MutAtlas: A PDB-Wide Energy-Guided Atlas of Protein Mutation Effects

Motivation

• Known: 기존에는 deep mutational scanning(DMS)과 같은 실험적으로 측정된 돌연변이 효과 데이터가 정확하지만 매우 희소하며, 이를 보완하기 위해 FoldX와 같은 물리 기반 에너지 함수, ESM2 등 protein language model, ESM-IF/ProteinMPNN 등 inverse folding 모델이 각각 독립적으로 mutation 신호를 생성해 왔다.
• Gap: 이러한 이질적인 계산 모델들은 서로 다른 inductive bias와 비호환적인 semantic scale을 가짐에도 불구하고, 기존 연구는 이를 단일 절대적 회귀 타겟이나 WT 중심의 pairwise preference로 단순화해 사용해 왔으며, PDB 전역을 아우르는 구조 정렬 기반의 다중 소스 augmentation 자원과 소스 간 불일치를 명시적으로 다루는 학습 프레임워크가 부재했다.
• Why: 실험 라벨 없이도 스케일 가능한 supplementary mutation signal을 제공하고 다중 계산 모델 간 충돌하는 inductive bias를 체계적으로 분석·통합함으로써, 단백질 엔지니어링과 질병 변이 해석에 활용 가능한 zero-shot mutation effect 예측 성능을 향상시킬 수 있기 때문에 중요하다.
• Approach: PDB 전역의 실험적으로 해석된 단백질 구조에서 단일 부위 치환을 exhaustive하게 열거하고 FoldX, protein language model, inverse folding model의 신호를 residue-level의 통일된 mutation preference representation으로 정렬한 뒤, 이 표현을 기반으로 상대적 선호를 학습하면서 소스 간 불일치를 명시적으로 모델링하는 unsupervised distillation 프레임워크를 제안한다.

Achievement

Figure 5. Cross-method agreement and ranking structure. Left: Top-1 agreement rates. Right: per-position Spearman rank c

1. PDB-wide mutation augmentation dataset 구축: 86,479개 protein chain, 15,900,903개 residue position, 3억 건 이상의 single-site mutation evaluation을 포함하는 데이터셋을 구축하여, 기존 최대 DMS 컬렉션 대비 구조적 커버리지가 약 두 자릿수(2 orders of magnitude) 더 크다.
2. 대규모 cross-source 불일치 분석: unified position-wise mutation preference representation 하에서 FoldX, protein language model, inverse folding model 간 mutation distribution의 consistency, concentration, substitution pattern에 상당한 차이가 있으며 이는 random noise가 아닌 conflicting inductive bias를 반영함을 실증적으로 규명하였다.
3. unsupervised multi-source distillation 프레임워크 제안: 실험 라벨을 전혀 사용하지 않고도 ProteinGym에서 평가된 zero-shot baseline 및 naive multi-source fusion 전략들보다 우수한 전반적 성능을 달성하였다.
4. 재현 가능한 자원 공개: 데이터셋, 코드, 평가 파이프라인을 공개하여 커뮤니티의 후속 연구를 지원한다.

How

Figure 1. Overview of mutation signal construction and representation. For a residue selected from an experimentally res

• PDB에서 실험적으로 해석된 protein chain을 추출하고 표준 20종 아미노산에 속하는 residue만 순서대로 이어붙여 structure-aligned target sequence를 구성
• 각 residue position에 대해 FoldX로 가능한 19가지 아미노산 치환 전부를 평가하여 물리 기반 에너지 신호(∆∆G 등) 산출
• protein language model(ESM2 등)과 MSA 기반 모델, inverse folding model(ESM-IF, ProteinMPNN 등)로부터 동일 position에 대한 mutation 신호를 함께 수집
• 이질적 소스 간 절대 스케일 비교를 피하기 위해 position-wise mutation preference representation으로 모든 신호를 통일하여 residue-level mutation vector로 표현
• WT-centered star-shaped comparison의 한계(같은 position 내 candidate 간 비교 부재)를 극복하기 위해, 같은 site 내 substitution 후보들 간 relative preference를 학습 대상으로 사용
• 소스 간 disagreement를 explicit하게 모델링하여 naive consensus로 정보가 손실되는 것을 방지하는 unsupervised distillation 목적함수 설계
• ProteinGym 벤치마크에서 실험 라벨 없이 zero-shot 및 naive fusion baseline과 비교 평가

Originality

• 개별 계산 모델을 독립적으로 사용하던 기존 관행에서 벗어나, PDB 전역을 포괄하는 구조 정렬 기반의 exhaustive single-site mutation augmentation 데이터셋을 최초로 구축함
• WT 중심의 star-shaped pairwise comparison이 아닌 같은 residue position 내 candidate 간 relative preference를 학습 신호로 재정의하여 protein engineering의 실제 의사결정 구조를 반영함
• 다중 소스 간 불일치를 노이즈로 취급해 평균화하는 기존 crowdsourcing/ensemble 접근과 달리, 불일치 자체를 conflicting inductive bias의 신호로 간주하여 명시적으로 모델링하는 새로운 unsupervised distillation 프레임워크를 제안함

Limitation & Further Study

• FoldX와 같은 물리 기반 에너지 함수 자체의 정확도 한계(force-field 근사 오차)가 데이터셋 품질에 그대로 전파될 수 있음
• 데이터셋이 exhaustive single-site substitution에 한정되어 있어 multi-site epistatic mutation effect나 higher-order interaction은 다루지 못함
• 발췌된 abstract/본문 범위 내에서는 unsupervised distillation 프레임워크의 구체적 수식 및 disagreement modeling 메커니즘이 명확히 제시되지 않아 재현성과 이론적 정당성 평가가 제한적임
• 후속 연구로 다양한 실험적 DMS 데이터와의 상관관계 심층 분석, disease variant interpretation 등 다운스트림 응용으로의 확장이 필요함

Evaluation

총평: PDB 전역을 아우르는 대규모 mutation augmentation 데이터셋과 소스 간 불일치를 명시적으로 다루는 unsupervised distillation 프레임워크를 함께 제시하여 데이터 자원과 방법론 모두에서 실질적 기여를 하는 견고한 연구이다. 다만 세부 방법론의 이론적 근거와 다양한 다운스트림 응용에 대한 검증이 추가되면 더욱 완성도가 높아질 것이다.