CNN 3개 활용...미 교수 연구팀과 공동 '딥티팩터' 선보여

KAIST(총장 신성철)는 생명화학공학과 이상엽 특훈교수와 미국 캘리포니아대학교 샌디에이고캠퍼스(UCSD) 생명공학과 버나드 팔슨(Bernhard Palsson) 교수 공동연구팀이 인공지능(AI)을 이용해 단백질 서열에서 전사인자를 예측하는 시스템인 '딥티팩터(DeepTFactor)'를 개발했다고 29일 밝혔다.

전사인자(transcription factor)는 유전자의 전사(유전 정보를 복사하는 과정)를 조절하는 단백질로 특정 DNA 서열에 특이적으로 결합해 유전자의 전사를 조절한다. 유전자 전사를 분석하면 유기체가 유전적 또는 환경적 변화에 어떻게 반응, 유전자 발현을 제어하는지 이해할 수 있다. 유기체의 전사인자를 찾는 것이 유기체의 전사 조절 시스템 분석을 위한 첫 단계인 것이다.

지금까지 새로운 전사인자를 찾기 위해서는 이미 알려진 전사인자와의 상동성(유사한 성질)을 분석하거나, 기계학습(머신러닝)과 같은 데이터 기반의 접근 방식을 이용했다. 기존 기계학습 모델을 이용하려면 분자의 물리 화학적 특성을 계산하거나, 생물학적 서열의 상동성을 분석하는 등 해결하려는 문제에 대한 전문 지식에 의존, 모델 입력값으로 사용할 특징을 찾아내는 과정이 필요했다.

전사인자 예측을 위한 심층 학습 모델의 네트워크 구조 이미지

또 심층 학습(딥러닝)이 문제 해결을 위한 잠재적 특징을 내재적으로 학습할 수 있어 최근 다양한 생물학 분야에서 활용되고 있지만 심층 학습을 이용한 예측 시스템은 시스템 내부의 복잡한 연산 때문에 추론 과정을 직접 확인할 수 없는 '블랙박스(black box)'라는 한계가 있다.

공동연구팀은 심층 학습 기법을 이용해 주어진 단백질 서열이 전사인자인지 예측할 수 있는 시스템인 '딥티팩터(DeepTFactor)'를 개발했다. '딥티팩터'는 단백질 서열에서 전사인자를 예측하기 위해 세 개의 병렬적인 합성곱 신경망(convolutional neural network)을 이용했다. 공동연구팀은 딥티팩터를 이용해 대장균(Escherichia coli K-12 MG1655)의 전사인자 332개를 예측했고, 이중 3개의 전사인자의 게놈 전체 결합 위치(genome-wide binding site)를 실험으로 확인, 딥티팩터의 성능을 검증했다.

나아가 공동연구팀은 '딥티팩터'의 추론 과정을 이해하기 위해 특징 지도 (saliency map) 기반의 심층 학습 모델 해석 방법론을 사용했다. 이를 통해 '딥티팩터'의 학습 과정에서 전사인자의 DNA 결합 영역에 대한 정보가 명시적으로 주어지지 않았지만, 내재적으로 이를 학습해 예측에 활용한다는 사실을 확인했다.

연구팀은 "특정 생물군의 단백질 서열만을 위해 개발된 이전 예측 방법론과 달리 딥티팩터는 모든 생물군의 단백질 서열에서 우수한 성능을 보여 다양한 유기체의 전사 시스템 분석에 활용 가능할 것으로 기대한다"고 밝혔다.

이상엽 특훈교수는 “이번 연구에서 개발한 딥티팩터를 이용해서 새롭게 발견되는 단백질 서열과 아직 특성화되지 않은 수많은 단백질 서열을 높은 처리 능력으로 분석할 수 있게 됐다”며 “유기체의 전자 조절 네트워크 분석을 위한 기초 기술로 활용이 가능하다"고 밝혔다.

이번 연구는 국제학술지 미국국립과학원회보(PNAS)에 12월 28일자에 게재됐다. (논문명: DeepTFactor: A deep learning-based tool for the prediction of transcription factors). 과기정통부가 지원하는 기후변화대응기술개발사업의 바이오리파이너리를 위한 시스템대사공학 원천기술개발 과제 지원을 받아 이뤄졌다.

이상엽 KAIST 특훈교수