[논문 리뷰] Interpretable Enzyme Function Prediction via Residue-Level Detection

Yang Zhao, Bing Su외 2명|arXiv (Cornell University)|2025. 01. 10.

Computational Drug Discovery Methods인용 수 3

한 줄 요약

ProtDETR은 효소 기능 예측을 잔기 수준 탐지로 처리하고 학습 가능한 기능 쿼리를 사용하여 다기능 효소 주석에서 최첨단 재현율과 크로스 어텐션을 통한 EC-number–특정 해석가능성을 달성한다.

ABSTRACT

Predicting multiple functions labeled with Enzyme Commission (EC) numbers from the enzyme sequence is of great significance but remains a challenge due to its sparse multi-label classification nature, i.e., each enzyme is typically associated with only a few labels out of more than 6000 possible EC numbers. However, existing machine learning algorithms generally learn a fixed global representation for each enzyme to classify all functions, thereby they lack interpretability and the fine-grained information of some function-specific local residue fragments may be overwhelmed. Here we present an attention-based framework, namely ProtDETR (Protein Detection Transformer), by casting enzyme function prediction as a detection problem. It uses a set of learnable functional queries to adaptatively extract different local representations from the sequence of residue-level features for predicting different EC numbers. ProtDETR not only significantly outperforms existing deep learning-based enzyme function prediction methods, but also provides a new interpretable perspective on automatically detecting different local regions for identifying different functions through cross-attentions between queries and residue-level features. Code is available at https://github.com/yangzhao1230/ProtDETR.

연구 동기 및 목표

• 희소한 다중 라벨 주석에도 불구하고 효소 서열로부터 여러 EC 번호를 예측하려는 동기.
• 기능 특이적 국소 잔기 정보를 포착하는 데 있어 글로벌 단백질 표현의 한계.
• 효소 기능에 대한 해석 가능성을 갖춘 잔기 수준 탐지 프레임워크를 개발.
• 주목 기반 DETR에서 영감을 받은 접근법을 활용하여 기능 잔기 조각을 탐지.
• 인코더–디코더 주의 패턴을 통해 EC-number–특정 해석가능성을 제공.

제안 방법

• 인코더–디코더 Transformer ( ProtDETR )를 사용하여 잔기 수준 탐지 문제로 효소 기능 예측을 정의한다.
• 잔기 수준 특징으로부터 기능 특이적 국소 표현을 적응적으로 추출하기 위해 10개의 학습 가능한 기능 쿼리를 사용한다.
• 잔기 특징과 기능 쿼리 간의 교차 주의를 통해 기능 예측 또는 부재 신호를 생성한다.
• 쿼리 예측을 실제 EC 번호와 일치시키기 위해 이분 그래프 매칭 목표로 학습한다(세트 예측).
• 인코더 입력으로 ESM-1b 유래 잔기 임베딩을 활용하여 잔기 간 서열 정보를 유지한다.
• 다기능 및 단기능 효소 데이터셋에서 평가하고 CLEAN, DeepECtransformer, ProtInfer 등과 비교한다.

실험 결과

연구 질문

• RQ1 적은 수의 기능 쿼리로 잔기 수준 탐지가 효율적으로 각 효소의 여러 EC 번호를 포착할 수 있어 글로벌 표현보다 더 효과적인가?
• RQ2 인코더–디코더 DETR 유사 아키텍처가 교차 주의를 통해 EC-number–특정 해석가능성을 제공하는가?
• RQ3 ProtDETR은 다기능 대 단기능 효소 예측에서 최첨단 방법과 비교해 어떻게 성능을 보이는가?
• RQ4 이 접근법이 긴 꼬리 EC 번호 분포에서 재현율을 개선하면서도 높은 정밀도를 유지할 수 있는가?

주요 결과

• New-392에서 ProtDETR은 정밀도 0.5943 및 재현율 0.6083을 달성했다( CLEAN의 0.4811보다 재현율이 25% 높음).
• Price-149에서 ProtDETR은 정밀도 0.5066, 재현율 0.5066을 달성했다(재현율이 CLEAN의 0.4671보다 높음).
• 고유사도 수준에서 ProtDETR은 CLEAN을 능가한다(split70: 0.9332 대 0.9163; split100: 0.9686 대 0.9534 F1).
• ProtDETR은 정밀도에서 SOTA에 근접하고 EC 번호 전반에 걸쳐 재현율을 현저히 향상시키며, 다기능 예측에서 특히 상위 클래스에서 향상.
• 단기능 평가(ECPred40)에서 ProtDETR은 대부분의 수준과 지표에서 EnzBert 및 ECPred를 능가하여 EC 수준 판별력이 강함을 시사.
• 쿼리와 잔기 특징 간의 교차 주의는 기능 잔기의 EC-number–특정 해석가능성을 가능하게 한다.