ViraHinter: A Dual-Modal Artificial Intelligence Framework for Predicting Virus-Host Interactions

Essence

Fig. 1 | Construction of a high-fidelity virus-host interaction atlas.

ViraHinter는 구조 생성 분기와 ESM 기반 서열 표현 분기를 결합한 이중 모달 딥러닝 프레임워크로, 바이러스-숙주 단백질 상호작용(PPI) 예측을 위해 설계되었다. 구조 정보와 서열 임베딩을 통합하여 다양한 바이러스 계열에서 일반화 가능한 상호작용 규칙을 학습한다.

Motivation

Known: 바이러스-숙주 PPI는 감염, 복제 및 병원성에 필수적이며, AP-MS와 근접 표지 기술 같은 고처리량 기법이 대규모 매핑을 가능하게 했다. 그러나 기존 데이터베이스는 실험적 커버리지의 한계, 일시적 상호작용 포착의 어려움, 바이러스 계열 간 제한된 서열 상동성으로 인해 많은 바이러스-숙주 상호작용이 미특성화 상태에 있다.
Gap: 기존 계산 방법들은 서열만 사용하는 LSTM 기반 접근법이나 구조 예측 모델(예: AlphaFold-Multimer)이 단독으로는 다양한 바이러스 계열에 걸친 일반화 가능한 상호작용 규칙 학습에 불충분하다. 서열 유래 임베딩의 광범위한 관계 지식과 구조적 쌍 표현의 물리적 정확성을 통합한 모델이 필요하다.
Why: 바이러스-숙주 상호작용의 정확한 예측은 새로운 항바이러스 표적 발굴, 바이러스 병원성의 분자 메커니즘 이해, 광범위 항바이러스제 개발에 필수적이다. 특히 신종 병원체에 대한 실험 데이터가 제한되어 있을 때 계산적 예측의 중요성이 더욱 높다.
Approach: IntAct, BioGRID, VirHostNet, VirusMentha로부터 10,451개의 고신뢰도 PPIs를 포함한 고충실도 바이러스-숙주 상호작용 아틀라스를 구축했다. RoseTTAFold2-PPI 구조 생성 분기와 ESM 서열 표현 분기를 결합한 이중 모달 프레임워크를 개발하여, 구조 정보와 서열 특징을 통합하는 쌍 표현 학습을 수행했다.

Achievement

Fig. 2 | ViraHinter architecture and benchmark performance.

주요 성과:

ViraHinter는 RoseTTAFold2-PPI, AlphaFold 3, RoseTTAFold2-Lite를 능가하는 성능 달성
심각한 클래스 불균형과 다양한 인터페이스 영역에서 높은 신뢰도 후보 우선순위 성공
인플루엔자 A 바이러스와 병원성 코로나바이러스 데이터셋에서 검증
인플루엔자 다중 아형 교차 분석을 통해 33개 공유 숙주 인자 식별로 광범위 항바이러스제 탐색 로드맵 제시
구조적으로 가소성이 있는 복합 인터페이스를 재현하고 기능적으로 관련된 새로운 숙주 인자 발굴

How

Fig. 2 | ViraHinter architecture and benchmark performance.

IntAct, BioGRID, VirHostNet, VirusMentha로부터 바이러스-숙주 PPI 통합 및 필터링
데이터베이스별 소스 특정 신뢰도 전략 적용 (MI 점수, 상호작용 유형 기반)
구조 생성 분기: RoseTTAFold2-PPI를 통한 구조 정보 추출
서열 표현 분기: ESM으로부터 단백질 서열 임베딩 획득
이중 모달 딥러닝 모델을 통한 구조 정보와 서열 임베딩의 통합
코로나바이러스 및 인플루엔자 A 바이러스 데이터셋에서 벤치마킹 수행
다중 아형 교차 분석을 통한 공유 숙주 인자 식별

Limitation & Further Study

현재 평가는 주로 병원성 코로나바이러스와 인플루엔자 A 바이러스로 제한되어 있으며, 다른 바이러스 계열(예: RNA 바이러스, 망상조직 바이러스)에 대한 일반화 가능성 검증 필요
모델의 계산 복잡성과 대규모 단백질 스크리닝의 실제 구현 시간에 대한 상세한 분석 부재
예측된 상호작용의 생물학적 검증(예: AP-MS 또는 심화된 생화학 분석)을 통한 추가 실험적 확인이 필요
근처 후보자 중 거짓 양성 비율에 대한 상세한 분석 제시 요청
후속 연구: 다양한 바이러스 계열과 신종 병원체에 대한 광범위한 적용, 동적 감염 과정을 반영하는 시계열 모델 개발, 구조적 가소성 메커니즘에 대한 심화 분석

Evaluation

Novelty: 4/5 Technical Soundness: 4/5 Significance: 5/5 Clarity: 4/5 Overall: 4/5

총평: ViraHinter는 구조 정보와 서열 임베딩을 통합한 이중 모달 프레임워크로 바이러스-숙주 PPI 예측에서 혁신적 성과를 달성했다. 기존 방법 대비 우수한 성능과 33개 공유 숙주 인자 발굴을 통한 광범위 항바이러스제 탐색 제시는 높은 학술적·임상적 가치를 지닌다. 다만 다양한 바이러스 계열에 대한 추가 검증과 생물학적 검증이 향후 필요하다.