BGC-Master: Detecting Novel Biosynthetic Gene Clusters with DNA Foundation Models

Motivation

• Known: antiSMASH와 같은 규칙 기반 도구는 curated pHMM 모티프 매칭을 통해 BGC를 정밀하게 탐지하지만 알려진 모티프에 국한되며, DeepBGC, ClusterFinder, GECCO, BGC-Prophet 같은 딥러닝 기반 탐지기들도 protein-domain 또는 ESM2-style protein embedding에 의존해 upstream 유전자 예측과 Pfam 주석 단계를 거쳐야 한다.
• Gap: 기존 방법들은 protein-level 중간 표현에 의존하므로 gene-calling과 Pfam 주석 오류가 downstream 탐지에 전파되고, GC content, codon usage, operon architecture 등 뉴클레오타이드 수준의 정보 신호를 활용하지 못하며, 결과적으로 canonical 모티프에서 벗어난 '어두운(dark)' 생합성 공간의 클러스터를 놓친다.
• Why: 알려지지 않은 생합성 경로에는 약리학적으로 유망한 신규 천연물 타겟이 다수 존재할 가능성이 높으므로, 모티프에 편향되지 않은 방식으로 확장되는 메타지놈 컬렉션에서 신규 BGC를 발굴하는 능력은 신약 및 천연물 발견 파이프라인에 중요한 실용적 가치를 지닌다.
• Approach: frozen Evo2 7B의 token-level hidden states를 random projection과 8-bp pooling으로 압축한 latent representation을 입력으로 하는 경량 1D U-Net segmentation head를 weak-negative binary cross-entropy로 학습시키고, 이어서 결정론적 HMM/MIBiG triage gate를 통해 후보 영역을 필터링하는 파이프라인을 구성했다.

Achievement

Figure 3. Wet-lab triage funnel applied to the 579 AS-unannotated

1. 벤치마크 성능 향상: held-out 9-genome benchmark에서 F1 0.521(precision 0.620, recall 0.449)을 달성하여 antiSMASH 7(0.256), DeepBGC(0.117), BGC-Prophet(0.393)을 공유 overlap 기반 평가자 하에서 모두 능가했다.
2. 신규 후보 발굴: OER004256 해양 메타지놈에 적용해 참조 미주석 후보 영역 171개를 생합성 증거와 낮은 MIBiG 유사도와 함께 prioritize했으며, 이 중 일부는 antiSMASH의 확장 탐지 모드로도 발견되지 않는 영역이었다.
3. 에이전트 친화적 도구화: 탐지 및 증거 기반 우선순위화 기능을 tool-callable REST service로 노출하여, 향후 agentic natural-product discovery workflow에 재사용 가능한 모듈형 substrate를 제공했다.

How

Figure 1. Overview of the proposed BGC discovery pipeline. a, Long genome or metagenomic contig sequences are encoded by

• raw DNA 서열을 A, T, C, G, N으로 정제한 후 Evo2의 byte-level tokenizer로 염기 단위 1:1 정렬 토큰화를 수행한다.
• Evo2 7B의 blocks.20.mlp.l3 레이어에서 4,096차원 token-level hidden states를 추출하고, 고정된 Gaussian random projection으로 128차원으로 압축한 뒤 8개 연속 base-level state를 평균하여 8-bp pooled latent token(zt)을 생성한다.
• 16,384 bp 윈도우는 2048×128 latent sequence로 표현되며, 이는 4단계 encoder-decoder 구조의 경량 1D U-Net(약 320K 파라미터)에 입력되어 token당 1개의 BGC probability logit을 출력한다.
• encoder는 256배(4^4) 다운샘플링으로 넓은 genomic context를 집약하고, skip connection을 통해 decoder에서 local boundary 정보를 복원한다.
• antiSMASH로 유도한 base-pair-level BGC 주석(1,996개 assembly, 1,064,568개 16,384 bp 윈도우)으로 genome 단위 분할된 train/val/test에 대해 weak-negative binary cross-entropy로 segmentation head를 학습시킨다.
• 추론 시 겹치는 윈도우들의 token-level 예측을 genomic coordinate로 투영·평균하여 연속적인 genome-wide BGC probability track을 만들고, 고신뢰 연속 구간에서 후보 영역을 디코딩한 뒤 HMM/MIBiG triage gate로 최종 후보를 선별한다.

Originality

• protein-domain이나 ESM2-style protein embedding 없이 raw DNA에서 직접 BGC를 탐지하는 최초의 방법으로, gene-calling/Pfam 주석 단계를 완전히 우회한다.
• frozen genomic foundation model(Evo2 7B)의 특정 중간 레이어 표현을 random projection과 pooling으로 압축해 대규모 genome-wide 학습을 실용적으로 가능하게 한 압축 전략을 제시한다.
• 탐지와 evidence 기반 prioritization을 agent-ready REST 도구로 노출하여, 향후 closed-loop biology agent 워크플로우에 통합 가능한 모듈형 설계를 지향한다.

Limitation & Further Study

• recall이 0.449로 여전히 낮아 다수의 실제 BGC를 놓칠 가능성이 있으며, precision-recall trade-off에 대한 추가 분석이 필요하다.
• Evo2 backbone이 frozen 상태로 유지되어 특정 layer(blocks.20.mlp.l3) 선택에 성능이 크게 의존할 수 있으며, 다른 genomic foundation model이나 fine-tuning과의 비교가 제한적이다.
• 발췌된 introduction/methods 중심 내용만으로는 실제 wet-lab 검증 결과나 171개 후보의 생물학적 타당성에 대한 정량적 근거가 충분히 제시되지 않았다.
• 향후 연구로 agentic discovery workflow와의 실제 통합, 다양한 미생물 군집·환경에 대한 일반화 검증, wet-lab 피드백을 통한 detector 및 prioritization policy의 반복적 개선이 필요하다.

Evaluation

총평: DNA foundation model을 활용해 protein-level 중간 표현을 우회하고 raw 서열에서 직접 BGC를 탐지한다는 아이디어가 참신하고 벤치마크·실제 메타지놈 적용에서 모두 유의미한 성과를 보였으나, recall 개선과 wet-lab 검증을 통한 실질적 타당성 입증이 후속 과제로 남아있다.