From single-sequences to evolutionary trajectories: protein language models capture the evolutionary potential of SARS-CoV-2

Motivation

• Known: 단백질 언어모델은 다중서열정렬 없이 아미노산 서열만으로 3차 구조의 특징을 포착할 수 있으며, 자연언어처리의 문법(grammar)과 의미론(semantics) 개념을 단백질 서열에 적용할 수 있다. 기존 변이 영향 평가 방법들은 비교 게놈 서열 데이터나 구조 정보에 의존해왔다.
• Gap: 사전학습된 ESM-2와 같은 PLM이 MSA 없이 진화적 제약을 직접 포착하고 미관측 변이까지 예측할 수 있는지, 그리고 바이러스 변이주의 출현과 특성 변화를 인코딩할 수 있는지는 명확하지 않았다.
• Why: 신흥 바이러스 병원체에 대해 신속하게 변이 특성을 파악하고 미래 진화 경로를 예측하는 것은 공중보건 감시와 백신 개발에 필수적이며, MSA 없이도 작동하는 방법은 실시간 대응 능력을 향상시킨다.
• Approach: ESM-2를 이용한 in silico 심층변이주사(DMS)로 SARS-CoV-2 스파이크 단백질의 모든 가능한 단일 아미노산 치환을 평가하고, 상대 문법성(relative grammaticality)과 의미 점수(semantic score) 지표를 계산하여 진화적 제약과 변이 효과를 분석했다.

Achievement

Fig. 2 | ESM-2 identifies where variation accumulates in Spike. A Graph of the

• 구조적 제약 포착: ESM-2가 스파이크 단백질의 S1과 S2 서브유닛 간 구조적 차이를 정확히 구분하여 S2의 낮은 상대 문법성(높은 보존)과 S1의 높은 문법성(높은 변이성)을 올바르게 식별했다.
• 변이주 진화 역사 인코딩: ESM-2 표현이 팬데믹 기간 SARS-CoV-2 변이주 간 진화 역사를 인코딩하며, 관심 변이주 출현 시 수용체 결합과 항원성의 특성 변화를 반영했다.
• 미관측 변이 예측: 사전학습된 ESM-2가 구조 정보나 다중서열정렬 없이도 미관측 변이(unobserved changes)의 효과를 예측할 수 있음을 입증했다.
• 상위성 상호작용 식별: ESM-2 우도(likelihoods)를 이용하여 단백질 내 위치 간 상위성 상호작용(epistatic interactions)을 식별할 수 있음을 보였다.
• 일반화 가능성: MSA가 필요 없으며 구조 정보도 불필요한 사전학습 PLM만으로 모든 단백질 서열에 적용 가능함을 시연했다.

How

Fig. 1 | Schematic methodology summary. Deep mutational scanning involves

• ESM-2로 스파이크 단백질의 모든 위치에서 가능한 모든 아미노산으로의 치환 서열을 임베딩하여 deep mutational scanning 수행
• 각 변이에 대해 상대 문법성(참조 아미노산 대비 변이 아미노산의 로그우도 비율) 계산
• 변이 전후 서열 임베딩 간 거리를 의미 점수로 측정
• SARS-CoV-2 변이주 서열의 해플로타입 추출 및 ESM-2 임베딩과 우도 계산
• 시계열 상에서 메트릭 평균화를 통한 슬라이딩 윈도우 분석
• 진화 속도(evo-velocity)를 계산하여 변이주 간 진화적 궤적 시각화
• BA.1 변이주에서 변이를 되돌리고(revert) 다른 위치의 우도 변화 측정하여 상위성 상호작용 탐지

Originality

• MSA 우회: 기존의 MSA 기반 진화적 제약 분석과 달리 단일 서열만으로 구조적 제약을 포착하는 새로운 접근
• PLM 기반 DMS: 실험적 DMS 대신 PLM 임베딩과 우도를 이용한 in silico DMS 방법론의 정립
• 진화 궤적 추적: 언어모델 표현이 바이러스 진화 역사와 변이주 특성 변화를 인코딩함을 실증적으로 입증
• 상위성 상호작용 식별: PLM 우도 변화를 통해 확률론적으로 상위성 상호작용을 직접 계산하는 방법
• 구조 없는 예측: 단백질 구조, 기능 주석, 실험 데이터 없이 순수 서열 정보만으로 기능적 제약 모델링

Limitation & Further Study

• 생화학적 검증 부족: in silico 예측이 실제 실험적 DMS 결과(Dadonaite et al.)와의 정량적 상관관계 분석이 제한적
• 스파이크 단백질 특화: 다른 바이러스 단백질이나 병원체에 대한 일반화 가능성을 직접 검증하지 않음
• 상위성 메커니즘 불명확: ESM-2가 식별한 상위성 상호작용의 생물물리학적 메커니즘 해석 부족
• 임계값 결정: 의미 있는 변이 효과의 임계값이나 clinical relevance 기준이 명확하지 않음
• 시간 동향 분석 한계: 팬데믹 중 출현 변이주의 향후 진화 가능성 예측의 신뢰도 검증 필요
• 후속 연구: 실험적 DMS 데이터와의 대규모 비교 검증, 다양한 병원체 적용, 임상 시례 연구, ESM-3 등 후속 모델의 성능 비교

Evaluation

총평: 본 논문은 사전학습 PLM(ESM-2)이 MSA와 구조 정보 없이도 단백질의 진화적 제약과 변이 효과를 효과적으로 포착할 수 있음을 입증하여, 신흥 바이러스 대응에 필수적인 신속한 변이 분석을 가능하게 하는 중요한 방법론적 진전을 제시했다.