[논문 리뷰] Capsule Networks for Protein Structure Classification and Prediction

Dan Rosa de Jesus, Julian Cuevas외 2명|arXiv (Cornell University)|2018. 08. 22.

Genetics, Bioinformatics, and Biomedical Research참고 문헌 18인용 수 10

한 줄 요약

이 논문은 2D 및 3D 구조 인코딩에서 계층적인 공간 관계를 활용하여 기존의 CNN보다 정확도와 해석 가능성 향상을 위한 캡슐 네트워크 아키텍처를 제안한다. KRAS-HRAS 분류에서 92%의 정확도를 달성하며, 활성화 벡터 시각화와 변형 분석을 통해 해석 가능성 향상을 보여준다.

ABSTRACT

Capsule Networks have great potential to tackle problems in structural biology because of their attention to hierarchical relationships. This paper describes the implementation and application of a Capsule Network architecture to the classification of RAS protein family structures on GPU-based computational resources. The proposed Capsule Network trained on 2D and 3D structural encodings can successfully classify HRAS and KRAS structures. The Capsule Network can also classify a protein-based dataset derived from a PSI-BLAST search on sequences of KRAS and HRAS mutations. Our results show an accuracy improvement compared to traditional convolutional networks, while improving interpretability through visualization of activation vectors.

연구 동기 및 목표

• 기존의 컨volutional 신경망(CNN)이 공간 계층을 포괄하지 못하고 해석 가능성을 확보하지 못하는 한계를 해결하기 위해.
• GPU 기반 시스템에서 RAS 가족 단백질 구조 분류를 위한 캡슐 네트워크 아키텍처를 구현하고 평가하기 위해.
• 특정 구조적 요소를 수정하고 활성화 벡터 노름의 변화를 측정함으로써 모델의 해석 가능성을 향상시키기 위해.
• 기존 단백질 구조와 PSI-BLAST 검색을 통해 유도된 서열을 모두 분류할 수 있는 능력을 입증하기 위해.
• 데코이 스코어링을 활용한 향후 단백질 구조 예측에 캡슐 네트워크의 잠재력을 탐색하기 위해.

제안 방법

• 캡슐 네트워크는 동적 라우팅(by agreement)을 통해 공간 계층을 유지하며, 최대 풀링을 벡터 기반 주의 메커니즘으로 대체한다.
• 단백질 구조는 잔기 수준의 공간적 및 물리화학적 특징을 기반으로 2D 및 3D 표현으로 인코딩된다.
• 모델은 GPU 가속 노드(이중 NVIDIA Tesla P100)에서 Keras 2.2.0 API와 TensorFlow 1.8.8 백엔드를 사용해 훈련된다.
• 해석 가능성 확보를 위해 특정 구조적 요소(예: 알파 나선 제거)를 수정하고 활성화 벡터 노름의 변화를 측정한다.
• 테스트 세트는 PDB 파일과 PSI-BLAST 서열 검색에서 유도된 데이터로부터 유도되며, 정확도 지표를 사용해 분류 성능을 평가한다.
• 기존 및 수정된 단백질 구조 간의 활성화 벡터를 시각화하고 비교하여 핵심 구조적 성분을 식별한다.

실험 결과

연구 질문

• RQ1 캡슐 네트워크는 2D 및 3D 구조 인코딩을 사용하여 RAS 단백질 가족의 구조 분류에서 기존 CNN보다 우월한 성능을 보일 수 있는가?
• RQ2 캡슐 네트워크의 활성화 벡터는 단백질의 구조적 변화를 어떻게 반영하여 해석 가능성을 제공하는가?
• RQ3 캡슐 네트워크는 PSI-BLAST 서열 검색에서 유도된 단백질 구조를 어느 정도 정확하게 분류할 수 있는가?
• RQ4 목표로 설정된 구조적 수정이 캡슐 네트워크의 활성화 벡터와 분류 결과에 어떤 영향을 미치는가?
• RQ5 라우팅-바이-합의 메커니즘이 복잡한 단백질 구조에서 공간 계층을 효과적으로 유지할 수 있는가?

주요 결과

• 캡슐 네트워크는 2D 및 3D KRAS-HRAS 단백질 구조 분류 데이터셋에서 각각 92%의 정확도를 달성했다.
• PSI-BLAST 유도 데이터셋의 경우, 2D 인코딩에서 68%의 정확도, 3D 인코딩에서 84%의 정확도를 기록하여 서열 기반 입력에 대한 강건성을 보였다.
• 잔기 152–166에 해당하는 알파 나선 제거 시 활성화 벡터 노름이 HRAS에서 1.0464에서 3.73×10⁻³으로 증가하여 HRAS에서 KRAS로의 잘못된 분류가 발생했다.
• 잔기 87–104에 해당하는 나선을 제거한 후 HRAS-에서 HRAS-로의 경우 활성화 벡터 차이의 노름은 5.20×10⁻²로 나타나 분류에 미치는 영향이 최소한이었다.
• 모델는 구조적 구성 요소의 변화가 활성화 벡터의 크기와 방향에 명확하게 반영됨을 통해 높은 해석 가능성을 보였다.
• 결과적으로 캡슐 네트워크는 단백질 구조의 계층적 공간 관계를 효과적으로 인코딩하고 추론할 수 있으며, 이는 정확도 향상과 함께 설명 가능성 향상에도 기여한다.