KR102213670B1 - 약물-표적 상호 작용 예측을 위한 방법 - Google Patents

Abstract

본 발명에 따른 단백질-표적 상호 작용을 예측하기 위한 방법은, 로컬 잔류 패턴을 추출하기 위하여 프로세서에서 컨볼루션 신경망(convolution neural network)을 이용하여 단백질 서열을 학습하는 단계, 약물 지문 패턴을 추출하기 위하여 상기 프로세서에서 제 1 완전 연결 계층(fully connected layer)을 통하여 약물 지문을 학습하는 단계, 상기 프로세서에서 상기 로컬 잔류 패턴과 상기 약물 지문 패턴을 연접(concatenation)하는 단계, 및 상기 프로세서에서 제 2 완전 연결 계층을 통하여 상기 연접된 패턴을 학습하는 단계를 포함할 수 있다.

Description

약물-표적 상호 작용 예측을 위한 방법{METHOD FOR PREDICTION OF DRUG-TARGET INTERACTIONS}

본 발명은 약물-표적 단백질의 상호 작용 예측을 위한 방법에 관한 것이다.

약물 발견의 초기 단계에서, 약물이 물리적 결합을 통해 표적의 생물학적 활성을 억제하거나 활성화하기 때문에 약물-표적 상호 작용 (drug-target interaction; DTI)의 식별이 중요한 역할을 한다. 따라서, 약물 개발자는 관심있는 생물학적 활성으로 특정 표적과 상호 작용하는 화합물을 스크리닝 한다. 하지만 대규모의 화학적 혹은 생물학적 실험에서 DTI를 식별하는 데는 일반적으로 2 ~ 3 년의 실험 시간이 필요하며 관련 비용이 많이 든다. 따라서 약물, 표적 및 상호 작용 데이터의 누적으로 인해 약물 발견을 돕기 위해 가능한 DTI의 예측을 위해 다양한 인 실리코(in silico) 방법이 개발되고 있다.

전산 접근법 중 많은 유사성 기반 방법이 처음 연구되었다. 여기에서 약물은 알려진 표적과 유사한 단백질에 결합하고 그 반대의 경우도 마찬가지라고 가정했다. 가장 잘 확립된 방법 중 하나는 화학적 공간과 게놈 공간을 약리학적 공간에 결합시키는 것이다. DTI를 식별하기 위한 입력으로 알려진 약물 상호 작용에 대한 정보를 사용하는 커널 회귀 분석법을 사용하는 Yamanashi 등의 방법이다. 방대한 계산 능력을 요구 사항을 극복하기 위해 Beakley 등은 상호 작용 모델을 국지적으로 훈련하지만, 전체적으로 훈련시키지 않는 부분 모델을 개발했다. 계산 복잡도를 크게 줄이는 것 외에도 이 모델은 이전 모델보다 높은 성능을 보였다. 하지만 유사성 기반 방법은 특정 단백질 군내에서 DTI에 대해 잘 작동하지만 다른 분류에서는 그렇지 않는다. 유사성 기반 방법은 현재 DTI를 예측하는 데 일반적으로 사용되지 않는다. 따라서 단백질 클래스와 대상 또는 약물 사이의 유사성에 관계없이 DTI를 예측하는 방법이 필요하다. 이 방법은 상당한 계산 능력이 필요하다.

일본공개특허: 특개2017-520868, 공개일: 2017년 7월 27일, 제목: 결합 친화성 예측 시스템 및 방법. 한국공개특허: 10-2018-0017827, 공개일: 2018년 2월 21일, 제목: 염기 프로파일과 조성을 이용하여 단백질과 결합하는 RNA 서열 영역을 예측하는 방법 및 시스템. 한국공개특허: 10-2018-0052959, 공개일: 2018년 5월 21일, 제목: MHC와 펩타이드 사이의 결합 친화성 예측 방법 및 장치.

본 발명의 목적은 신규한 단백질-표적 상호 작용을 예측하는 방법을 제공하는데 있다.

본 발명의 실시 예에 따른 단백질-표적 상호 작용을 예측하기 위한 방법은: 로컬 잔류 패턴을 추출하기 위하여 프로세서에서 컨볼루션 신경망(convolution neural network)을 이용하여 단백질 서열을 학습하는 단계; 약물 지문 패턴을 추출하기 위하여 상기 프로세서에서 제 1 완전 연결 계층(fully connected layer)을 통하여 약물 지문을 학습하는 단계; 상기 프로세서에서 상기 로컬 잔류 패턴과 상기 약물 지문 패턴을 연접(concatenation)하는 단계; 및 상기 프로세서에서 제 2 완전 연결 계층을 통하여 상기 연접된 패턴을 학습하는 단계를 포함할 수 있다.

실시 예에 있어서, 상기 단백질 서열을 학습하는 단계는, 컨볼루션 계층(convolution layer)을 통하여 복수의 단백질 서열에 대하여 로컬 잔류 패턴(local residue pattern)을 학습하는 단계; 및 맥스 풀링 계층(max pooling layer)을 통하여 상기 학습된 로컬 서열 패턴의 결과에서 최대값을 상기 로컬 잔류 패턴으로 추출하는 단계를 포함할 수 있다.

실시 예에 있어서, 상기 맥스 풀링 계층은 글로벌 맥스 풀링 계층(global max pooling layer)인 것을 특징으로 한다.

실시 예에 있어서, 상기 복수의 단백질 서열은 DrugBank, IUPHAR(International Union of Basic and Clinical Pharmacology), 및 KEGG(Kyoto Encyclopedia of Genes and Genomes) 중에서 적어도 하나의 데이터베이스로부터 훈련되는 것을 특징으로 한다.

실시 예에 있어서, 상기 컨볼루션 계층의 크기는 사전에 결정된 단백질 서열의 크기(MPL)에서 창 크기(WS)를 뺀 값에 1을 더한 값인 것을 특징으로 한다.

실시 예에 있어서, 상기 단백질 서열을 학습하는 단계는, 임베딩 계층을 통하여 상기 복수의 단백질 서열에 대한 삽입 벡터의 크기를 상기 사전에 결정된 단백질 서열의 크기(MPL)로 설정하는 단계를 더 포함할 수 있다.

실시 예에 있어서, 상기 프로세서에서 출력 계층을 통하여 단백질-표적 상호 작용에 대응하는 스코어를 발생하는 단계를 더 포함할 수 있다.

실시 예에 있어서, 상기 스코어를 발생하는 단계는, 상기 로컬 잔류 패턴과 상기 약물 지문 패턴의 각각에 가중치를 설정하는 단계; 및 상기 설정된 로컬 잔류 패턴과 상기 설정된 약물 지문 패턴을 입력으로 하는 활성화 함수를 활성시킴으로써 상기 스코어를 생성하는 단계를 포함할 수 있다.

실시 예에 있어서, 상기 활성화 함수는 sigmoid 함수 인 것을 특징으로 한다.

실시 예에 있어서, 학습 속도 혹은 창 크기를 교차 유효성 검사 중에 조정시키는 단계를 더 포함할 수 있다.

본 발명의 실시 예에 따른 단백질-표적 상호 작용을 예측하는 방법은, CNN을 이용하여 로컬 잔류 패턴을 추출하고, 대응하는 약물 지문 패턴을 학습하여 연접시켜 단백질-표적 상호 작용의 결과를 효율적으로 예측할 수 있다.

이하에 첨부되는 도면들은 본 실시 예에 관한 이해를 돕기 위한 것으로, 상세한 설명과 함께 실시 예들을 제공한다. 다만, 본 실시예의 기술적 특징이 특정 도면에 한정되는 것은 아니며, 각 도면에서 개시하는 피쳐들은 서로 조합되어 새로운 실시 예로 구성될 수 있다.
도 1은 본 발명의 실시 예에 따른 약물-표적 상호 작용을 예측하기 위한 딥 러닝 장치를 개념적으로 보여주는 도면이다.
도 2는 본 발명의 실시 예에 따른 약물-표적 상호 작용을 예측하기 위한 딥 러닝 모델을 예시적으로 보여주는 도면이다.
도 3은 전체 단백질 서열로부터 로컬 잔류 패턴을 추출하는 전체 스키마를 예시적으로 보여주는 도면이다.
도 4는 단백질 디스크립터의 최적화 모델을 위한 정밀도-리콜 곡선을 예시적으로 보여주는 도면이다.
도 5는 PubChem 데이터 세트의 독립적인 데이터 세트에 대한 성능 비교를 예시적으로 보여주는 도면이다.
도 6는 PubChem 데이터 세트의 독립적인 데이터 세트에 대한 성능 비교를 예시적으로 보여주는 도면이다.
도 7은 본 발명의 컨볼루션 모델과 Wen의 모델 사이의 성능을 예시적으로 비교한 도면이다.
도 8a는 마스트/스템 셀 성장 인자 수용체 키트 단백질의 바인딩 사이트를 도시하고, 도 8b는 5-하이드록시트립타민 수용체 1B 단백질의 바인딩 사이트를 예시적으로 보여주는 도면이다.
도 9는 본 발명의 실시 예에 따른 약물-표적 상호 작용을 예측하는 방법을 예시적으로 보여주는 도면이다.

아래에서는 도면들을 이용하여 본 발명의 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있을 정도로 본 발명의 내용을 명확하고 상세하게 기재할 것이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 하지만 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다.

도 1은 본 발명의 실시 예에 따른 약물-표적 상호 작용(DTI)을 예측하기 위한 딥 러닝 장치(100)를 개념적으로 보여주는 도면이다. 도 1을 참조하면, 딥 러닝 장치(100)는 CNN 유닛(110), 제 1 FC 유닛(120), 연접 유닛(130), 제 2 FC 유닛(140), 및 DTI 예측 유닛(150)을 포함할 수 있다.

CNN 유닛(110)은 단백질 서열을 수신하고, 컨볼루션 계층(convolution layer) 및 풀링 계층(pooling layer)에 따라 학습함으로써, 단백질의 로컬 잔류 패턴(local residue pattern)을 추출하도록 구현될 수 있다. 컨볼루션 계층은 단백질 서열에 대한 복수의 필터(혹은 커널)를 이용하여 컨볼루션 연산을 수행함으로써 복수의 피쳐 맵들(feature maps)을 생성할 수 있다. 풀링 계층은 컨볼루션 계층의 출력을 단순화시키기 위하여, 피쳐 맵들 각각에서 사전에 결정된 영역에서 특정 값을 추출할 수 있다. 예를 들어, 풀링 계층은, 단위 영역에서 최대값, 최소값, 평균 값 등 다양한 방법으로 특정 값을 추출할 수 있다. 아래에서는 설명의 편의를 위하여 본 발명의 풀링 계층은 최대값을 추출하는 맥스 풀링 계층으로 가정하겠다. 정리하면 CNN 유닛(110)은 필터를 이용하여 로컬 잔류 패턴을 추출할 수 이다.

제 1 FC 유닛(120)은 약물 지문을 수신하고, 완전 연결 계층(fully connected layer)을 통하여 학습하도록 구현될 수 있다. 제 1 FC 유닛(120)은 가중치 벡터와 활성화 함수(activation function)를 이용하여 기존의 피쳐 정보를 조직화 및 추상화 시킬 수 있다. O(결과 층) = activation_function(W(가중치) x H (입력 층)+ b(바이어스) 의 수식으로 표현될 수 있다. 따라서 결과층의 각 차원의 값은 입력 층 값마다에 각각 가중치가 곱해져서 더해진 후에 바이어스까지 더해진 값이 된다. 이러한 결과에 활성화 함수를 이용하여 비선형성이 유도될 수 있다. 이러한 결과층의 결과는 결과층의 각각의 차원이 입력층의 각각 차원을 가중치를 이용하여 조직화시킨 결과를 의미한다. 약물 완전 연결 계층의 경우, 각각의 차원은 화합물에서 특정 하부 구조(substructure)가 존재하는지에 대한 여부를 의미한다. 완전 연결 신경망의 결과층의 결과값은 입력된 하부 구조값에 가중치를 이용함으로써 도출한 특정 하부구조의 조합을 의미한다. 즉, 완전 연결 계층을 통하여 학습한다는 것은, 약물-표적 예측에 중요하게 작용하는 특정 하부구조를 모델에서 학습한다는 의미이다.

연접 유닛(130)은 CNN 유닛(110)로부터 출력된 로컬 잔류 패턴과 제 1 FC 유닛(120)로부터 출력된 약물 지문 패턴을 연접하도록 구현될 수 있다.

제 2 FC 유닛(140)은 연접 유닛(130)으로부터 출력된 패턴에 대하여 완전 연결 계층(fully connected layer)을 통하여 학습하도록 구현될 수 있다. 여기서 약물과 표적 단백질의 상호 작용을 예측하기 위하여 정제된 약물과 단백질 피쳐로부터 유의미한 조합이 학습될 수 있다. 제 2 FC 유닛(140)은 제 1 FC 유닛(120)과 유사한 방법으로 구동될 수 있다.

DTI 예측 유닛(150)은 제 2 FC 유닛(140)의 출력에 대한 약물-표적 상호 작용(DTI)에 대응하는 스코어를 발생하도록 구현될 수 있다. 제 2 FC 유닛(140)의 조직화된 조합들에 대한 가중치를 통하여 최종적인 약물-표적 상호 작용이 예측될 수 있다. 예를 들어, 조직화된 조합은 Sigmoid 함수를 활성화 함수로 사용하여, 0 ~ 1 사의 값이 스코어링 될 수 있다. 이러한 스코어 값에 따라 분류가 이루어질 수 있다. 이러한 스코어링은 제 2 완전 연결 계층에서 조직화된 조합들에 가중치를 통하여 최종적인 DTI를 예측하는 값을 출력할 수 있다.

일반적으로 약물-표적 상호 작용 (drug-target interaction; DTI)의 식별은 약물 발견에서 중요한 역할을 한다. 약물은 표적 단백질과 여러 가지 방식으로 상호 작용을 하면서 특정 기능을 수행한다. 시험 관내 및 생체 내 실험의 높은 비용과 노동 집약적 특성 때문에 실리코 기반 DTI 예측 접근법의 중요성이 강조되고 있다. 따라서, 본 발명의 실시 예에 따른 딥 러닝 장치(100)는 DTI에 참여하는 로컬 잔류 패턴을 포착하기 위해 단백질 원시 서열 학습에 CNN(convolutional neural network)을 사용할 수 있다. 또한, 본 발명의 실시 예에 따른 딥 러닝 장치(100)는 풀링된 컨볼루션 결과를 검토함으로써, DTI에 대한 단백질의 결합 영역을 검출 할 수 있다. 결론적으로, 본 발명의 딥 러닝 장치(100)는 표적 단백질의 로컬 잔류 패턴을 검출하기 위한 예측 모델로써, 미처리 단백질 서열의 단백질 피쳐를 잘 나타내고, 이전의 접근법보다 더 나은 예측 결과를 산출할 수 있다.

일반적인 피쳐 기반 DTI 예측 모델의 경우, 약물 지문(drug fingerprint)은 약물 하부 구조(substructure)의 가장 일반적으로 사용되는 디스크립터이다. 약물 지문은 약물의 하부 구조의 존재를 나타내는 지표 값을 갖는 이진 벡터(binary vector)로 변형될 수 있다. 단백질의 경우, CTD(composition, transition and distribution) 디스크립터들은 일반적인 계산 표현으로 사용될 수 있다. 다양한 단백질과 화학적 디스크립터가 소개되지만, 피쳐 기반 모델은 충분히 좋은 예측 성능을 보여주지 못한다. 일반적인 머신 러닝 모델의 경우, SMILES 및 아미노산 서열과 같은 원래의 원시 형태로부터, 모델링 함으로써 피쳐들이 판독되어야 하는데, 변환 과정에서 로컬 잔류 패턴(local residue patterns) 정보가 손실되고 있으며, 손실된 로컬 잔류 패턴 정보가 복구도 어렵다.

본 발명의 실시 예에 따른 딥 러닝 장치(100)는, 로컬 잔류 패턴 정보를 잃지 않으면서, 최대 길이에 대한 바이어스 없이 DTI에 대한 로컬 잔류 패턴을 추출할 수 있다. 본 발명의 실시 예에 따른 딥 러닝 장치(100)는 다양한 목적 단백질 클래스뿐만 아니라 다양한 단백질 길이에 대해서도 원시 단백질 서열을 사용함으로써 대용량 DTI를 예측할 수 있다.

도 2는 본 발명의 실시 예에 따른 약물-표적 상호 작용을 예측하기 위한 딥 러닝 모델을 예시적으로 보여주는 도면이다. 도 2를 참조하면, 약물-표적 상호 작용을 예측하는 딥 러닝 모델은, DTI에 참여하는 주요 단백질 로컬 잔류 패턴(local residue patterns)을 추출하기 위해 단백질의 전체 서열에 컨볼루션 필터를 채택하고 있다. 컨볼루션의 최대 결과를 풀링함으로써, 주어진 단백질 서열이 DTI에 참여하는 로컬 잔류 패턴과 어떻게 일치하는지가 결정될 수 있다. 이 데이터를 상위 계층의 입력 변수로 사용하는 딥 러닝 모델은, 단백질에 대한 추상화 및 조직화된 피쳐들(features)을 구성할 수 있다.

마지막으로, 본 발명의 딥 러닝 모델은 약물 피쳐들(drug features)(혹은 약물 지문 패턴)을 단백질 피쳐들(혹은 단백질 서열 패턴)에 연접(concatenation)할 수 있다. 여기서 약물 피쳐들은 완전 연결 계층(fully connected layer; 제 1 완전 연결 계층)을 통해 약물 지문들로부터 학습됨으로써 산출 될 수 있다. 그리고 연접된 피쳐들은 더 높은 완전 연결 계층(제 2 완전 연결 계층)을 통하여 DTI들의 가능성을 예측할 수 있다.

본 발명의 실시 예에 따른 딥 러닝 모델은 다양한 DTI 데이터베이스들로부터 통합된 대용량 DTI 정보로 훈련될 수 있다. 여기서 DTI 데이터베이스들은, DrugBank, IUPHAR(International Union of Basic and Clinical Pharmacology), 및 KEGG(Kyoto Encyclopedia of Genes and Genomes) 등을 포함할 수 있다. 본 발명의 딥 러닝 모델은 MATADOR 및 Liu et al.로부터 예측된 음성 상호 작용(negative interactions)으로부터 최적화 될 수 있다. 최적화된 모델을 사용함으로써, 모델 성능 평가를 위하여 PubChem BioAssays 및 KinaseSARfari와 같은 생물 분석으로부터 DTI가 예측될 수 있다.

한편, 훈련 데이터 세트를 구축하기 위해 DrugBank, KEGG, IUPHAR의 세 가지 데이터베이스로부터 알려진 DTI가 얻어질 수 있다. 그리고 세 가지 데이터베이스의 중복된 DTI가 제거될 수 있다. 그 결과 총 12,859개의 화합물, 5163개의 단백질, 및 35,145개의 DTI가 얻어질 수 있다. 수집된 모든 DTI는 훈련을 위해 양성 샘플로 간주될 수 있다. 음성 샘플은 양성 샘플과 배타적인 무작위 DTI가 양성 샘플의 2배만큼 선택되어 구성될 수 있다. 또한 음성 샘플은 무작위로 선택되기 때문에 10개의 음성 데이터 세트가 생성될 수 있다.

본 발명의 실시 예에 따른 딥 러닝 모델은 평가를 위해, PubChem BioAssay 데이터베이스와 ChEMBL KinaseSARfari로부터 두 개의 독립적인 테스트 데이터 세트를 구축할 수 있다. 이러한 데이터 세트는 실험 분석의 결과로 구성될 수 있다. PubChem으로부터 양성 DTI를 얻기 위해, 해리 상수 (Kd < 10μm)를 갖는 분석법(assays)으로부터 "활성" DTIs가 수집될 수 있다. 약물이 단백질에 결합하는지 여부를 예측하기 때문에, 여러 유형의 분석법 (IC50, EC50, Kd, Ki, AC50) 중에서 해리 상수(Kd)의 평가가 양성 표본을 얻는 가장 적절하다.

음성 샘플의 경우, 다른 분석 유형에서 "비활성"으로 주석 처리된 샘플이 사용될 수 있다. 하지만, PubChem 바이오 분석에서 너무 많은 음성 샘플이 수집될 수 있다. 이에 첫째로 PubChem bioassays의 양성 샘플에 포함된 약물과 표적이 있는 음성 샘플들만 수집된다. 둘째, 약물이나 단백질이 양성 샘플에 포함된 무작위 음성 샘플들을 추가함으로써, 음성 시료 수가 양성 시료와 동일할 것이다. 그 결과 12,906 개의 양성 및 음성 샘플이 14,343개의 약물과 714개의 단백질로 구성될 수 있다.

또한 KinaseSARfari로부터 샘플이 수집될 수 있다. KinaseSARfari는 키나아제 도메인에 결합하는 화합물을 포함하는 분석으로 구성될 수 있다. KinaseSARfari로부터 양성 샘플을 얻기 위해 양성으로 판단되기에 충분히 작은 양성으로 해리 상수(Kd<10μm)를 갖는 각각의 분석 결과는 양성으로 간주될 수 있다. PubChem bioassays와는 대조적으로, 음성 샘플의 수는 KinaseSARfari의 양성 샘플 수와 유사할 수 있다. 따라서 음성 샘플이 샘플링 되지 않는다. 3835개의 양성 샘플과 5520개의 음성 샘플들은 3379개의 화합물과 389개의 단백질로 구성될 수 있다.

한편, 본 발명의 실시 예에 따른 딥 러닝 모델은 단백질의 입력으로 원시 단백질 서열을 사용할 수 있다. 약물의 경우, 분자를 그래프로 분석하고, 전체 분자 그래프의 하위 그래프에서 분자 구조의 하부 구조를 검색하는 ECFP 약물 지문이 사용될 수 있다. 특히 RDKit을 사용하여 원시 SMILES 문자열에서 반경 2의 ECFP 지문이 산출될 수 있다. 마지막으로, 각 약물은 길이가 2048인 이진 벡터로 재현될 수 있다. 이러한 지표는 특정 하부 구조의 존재를 나타낼 수 있다.

한편, 본 발명의 실시 예에 따른 딥 러닝 모델은 CNN을 통해 전체 단백질 서열로부터 로컬 잔류 패턴(local residue patterns)을 추출하고, 완전 연결 계층(fully connected layers)을 통해 약물 지문의 잠재성 표현을 산출할 수 있다. 약물 계층과 단백질 계층을 모두 가공 한 후, 가공된 계층들을 연접함으로써 완전 연결 계층에서 그 결과물이 산출될 수 있다. 출력 계층을 제외한 모든 계층은 아래의 수학식과 같이 지수 선형 유닛 (ELU; exponential linear unit) 기능으로 활성화 될 수 있다.

출력 계층은 분류(classification)을 위한 sigmoid 함수로 활성화 될 수 있다. 전체 신경망 모델은 Keras로 구현 될 수 있다.

한편, 머신 러닝 모델과 딥 러닝 모델의 단백질 특성을 설명하는 데 어려움 중 하나는 단백질 길이가 모두 다르다는 것이다. 또 다른 어려움은 단백질 구조 전체가 아니라, 특이 도메인(domains)이나 모티프(motifs)와 같은 단백질의 특정 부분 만이 DTI에 관여한다는 것이다. 결과적으로, 전체 단백질 서열의 물리 화학적 성질은 DTI에 관여하지 않는 서열의 부분으로부터의 잡음 정보로 인해 DTI를 선행적으로 묘사하는데 적합하지 않다. 따라서 DTI에 관련된 로컬 잔류 패턴의 추출은 정확한 예측이 필요하다. 컨볼루션 신경망은 전체 공간에서 중요한 로컬 잔류 패턴을 포착할 수 있다.

도 3은 전체 단백질 서열로부터 로컬 잔류 패턴을 추출하는 전체 스키마를 예시적으로 보여주는 도면이다. 도 3을 참조하면, 단백질 서열의 컨볼루션을 가능하게 하기 위해, 단백질 서열의 아미노산 잔류 패턴이 아미노산 라벨로부터 20의 삽입 크기(ES)를 갖는 삽입 벡터에 변형될 수 있다. 이러한 변형 과정에서 모든 단백질에 대한 삽입 벡터의 길이는 최대 단백질 길이 (MPL), 즉 2500으로 설정 될 수 있다. 여백에는 널 레이블($)과 해당 포함 벡터가 채워져 있다. 이는 무의미한 컨볼루션 결과이다. 결과적으로 20×2500의 임베딩 계층(embedding layer)이 단백질 기능을 위해 구성 될 수 있다. J 번째부터 j+ws 번째 아미노산까지 컨볼루션과 함께 스트라이딩(striding) 1을 사용하여 1D 방식으로 단백질 서열에 대하여 컨볼루션이 수행될 수 있다. 이는 아래의 수학식으로 정의될 수 있다.

전체 단백질 서열에 대한 컨볼루션 동작은 각 컨볼루션 필터에 대해 (MPL-WS+1) 크기의 컨볼루션 계층을 생성시킬 수 있다. 여기서 WS는 창 크기이다. 마지막으로 가장 중요한 로컬 잔류 패턴을 추출하기 위해 각 필터에 대해 글로벌 맥스 풀링(global max-pooling)이 수행될 수 있다. 이는 아래의 수학식으로 정의될 수 있다.

여기서 j는 단백질 Pk에 대한 모든 컨볼루션 결과를 포함한다. 각 창에 대해 최대값 컨볼루션 결과를 갖는 필터 크기의 벡터가 산출될 수 있다. 로컬 잔류 패턴 및 최대 단백질 길이의 위치로부터 바이어스가 유도되지 않는다. 마지막으로, 모든 max-pooling 결과를 연접함으로써, 단백질의 잠복적 표현이 구성될 수 있다. 이는 상호 작용에 대한 로컬 잔류 패턴이 서열에 얼마나 중요한지를 나타낸다. 더 많은 조직화와 단백질 피쳐의 추상화를 위해, 연결된 최대 풀링 결과는 완전 연결 계층에 제공될 수 있다.

상술된 바와 같이, 약물 지문 디스크립터의 잠재 표현은 DTI를 예측하는데 더 유용하다. 단백질과 약물의 특징을 신경 회로망으로 정제한 후에 이러한 약물 피쳐를 연접하고, 최종 출력을 얻어서 약물과 표적이 상호 작용 하는지를 결정하기 위해 완전 연결 계층이 구현될 수 있다.

구성된 딥 뉴럴 모델을 사용하여, 입력은 피드-포워드 방식으로 출력 계층으로 전달될 수 있다. 딥 뉴럴 모델은 다음과 같이 이진 교차 엔트로피로 손실을 계산할 수 있다.

오버피팅을 방지하기 위해 L2-norm으로 손실 함수가 적용될 수 있다.

마지막으로 Adam 최적화 도구를 사용하여 가중치를 업데이트함으로써 딥 러닝 모델에 대한 일반화된 예측이 제공될 수 있다.

또한, 오버피팅(overfitting)을 방지하기 위해 일괄 정규화 (Batch Normalization) 기술이 사용될 수 있다.

본 발명의 실시 예에 따른 딥 러닝 모델은 성능에 영향을 미치는 학습 속도 및 창 크기와 같은 하이퍼 파라미터들을 교차 유효성 검사 중에 조정시킬 수 있다. 가장 적절한 하이퍼 파라미터를 선택하기 위해 외부 유효성 검사 데이터 집합이 구성될 수 있다. MATADOR 데이터베이스에서 양성 DTI를 수집하는데, 이는 훈련 데이터 세트와 배타적이다. 신뢰할 수 있는 음성 데이터 세트를 만들기 위해 Liu et al의 데이터 중 높은 음의 스코어 (>0.93)를 갖는 음성 DTI가 획득될 수 있다. 결과적으로 400개의 양성 DTI와 404개의 음성 DTI가 외부 유효성 검증 세트로써 생성될 수 있다. 외부 검증 데이터 세트가 구축 된 후, 최고의 정밀도-리콜 곡선 하 면적(AUPR; area under precision-recall)을 제시하는 최적의 하이퍼 파라미터들을 식별하기 위하여 그리드 검색 방법이 사용될 수 있다. AUPR이 측정 될 때, 최적 임계 값은 EER(Equal Error Rate)로 주어질 수 있다.

여기서 θ는 분류 임계 값이고 α는 정확도와 리콜에서 오 분류에 대한 비용 비율을 결정하는 상수이다.

한편, 민감도(Sen), 특이도(Spe), 정밀도(Pre), 정확도(Acc), 및 F1 측정값(F1)을 정하여 분류 임계 값을 정한 후 독립적인 테스트 데이터 세트를 기반으로 한 딥 뉴럴 모델의 예측 성능이 측정될 수 있다. 하이퍼 파라미터 설정의 일반적인 단계로써, 먼저 가중치 갱신의 학습 속도는 0.0001로 조정될 수 있다. 학습률이 고정 된 후 창 크기, 수, 약물 피쳐의 히든 계층(hidden layer)이 AUPR를 이용하여 벤치 마크될 수 있다.

도 4는 단백질 디스크립터의 최적화 모델을 위한 정밀도-리콜 곡선을 예시적으로 보여주는 도면이다. 도 4에 도시된 바와 같이, 마지막으로 모델의 최적화된 하이퍼 파라미터 변수를 선택하여 유효성 검사 데이터 세트에 대하여 AUPR 0.817을 얻을 수 있다. 도 2에 도시된 바와 같이, 완전히 최적화된 모델은 그래프로 시각화된다. 동일한 방식으로 다른 단백질 디스크립터를 사용하는 모델을 구축 및 최적화 될 수 있다.

한편, 하이퍼 파라미터가 조정된 후, 서로 다른 단백질 디스크립터, CTD 디스크립터(통상적으로 화학-게놈 모델에서 일반적으로 사용됨), 정규화된 SW 스코어, 및 본 발명의 컨볼루션 방법에 대한 성능이 비교될 수 있다.

도 5는 PubChem 데이터 세트의 독립적인 데이터 세트에 대한 성능 비교를 예시적으로 보여주는 도면이다. 도 5를 참조하면, 결과는 본 발명의 컨볼루션 모델이 모든 데이터 세트에 대해 다른 단백질 디스크립터보다 우수한 성능을 갖는다. EER에 의해 임계 값을 선택하면, 본 발명의 컨볼루션 모델은, PubChem과 KinaseSARfari 데이터 세트 모두에서 동일하게 수행됨으로써 일반적인 적용이 가능하다. 대조적으로, 유사성 디스크립터가 특히 메트릭 간의 불균형을 나타내어 일반화를 잃어버리기 때문에, 선택된 임계값은 독립적인 테스트 데이터 세트의 평가에서 작동되지 않는다. 또한 유사성 디스크립터는 유효성 검사 단계에서 약 0.65의 AUPR을 제공하지만, PubChem 데이터 세트에서 약 0.52의 정확도를 제공한다. 이는 독립 데이터 세트 평가 시 무작위에 가깝다.

SW 스코어 기능은 단백질 클래스가 제한되고 지정된 경우에만 작동한다. 따라서 SW 스코어는 대용량 DTI 예측에 적합하지 않다. CTD 디스크립터는 유사 선호도보다 성능이 우수하지만 본 발명의 컨볼루션 모델보다 성능이 떨어진다. 하지만 KinaseSARfari 데이터 세트에서 도 6에 도시된 바와 같이 CTD 디스크립터의 성능은 특히 F1 스코어에서 크게 감소한다. KinaseSARfari 데이터 세트는 화합물 도메인 생물학적 분석법을 제공하기 때문에, 전체 단백질 서열로 훈련된 CTD 모델은 화합물-도메인 상호 작용을 예측할 수 없다. 따라서 F1 스코어와 감도 변화가 크게 감소된다. CTD와는 대조적으로, 본 발명의 컨볼루션 모델은 훈련 과정에서 로컬 잔여 패턴을 학습함으로써 모델이 화합물-도메인 상호 작용을 안정적으로 예측할 수 있다.

도 7은 본 발명의 컨볼루션 모델과 Wen의 모델 사이의 성능을 예시적으로 비교한 도면이다. 본 발명의 컨볼루션 모델의 컨볼루션과 다른 단백질 디스크립터를 비교하는 것 외에도 컨볼루션 모델과 이전 모델을 비교한다. 비교를 위해 선택된 이전 모델은 Wen et al.에 의한 것이다. 다른 연구들은 목적과 데이터 세트가 우리 모델의 그것과 다르기 때문에 성과를 비교하는 것이 어렵다. 최적화된 모델과 기술 어를 사용하여 DTI가 나타난다. 사전 훈련 및 미세 조정 단계 후에, PubChem 데이터 세트를 평가하고, 결과가 모델과 비교된다. 비교에서 본 발명의 컨볼루션의 모델은 도 7에 도시된 바와 같이 이전 모델보다 잘 수행된다. 이전 모델은 RBM 스택인 DBN으로 작성된다. 하지만 현재 RBM은 오래된 것으로 간주되어 딥 러닝 방법에서만 가중치 초기화 기술로 사용된다.

한편, 순차적으로 CNN에 의한 결합 영역에 대한 검출이 이루어 질 수 있다. 각 윈도우에 대해 각 필터 별로 최대 결과를 수집하기 때문에 풀링된 컨볼루션 결과는 로컬 잔류 패턴과 일치하는 영역을 강조 표시 할 수 있다. 풀링된 값은 더 높은 완전 연결된 계층을 통과하기 때문에 DTI 예측 결과와 직접 관련되지 않지만 그 중 큰 값은 일치하는 로컬 잔류 패턴의 스코어를 포함함으로써 예측 결과에 영향을 미칠 수 있다. 따라서 본 발명의 컨볼루션 모델이 로컬 잔여 패턴을 포착 할 수 있다면, 실제 결합 영역에 높은 가치를 부여 할 수 있다.

예측의 복합적인 결과의 중간 계층을 조사한 결과로써, 본 발명의 컨볼루션 모델은 로컬 잔류 패턴을 수집하여 DTI를 예측하는 특징으로 사용할 수 있음을 보여준다. sc-PDB 데이터베이스는 단백질, 리간드(ligands) 및 복잡한 구조의 바인딩 사이트들(binding sites)의 아톰 디스크립션(atom description)을 제공한다. 바인딩 사이트 어노테이션(annotations)을 파싱함으로써, 단백질 도메인과 생리학적 리간드 사이의 바인딩 사이트가 쿼리 될 수 있다.

PubChem 독립 데이터 세트에서 높은 스코어로 DTI 예측이 조사된다. 흥미롭게도, 컨볼루션 결과는 바인딩 영역이 포함될 때 높은 가치를 제공한다. 예를 들어, 마스트/줄기 세포(mast/stem cell) 성장 인자 수용체 키트(P10721, KIT_HUMAN)는 도 8a에 도시된 바와 같이 생리학적 리간드 3GOF, 4UOI, 4HVS, 3GOE 및 1PKG와 같은 많은 sc-PDB 주석을 가지고 있다. 도 8a에서, 주석된 결합 잔류는 각각의 sc-PDB 주석에 대해 적색으로 착색된다. 다양한 sc-PDB 주석은 약간 상이하지만 공통 영역을 갖는다. 예상대로, 컨볼루션 계층의 풀링된 일부 결과는 높은 예측 스코어에 영향을 미치는 필터 사이의 높은 순위로 바인딩 영역을 정확하게 덮는다.

추가로, 이러한 컨볼루션 결과는 단백질 클래스에 국한되지 않는다. G-단백질 수용체(GPCR)인 단백질 5-하이드록시트립타민(hydroxytryptamine, 세로토닌) 수용체 1B (P28222, 5HT1B_HUMAN)에 대하여, 2개의 sc-PDB 데이터(4IAQ, 4IAR)를 찾을 수 있다. 상기한 데이터로부터, 알파-나선형 구조를 형성하는 4 개의 결합 영역은 도 8b에 도시된 바와 같이 풀링 된 컨볼루션 결과에 의해 커버될 수 있다.

본 발명의 실시 예에 따른 단백질-표적 상호 작용을 예측하는 방법은, CNN으로 전체 표적 단백질 서열의 로컬 잔류 패턴을 추출하기 위한 새로운 DTI 예측 모델을 제시한다. 본 발명의 모델은 다양한 약물 데이터베이스의 DTI로 모델을 훈련시키고 MATADOR의 DTI로 모델을 최적화시킬 수 있다. 결과적으로, 단백질 서열의 검출된 로컬 특징은, CTD 및 SW 스코어와 같은 다른 단백질 디스크립터보다 우수하다. 또한 본 발명의 모델은 DBN을 기반으로 구축된 이전 모델보다 우수한 성능을 가진다. 또한 풀링된 컨볼루션 결과를 검토하고 sc-PDB의 주석과 비교함으로써 모델이 단백질 서열에서 결합 영역을 검출 할 수 있는 능력을 가진다. 마지막으로, CNN으로 로컬 잔류 패턴을 수집하는 본 발명의 접근법은 원시 서열의 단백질 피쳐를 확대함으로써, 이전의 접근법보다 더 나은 성격을 제공한다.

도 9는 본 발명의 실시 예에 따른 약물-표적 상호 작용을 예측하는 방법을 예시적으로 보여주는 도면이다. 도 1 내지 도 9를 참조하면, 약물-표적 상호 작용을 예측하는 방법은 다음과 같이 진행될 수 있다.

CNN(convolution neural network)을 통하여 단백질 서열 패턴이 학습되고 그 결과로써 로컬 잔류 패턴이 포착될 수 있다(S110). 단백질 패턴으로부터 로컬 잔류 패턴을 CNN을 통하여 학습할 수 있다. CNN은 컨볼루션 계층과 글로벌 맥스 폴링 계층으로 구성될 수 있다. 컨볼루션 계층은, 단백질 패턴을 컨볼루션 연산을 수행함으로 형성될 수 있다. 글로벌 맥스 풀링 계층은 최대값을 이용하여 컨볼루션 계층의 출력값들을 통합시킴으로써 형성될 수 있다. 약물 지문 내부 패턴이 학습될 수 있다(S120). 예를 들어, 약물 지문에 대하여 완전 연결 계층(fully connected layer(FC); 혹은 내적 연산(inner product operation))을 통하여 약물 지문 패턴이 학습될 수 있다. 실시 예에 있어서, 약물 지문은 2048 길이의 바이너리 벡터로 표현되며(ECFP4), 이를 완전 연결 계층(FC)을 통하여 학습될 수 있다.

이후, CNN 학습된 단백질 서열 패턴과 FC 학습된 약물 지문 패턴이 연접될 수 있다(S130). 학습된 단백질 로컬 서열 패턴결과와 약물 지문 패턴 결과를 단순히 붙인다. 예를 들어, 연접 과정은 다음과 같이 표현될 수 있다. concatenating([0,1], [2,3]) -> [0,1,2,3]. 이후, 연접된 패턴이 완전 연결 계층을 통하여 학습될 수 있다(S140). 이때, 학습된 약물 패턴과 단백질 서열 패턴을 이용함으로써 서로의 상호 작용들이 학습될 수 있다. 이후 약물 상호 작용이 예측될 수 있다(S150). 완전 연결 계층을 통하여 조직화된 단백질 패턴과 약물 패턴에 각각 가중치를 두고, 활성화 함수로 활성화 시킴으로써, 최종 스코어가 도출 될 수 있다. 이 때 모든 피쳐에 가중치가 주어지기 때문에, 완전 연결(fully connected)라고 불린다. 예를 들어, 레이어가 H이고 가중치(weight) 매트릭스가 W일때: sigmoid(H*W) = sigmoid([0.9, 0.1, 0.5, 0.11] * [0.2, 0.5, 0.8, 0.1]) = sigmoid(0.641) = Score 표현될 수 있다.

본 발명에 따른 단계들 및/또는 동작들은 기술분야의 통상의 기술자에 의해 이해될 수 있는 것과 같이, 다른 순서로, 또는 병렬적으로, 또는 다른 에포크(epoch) 등을 위해 다른 실시 예들에서 동시에 일어날 수 있다.

실시 예에 따라서는, 단계들 및/또는 동작들의 일부 또는 전부는 하나 이상의 비-일시적 컴퓨터-판독가능 매체에 저장된 명령, 프로그램, 상호작용 데이터 구조(interactive data structure), 클라이언트 및/또는 서버를 구동하는 하나 이상의 프로세서들을 사용하여 적어도 일부가 구현되거나 또는 수행될 수 있다. 하나 이상의 비-일시적 컴퓨터-판독가능 매체는 예시적으로 소프트웨어, 펌웨어, 하드웨어, 및/또는 그것들의 어떠한 조합일 수 있다. 또한, 본 명세서에서 논의된 "모듈"의 기능은 소프트웨어, 펌웨어, 하드웨어, 및/또는 그것들의 어떠한 조합으로 구현될 수 있다.

본 발명의 실시 예들의 하나 이상의 동작들/단계들/모듈들을 구현/수행하기 위한 하나 이상의 비-일시적 컴퓨터-판독가능 매체 및/또는 수단들은 ASICs(application-specific integrated circuits), 표준 집적 회로들, 마이크로 컨트롤러를 포함하는, 적절한 명령들을 수행하는 컨트롤러, 및/또는 임베디드 컨트롤러, FPGAs(field-programmable gate arrays), CPLDs(complex programmable logic devices), 및 그와 같은 것들을 포함할 수 있지만, 여기에 한정되지는 않는다.

한편, 상술 된 본 발명의 내용은 발명을 실시하기 위한 구체적인 실시 예들에 불과하다. 본 발명은 구체적이고 실제로 이용할 수 있는 수단 자체뿐 아니라, 장차 기술로 활용할 수 있는 추상적이고 개념적인 아이디어인 기술적 사상을 포함할 것이다.

CNN: 컨볼루션 신경망
FC: 완전 연결 신경망
100: 딥 러닝 장치
110: CCN 유닛
120: 제 1 FC 유닛
130: 연접 유닛
140: 제 2 FC 유닛
150: DTI 예측 유닛

Claims (10)

1. 단백질-표적 상호 작용을 예측하기 위한 방법에 있어서:
   로컬 잔류 패턴을 추출하기 위하여 프로세서에서 컨볼루션 신경망(convolution neural network)을 이용하여 원시 단백질 서열을 학습하는 단계;
   약물 지문 패턴을 추출하기 위하여 상기 프로세서에서 제 1 완전 연결 계층(fully connected layer)을 통하여 약물 지문을 학습하는 단계;
   상기 프로세서에서 상기 로컬 잔류 패턴과 상기 약물 지문 패턴을 연접(concatenation)하는 단계; 및
   상기 프로세서에서 제 2 완전 연결 계층을 통하여 상기 연접된 패턴을 학습하는 단계;를 포함하고,
   상기 원시 단백질 서열을 학습하는 단계는,
   컨볼루션 계층(convolution layer)을 통하여 복수의 원시 단백질 서열에 대한 로컬 서열 패턴(local residue pattern)을 학습하는 단계;
   맥스 풀링 계층(max pooling layer)을 통하여 상기 학습한 로컬 서열 패턴의 결과에서 최대값을 상기 로컬 잔류 패턴으로 추출하는 단계;를 포함하며,
   상기 원시 단백질 서열을 학습하는 단계는, 임베딩 계층을 통하여 상기 복수의 단백질 서열에 대한 삽입 벡터의 크기를 사전에 결정된 원시 단백질 서열의 크기(MPL)로 설정하는 단계를 더 포함하는 것을 특징으로 하는 방법.
2. 삭제
3. 제 1 항에 있어서,
   상기 맥스 풀링 계층은 글로벌 맥스 풀링 계층(global max pooling layer)인 것을 특징으로 하는 방법.
4. 제 1 항에 있어서,
   상기 복수의 원시 단백질 서열은 DrugBank, IUPHAR(International Union of Basic and Clinical Pharmacology), 및 KEGG(Kyoto Encyclopedia of Genes and Genomes) 을 통합하여 데이터베이스로부터 훈련되는 것을 특징으로 하는 방법.
5. 제 1 항에 있어서,
   상기 컨볼루션 계층의 크기는 상기 사전에 결정된 원시 단백질 서열의 크기(MPL)에서 창 크기(WS)를 뺀 값에 1을 더한 값인 것을 특징으로 하는 방법.
6. 삭제
7. 제 1 항에 있어서,
   상기 프로세서에서 출력 계층을 통하여 단백질-표적 상호 작용에 대응하는 스코어를 발생하는 단계를 더 포함하는 방법.
8. 제 7 항에 있어서,
   상기 스코어를 발생하는 단계는,
   상기 로컬 잔류 패턴과 상기 약물 지문 패턴의 각각에 가중치를 설정하는 단계; 및
   상기 설정된 로컬 잔류 패턴과 상기 설정된 약물 지문 패턴을 입력으로 하는 활성화 함수를 활성시킴으로써 상기 스코어를 생성하는 단계를 포함하는 방법.
9. 제 8 항에 있어서,
   상기 활성화 함수는 sigmoid 함수 인 것을 특징으로 하는 방법.
10. 제 1 항에 있어서,
    학습 속도 혹은 상기 컨볼루션 신경망 계층의 크기를 교차 유효성 검사 중에 조정시키는 단계를 더 포함하는 방법.

Images