단백체학 AI 시대를 여는 35 종 15 억 스펙트럼 대규모 데이터셋 MassNet 과 XuanjiNovo
Contents
01. 연구 배경과 미해결 과제
질량 분석 (MS) 기반 단백질체학은 다양한 생물학적 및 질환 문맥에서 프로테옴의 특성 평가를 위해 널리 사용됩니다. 그러나 심층 학습의 발전에는 대규모이고 고품질이며 표준화된 데이터 자원이 필수적입니다. 기존 스펙트럼 라이브러리는 인간 중심 데이터에 편향되어 있으며, 마우스, 선충, 효모 등 중요한 모델 생물의 데이터가 부족합니다. 또한 데이터 형식의 비표준화와 메타데이터 부재가 대규모 AI 분석의 장벽이 되었습니다.
02. 이 논문에서 밝혀진 핵심 내용
본 연구는 35 종 (동물, 식물, 미생물) 에 걸친 15 억 개의 탠덤 질량 스펙트럼을 포함하는 AI 대응 데이터셋 'MassNet'을 공개했습니다. 이 데이터셋에는 약 170 만 개의 인간 유래 펩타이드 전구체도 포함되어 있습니다. 또한 MassNet 을 기반으로 개발된 비자기회귀형 트랜스포머 모델 'XuanjiNovo'는 최신 심층 학습 기법을 능가하는 성능을 보였습니다. 특히, 인간 Astral 데이터에서 기존 최첨단 기법 대비 38.35% 에서 143.57% 의 성능 향상을 달성했습니다.
03. 연구 설계와 기술적 포인트
MassNet 은 648 개의 프로젝트에서 수집된 약 30TB 의 원시 데이터로부터 제작되었으며, FragPipe 와 Sage 라는 두 가지 검색 엔진의 분석 결과를 통합했습니다. 데이터 저장에는 심층 학습에 최적화된 새로운 형식인 'MSDT(Mass Spectrometry DDA Tensor)'를 채택하여 효율적인 입출력과 표준화를 가능하게 했습니다. XuanjiNovo 개발에는 학습 난이도를 단계적으로 높이는 '커리큘럼 학습' 전략과 비자기회귀형 트랜스포머 (NAT) 아키텍처가 결합되었습니다. 이를 통해 복잡한 스펙트럼 데이터로부터의 펩타이드 서열 결정의 안정성과 정확도가 크게 향상되었습니다.
- 35 종 15 억 스펙트럼을 포함하는 대규모 AI 대응 데이터셋 MassNet 구축
- 심층 학습용 표준화 형식 MSDT 개발 및 Parquet 형식을 통한 효율적 저장
- 커리큘럼 학습과 비자기회귀형 트랜스포머를 융합한 XuanjiNovo 모델 구현
04. 질환 연구 및 신약 개발에 대한 시사점
MassNet 과 XuanjiNovo 는 신규 펩타이드 서열 결정 정확도 향상뿐만 아니라, 유지 시간 예측 및 PSM(펩타이드 - 스펙트럼 매칭) 재스코어링에도 적용 가능합니다. 특히 동위 원자 질량이 근접한 아미노산 식별 정확도가 향상된 것은 번역 후 변형 동정 및 저농도 샘플 분석에서 중요합니다. 이는 질환 바이오마커 발견 및 약물 타겟 확인이 필요한 신약 개발 초기 단계에서의 전임상 연구 효율화와 신뢰성 향상에 직결됩니다.
05. 전임상 모델 및 연구 도구와의 연관성
MassNet 은 마우스, Rat, 제브라피시, 효모 등 신약 개발 연구에서 빈번히 사용되는 모델 생물의 데이터를 포함하고 있어, 이러한 생물종에서의 단백질 발현 분석 AI 화를 가속화합니다. 고정밀 프로테옴 분석은 유전자 편집 마우스 모델이나 세포 모델 을 활용한 기능 분석을 보완하여, 유전자 변이의 영향 및 약물 반응 메커니즘 해명에 필수적입니다. Cyagen 이 제공하는 다양한 유전자 편집 모델 및 CRO 서비스와 결합하면 보다 포괄적인 신약 데이터 분석이 가능해집니다.
06. 정리
MassNet 은 자연어 처리 분야의 WordNet 이나 ImageNet 에 해당하는 단백질체학 분야의 획기적인 기반 데이터 자원입니다. 대규모이고 표준화된 데이터와 고성능 AI 모델의 결합은 단백질체 분석의 새로운 기준을 확립하고, 복잡한 질환 메커니즘 해명 및 신약 개발 프로세스 혁신을 뒷받침합니다.


