데이터과학입문 레포트 - 인공지능 기반 효소기능 예측 기술(DeepEC) 사례를 통해 인공지능과 딥러닝의 활용 방식을

I. 서론

생물정보학 자료를 펼쳤을 때 가장 낯설었던 것은 단백질 이름보다 길게 이어진 아미노산 서열이었다. 사람 눈에는 알파벳이 끝없이 붙은 문자열처럼 느껴졌지만, 같은 서열을 컴퓨터는 수많은 작은 패턴이 모인 데이터로 읽는다. 연구자가 모든 서열을 일일이 보고 효소인지 판단하기 어렵다면, 이미 기능이 확인된 단백질에서 공통되는 흔적을 학습시켜 새 서열의 기능을 예측할 수 있다. DeepEC는 그 발상을 효소 기능 분류에 적용한 사례다. 인공지능이 생명현상을 사람처럼 이해해서 답을 내놓는다고 받아들이기보다, 많은 표본에서 규칙을 찾아 분류를 자동화하는 도구로 보는 편이 작동 방식을 더 정확하게 설명한다.

II. 본론

1) 단백질 서열을 분류 문제로 바꾸는 데이터 설계

효소는 생체 안에서 화학 반응을 빠르게 만드는 단백질이다. 유전체 분석으로 새로운 단백질 서열을 얻었다고 해도 그 서열이 어떤 반응을 맡는지는 바로 알 수 없다. 실험으로 하나씩 확인하면 가장 확실하지만 시간과 비용이 많이 든다. 그래서 생물정보학에서는 이미 기능이 알려진 단백질과 새 단백질을 비교하여 기능을 추정해 왔다. DeepEC가 해결하려는 문제도 여기서 출발한다. 입력은 단백질을 이루는 아미노산의 순서이고, 출력은 효소위원회 번호인 EC 번호다. EC 번호는 효소가 촉매하는 반응의 성격에 따라 기능을 계층적으로 구분하는 체계라서 컴퓨터가 예측해야 할 정답표 역할을 한다.

데이터과학의 관점에서 핵심은 생물학 문제를 학습 가능한 형태로 바꾸는 과정이다. 컴퓨터는 아미노산 서열에 붙은 의미를 저절로 알지 못한다. 기능이 확인된 많은 서열과 각 서열에 대응하는 EC 번호를 짝지어 학습 자료로 만들어야 한다. DeepEC 연구팀은 2019년 발표 논문에서 138만 8,606개의 단백질 서열과 4,669개의 EC 번호를 학습에 활용했다고 밝혔다. 숫자가 크다는 사실만 중요한 것은 아니다. 같은 기능을 맡는 서열에서 반복되는 국소 패턴을 충분히 볼 수 있어야 신경망이 우연한 글자 배열이 아닌 기능과 관계된 특징을 잡을 가능성이 커진다. 잘못 붙은 기능 표지가 섞이거나 특정 효소 종류만 지나치게 많으면 학습된 규칙도 그쪽으로 기울 수 있다.

인공지능, 기계학습, 딥러닝의 관계를 구분하면 DeepEC의 위치가 선명해진다. 인공지능은 컴퓨터가 분류나 예측처럼 지능이 필요한 일을 수행하게 만드는 넓은 범주다. 기계학습은 사람이 모든 규칙을 직접 적는 대신 데이터에서 규칙을 배우게 하는 방법이고, 딥러닝은 여러 층의 신경망을 이용해 특징을 단계적으로 학습하는 기계학습 방법이다. 예전 방식에서는 연구자가 어떤 서열 특징을 비교할지 정하고 유사도를 계산하는 비중이 컸다. DeepEC는 알려진 서열과 기능의 관계를 신경망에 학습시켜 분류에 필요한 특징을 데이터에서 끌어내도록 만든다. 사람이 특정 모티프만 찾으라고 일일이 명령하지 않아도 된다는 점이 딥러닝 활용의 중요한 차이다.