PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2503.08838v3cs.CL공식 코드 · Papers with Code

PUMA: 돌연변이를 인식하는 단백질 단위 어휘 학습

PUMA: Learning a Mutation-Aware Vocabulary of Protein Units

단백질 서열을 언어로 모델링함으로써 언어 모델(language model)은 계산생물학에서 강력한 도구가 되었으나, 언어 자체에 대한 이해는 여전히 부족합니다. 이를 이해하기 위한 핵심 단계는 구성 단위를 식별하는 것입니다. 자연어에서 형태소가 여러 형태로 나타날 수 있듯이, 단백질에서도 돌연변이로 인해 진화 과정에서 보존되는 단위의 변이가 발생하여 연관된 단위 패밀리(family)를 형성할 수 있습니다. 본 연구에서는 서열로부터 단백질 단위를 학습하고 치환 행렬(substitution matrix)을 활용해 이들의 돌연변이 변이를 탐색함으로써 단위 패밀리의 계통(genealogy)을 형성하는 알고리즘인 PUMA(Protein Units via Mutation-Aware Merging)를 소개합니다. 실험 결과에 따르면 PUMA 패밀리 내에 유지되는 돌연변이는 치환 행렬 단독 예측치보다 양성(benign)인 경우가 더 많으며, PUMA 계통은 단위를 독립적으로 다루는 것에 비해 분자 기능 표현을 향상시키는 것으로 나타났습니다. 한 단위 패밀리에 대한 사례 연구는 상동성(homology)을 넘어선 연관성을 보여줍니다. PUMA는 단백질 언어 모델 토크나이저로 사용될 때 다운스트림 태스크에서 경쟁력 있는 성능을 달성합니다. 또한 단위를 패밀리로 축약함으로써 더 작은 임베딩(embedding) 테이블을 사용하고 더 빠른 학습(training)을 가능하게 합니다. 종합하면, 이러한 결과는 단백질 단위를 돌연변이 변이의 타당한 패밀리로 체계화하는 생물학적으로 기반이 탄탄한 단백질 어휘로서 PUMA를 뒷받침합니다. 소스 코드는 https://github.com/boun-tabi-lifelu/PUMA 에서 확인할 수 있습니다.