Structural bias in machine learning-guided peptide design

Motivation

• Known: 머신러닝이 단백질 설계에서 서열 예측과 생성을 가속화하고 있으며, 구조 예측 분야에서 AlphaFold와 RosettaFold 같은 강력한 도구들이 등장했다. 하지만 단백질 생물학 분야에서 algorithmic bias의 영향이 상대적으로 간과되어 왔고, structural bias는 학습 데이터의 불균형한 fold 표현으로부터 발생하는 algorithmic bias의 부분집합이다.
• Gap: 기존 연구는 서열 기반 편향에 주목했지만, structural bias와 학습 데이터의 fold 대표성 불균형이 실제 모델 예측에 미치는 영향을 정량적으로 규명하지 못했다. 또한 GRAMPA 같은 저장소가 64% 이상 느슨한 나선 구조로 편향된 구성을 가지고 있음에도 이것이 모델 성능에 미치는 구조적 영향을 체계적으로 평가한 연구가 부족했다.
• Why: 머신러닝 기반 펩타이드 설계의 신뢰성과 일반화 능력 문제는 신약 개발과 합성 생물학 응용에서 중대한 위험을 초래할 수 있다. structural bias를 정량화하고 data leakage를 밝혀내는 것은 robust한 모델 개발과 생물 활성 분자 발견의 다목적 최적화에 필수적이다.
• Approach: GRAMPA 저장소(5,980개 펩타이드)와 UniProt 기반 non-AMP 데이터셋(3,385개)을 구축하고, PEP2D를 사용해 이차 구조 예측을 수행하여 ternary plot으로 structural landscape를 매핑했다. 16개 최첨단 AMP 예측 모델을 binary classifier로 평가하고, 각 structural class별로 confusion matrix를 계산해 accuracy, precision, specificity, sensitivity, MCC 등의 성능 지표를 도출했다. ProstT로 구조-서열 embedding을 생성하고 UMAP 차원 축소로 structural class 분리를 시각화했다.

Achievement

Figure 1. Predicted structural landscapes of (A) GRAMPA and (B) non-GRAMPA.

• 모델 성능의 structural class 의존성 발견: 16개 모델 모두 특정 structural class(특히 loose helix)에서 과도하게 높은 성능을 보이고 다른 class(random coil, β-strand)에서는 현저히 저하됨을 정량화
• Data leakage 증거 제시: 서열 기반 학습 모델도 학습 데이터의 불균형한 fold 표현으로부터 영향을 받으며, 이는 독립적인 structural class에서의 성능 편차로 나타남
• GRAMPA 데이터셋의 structural bias 특성화: 65.1% loose helix, 17.8% random coil, 17.1% β-strand/mixed 분포로 심한 불균형 입증
• 모델 간 편향 패턴의 일관성: 서로 다른 아키텍처의 모델들이 유사한 structural bias를 보여 편향이 학습 데이터에서 기인함을 강화

How

Figure 4. Structural diversity of GRAMPA and non-GRAMPA external validation

• GRAMPA와 non-GRAMPA 데이터셋 전처리: 중복 제거, 비표준 아미노산 제거, CD-HIT를 사용한 70% identity 기준 중복도 제거
• PEP2D 이차 구조 예측으로 H(나선), E(β-strand), C(코일) 백분율 계산
• 임의 경계값(80:0:20, 20:0:80, 20:80:0)으로 7개 structural class 정의
• 각 structural class별 confusion matrix 계산 및 표준 분류 성능 지표(accuracy, precision, specificity, sensitivity, MCC) 도출
• ProstT를 사용한 구조-서열 embedding 생성 및 UMAP 투영으로 structural class 분리 시각화
• 16개 모델을 독립적으로 평가하고 structural class별 성능 편차 비교

Originality

• Structural bias 개념의 체계적 정량화: Algorithmic bias의 부분집합으로서 structural bias를 명확히 정의하고 실증적으로 규명한 첫 번째 대규모 감사
• 다중 모델 벤치마킹: 서로 다른 아키텍처의 16개 최첨단 모델을 통일된 프레임워크로 평가하여 structural bias가 특정 모델이 아닌 학습 데이터 자체의 문제임을 입증
• Data leakage와 structural bias의 연결: 서열 기반 모델도 structural information에 의해 제약을 받음을 처음으로 명확히 시연
• 독립적 외부 검증 데이터셋: GRAMPA와 구별되는 UniProt 기반 non-AMP 데이터셋을 구축하여 model generalization 능력을 진정으로 평가

Limitation & Further Study

• 제한된 케이스 스터디: 항균 펩타이드(AMP)에만 초점을 두어 다른 펩타이드 설계 문제(단백질 안정성, 면역원성 등)로의 일반화 가능성 미검증
• Structural predictor의 한계: PEP2D와 AlphaFold 같은 구조 예측 도구 자체의 오류가 structural landscape 매핑에 영향을 미칠 수 있으나 충분히 논의되지 않음
• Bias 완화 전략의 부재: Structural bias 문제를 명확히 규명했으나 실질적인 완화 방안(balanced sampling, structural augmentation 등)에 대한 구체적 제언 부족
• Small-scale 모델 성능 미분석: 평가 대상이 주로 대규모 학습 데이터 기반 모델로 편향되어 있어 소규모 또는 특화된 모델의 structural bias 패턴 미조사
• 후속 검증 부족: 구조적 불균형을 해결한 모델 재학습 또는 bias-corrected prediction의 실제 성능 개선을 실증적으로 보여주지 않음

Evaluation

총평: 본 연구는 머신러닝 기반 펩타이드 설계의 신뢰성을 위협하는 structural bias를 체계적으로 규명한 중요한 감사 연구다. 16개 모델의 광범위한 벤치마킹과 엄격한 외부 검증을 통해 학습 데이터의 fold 불균형이 모든 아키텍처의 예측 성능을 일관되게 왜곡함을 정량적으로 입증했다. 다만 구체적인 완화 전략의 부재와 AMP 중심의 케이스 스터디로 인해 영향력은 제한적이나, 단백질 머신러닝 분야의 책임 있는 개발을 위한 표준 감사 관행을 제시한 점에서 학술적·실무적 가치가 크다.