In silico evaluation of pre-training strategies based on synthetic data for functional DNA generation

Motivation

• Known: DNAzyme은 RNA 절단 등 다양한 촉매 반응을 매개하는 single-stranded DNA 분자로, 8-17, 10-23 등 소수의 consensus sequence만이 알려져 있으며 SequenceCraft와 같은 예측 모델이 kobs 추정에 활용되어 왔다.
• Gap: catalytic core 설계는 context-dependent 활성과 target site 접근성 문제로 인해 여전히 경험적 스크리닝에 의존하며, 대규모 curated 데이터셋의 부재로 machine learning 기반 de novo 설계 및 활성 예측 도구가 사실상 부재한 상황이다.
• Why: DNAzyme의 catalytic core를 예측 가능하고 rational하게 설계할 수 있다면 SELEX 등 기존의 자원 집약적 실험 스크리닝을 대체하거나 보완할 수 있어, 항바이러스·항암·항염증 등 다양한 치료적 응용의 개발 속도와 성공률을 크게 높일 수 있다.
• Approach: SequenceCraft 데이터셋에서 도출한 도메인 기반 파라메트릭 제약(MFE, 서열 길이, GC content, 이차구조 특징)을 활용해 두 가지 합성 데이터 생성 전략(MFE 경계 매칭 및 property distribution 매칭)으로 생성 모델을 pre-training하고, 이후 계층적 스크리닝(ML 모델 + 구조적 prior)으로 후보를 선별하여 실험 검증까지 이어지는 pipeline을 구축했다.

Achievement

Figure 1. Structural parameters of SequenceCraft dataset.

1. 도메인 기반 필터링 규칙 확립: SequenceCraft 데이터셋(349개 catalytic core, 549개 시스템)의 구조적 분석을 통해 MFE(-10.0 kcal/mol 임계값), 서열 길이(~40 nt), GC content(45-50%), hairpin 위치·길이 등 Lipinski's rules 유사한 정성·정량적 필터링 기준을 도출했다.
2. 합성 데이터 기반 pre-training 전략 설계: MFE boundary 매칭 및 property distribution 매칭이라는 두 가지 합성 데이터 생성 접근법을 제안하여 실험 데이터 부족 문제를 우회했다.
3. 계층적 스크리닝 pipeline 구축: 생성 모델 → 판별 모델 필터링 → 이차/삼차 구조 예측 → cofactor 클러스터링 → molecular docking 및 binding affinity 시뮬레이션에 이르는 다단계 in silico 검증 체계를 제시했다.
4. kobs 예측 모델 성능: SequenceCraft 데이터로 학습한 예측 모델이 촉매 속도 상수(kobs) 추정에서 R2 > 0.93을 달성했다.

How

Figure 2. Hierarchical screening pipeline.

• SequenceCraft 데이터셋(349개 catalytic core, 549개 시스템, 71개 반응조건 파라미터)을 분석하여 MFE, 서열 길이, GC content, hairpin 구조 등의 통계적 특성을 도출
• dot-bracket notation으로 이차구조를 특성화하고 hairpin 중심 위치의 bimodal distribution(0.25, 0.55 피크) 등 구조적 패턴 식별
• 두 가지 합성 데이터 생성 전략: (1) MFE 임계값(-10.0 kcal/mol)을 만족하는 안정 구조 서열 생성, (2) 실제 DNAzyme과 구조적으로 유사한 property distribution을 만족하는 서열 생성
• 생성된 pre-training 데이터로 모델(예: Hyena 기반 아키텍처로 추정) 학습 후 DNAzyme-specific fine-tuning 수행
• 판별 모델(discriminative model)로 고확률 후보 필터링, 이후 이차/삼차 구조 예측으로 기능적 모티프 확인
• 알려진 DNAzyme과의 클러스터링을 통해 cofactor 요구사항을 가설화하고, molecular docking 및 binding affinity 시뮬레이션으로 검증
• PCA를 통해 생성 서열과 reference DNAzyme 서열의 분포 비교(Fig. 3)

Originality

• Lipinski's rules에 비견되는 DNAzyme 전용 도메인 기반 파라메트릭 제약을 최초로 체계화하여 합성 데이터 생성·모델 학습·후보 필터링 전 과정에 통합 적용한 점
• 실험 데이터 부재라는 근본적 병목을 합성 데이터 기반 pre-training이라는 두 가지 상호 보완적 전략(MFE 매칭, property distribution 매칭)으로 우회한 접근
• 생성 모델과 구조적 prior, cofactor 클러스터링, docking 시뮬레이션을 결합한 계층적 스크리닝 pipeline을 DNAzyme 도메인에 특화하여 설계한 점(RFdiffusion, EvoDiff 등 범용 생체분자 설계 프레임워크가 존재하지만 기능성 핵산 특화 모델은 부재했던 공백을 메움)

Limitation & Further Study

• 초록과 발췌된 본문만으로는 실제 실험적(wet-lab) 검증 결과가 제시되었는지 불명확하며, in silico pipeline의 예측이 실제 촉매 활성으로 이어지는지에 대한 최종 검증 데이터가 부족해 보임
• SequenceCraft 데이터셋 자체가 349개 catalytic core로 여전히 소규모이며, 이로부터 도출된 도메인 제약(MFE 임계값 등)이 얼마나 일반화 가능한지에 대한 통계적 근거가 제한적일 수 있음
• 합성 데이터 기반 pre-training이 실제 catalytic activity의 복잡한 구조-기능 관계를 얼마나 잘 포착하는지에 대한 정량적 비교(ablation)가 필요함
• 향후 연구로는 생성된 후보의 실제 실험적 활성 검증, 더 다양한 cofactor 조건에서의 일반화 성능 평가, 그리고 대규모 실험 데이터 확보를 통한 fine-tuning 개선이 요구됨

Evaluation

총평: 데이터 부족이라는 DNAzyme 설계의 근본적 난제를 도메인 지식 기반 합성 데이터 생성과 계층적 스크리닝으로 창의적으로 우회한 실용적 접근으로, 기능성 핵산 생성 모델링 분야에 중요한 초석을 놓았으나 실제 실험 검증 결과의 충실도에 따라 최종 가치가 결정될 것으로 보인다.