[논문 리뷰] White paper: The Helix Pathogenicity Prediction Platform

Bas Vroling, Stephan Heijl|arXiv (Cornell University)|2021. 04. 02.

Genomics and Rare Diseases참고 문헌 10인용 수 9

한 줄 요약

Helix는 인간 단일 아미노산 변이의 병원성 예측을 위한 AI 기반 플랫폼으로, 모든 인간 단백질에 걸쳐 깊이 있는 다중 서열 정렬(MSA), 단백질 구조 및 맥락 기반 언어 모델 표현을 통합한다. 벤치마킹에서 기존 도구들을 능가하며 임상 및 연구 용도로 높은 정확도의 예측과 상세하고 해석 가능한 변이 보고서를 제공한다.

ABSTRACT

In this white paper we introduce Helix, an AI based solution for missense pathogenicity prediction. With recent advances in the sequencing of human genomes, massive amounts of genetic data have become available. This has shifted the burden of labor for genetic diagnostics and research from the gathering of data to its interpretation. Helix presents a state of the art platform for the prediction of pathogenicity in human missense variants. In addition to offering best-in-class predictive performance, Helix offers a platform that allows researchers to analyze and interpret variants in depth that can be accessed at helixlabs.ai.

연구 동기 및 목표

• 대규모 게놈 데이터에서의 미지의 의미를 가진 변이(VUS)를 해석하는 임상적 과제를 해결하기 위해.
• 깊이 있는 진화적, 구조적, 기능적 단백질 데이터를 통합하여 단일 아미노산 변이의 병원성 예측을 향상시키기 위해.
• 임상 의사결정 및 게놈 분야 연구를 지원하는 확장 가능하고 해석 가능한 플랫폼을 개발하기 위해.
• 순환 학습 데이터에 대한 의존도를 줄이기 위해 엄격한 학습 제도와 고품질, 중복 제거된 변이 세트를 사용하기 위해.
• 연구자에게 진화적 제약, 구조적 맥락 및 문헌 참조를 포함한 상세한 변이 보고서를 제공하기 위해.

제안 방법

• Helix는 30,000개 이상의 구조 기반 다중 서열 정렬(MSA), 50,000개의 단백질 구조 및 약 60,000개의 대상 인간 MSA를 통합하여 아미노산 수준의 포괄적 표기(annotation)를 수행한다.
• MSA에서 유도된 진화적 제약과 개별 및 도메인/가족 수준에서의 2차 구조, 유연성, 용매 노출도 등의 구조적 특징을 결합한다.
• 수십억 개의 단백질 서열로 훈련된 맥락 기반 언어 모델을 사용하여 서열 자체에서 암묵적인 기능적 및 구조적 정보를 포착한다.
• 변이 내성, 진화적 발생 빈도 및 단백질-단백질 상호작용 데이터를 포함한 유전자 수준의 특징을 통합한다.
• MSA 유도 지표, 구조적 묘사자 및 기능적 표기 정보를 통합하여 예측을 위한 통합된 표현으로 변환하는 다단계 특징 엔지니어링 파이프라인을 구현한다.
• 엄격한 순환 회피 조건을 적용하여 일반화 능력을 확보한 대규모이고 잘 표기된 데이터셋을 기반으로 최신 기술의 앙상블 분류기 모델을 학습한다.

실험 결과

연구 질문

• RQ1 맥락 기반 언어 모델과 깊이 있는 고품질 단백질 데이터를 통합하면 현재 최고 수준의 도구를 뛰어넘어 단일 아미노산 변이의 병원성 예측 성능을 향상시킬 수 있는가?
• RQ2 구조적 및 진화적 제약의 통합이 예측 정확도와 해석 가능성에 어떤 영향을 미치는가?
• RQ3 Helix는 임상 및 연구 환경에서 미지의 의미를 가진 변이(VUS)의 수를 어느 정도 줄일 수 있는가?
• RQ4 예측 신뢰도 점수와 MSA 깊이, 구조 데이터 가용성과 같은 데이터 품질 간의 상관관계는 어떠한가?
• RQ5 문헌, 보존 패턴 및 구조적 맥락을 포함한 상호작용형 변이 보고서가 임상 해석 및 의사결정을 향상시킬 수 있는가?

주요 결과

• 10중 교차검증에서 Helix는 400,000개 이상의 미리 보지 않은 변이에 대해 기존 예측 도구들을 능가하는 뛰어난 예측 성능을 입증하였다.
• 임상적으로 관련성이 높은 DDD 및 BRCA1 데이터셋에서 Helix는 기존 도구들보다 일관되게 높은 성능을 보였으며, 새로운 임상 표기된 변이에 대한 일반화 능력이 뛰어났다.
• 플랫폼의 예측 신뢰도 점수는 데이터 품질을 효과적으로 반영하며, 얕은 MSA 또는 구조 데이터 누락 시 낮은 신뢰도 점수가 나타났다.
• 앙상블 내 하위 예측기 간의 높은 일치도가 높은 예측 신뢰도와 관련되어 있어, 신뢰도 추정에 기여한다.
• 변이 보고서는 보존 패턴, 구조적 맥락 및 관련 문헌을 포함한 설명이 풍부한 통찰을 제공하여 임상적 유용성을 향상시켰다.
• Helix의 엄격한 학습 제도는 임상적으로 관련된 변이를 학습에서 제외함으로써 순환성을 방지하여 실제 적용에 대한 강건성을 확보하였다.