Accelerating protein structure analysis: from high-speed compression to scalable motif exploration = 단백질 구조 분석 가속화 방법론 개발: 고속 압축 및 확장 가능한 구조 모티프 탐색

국문 초록 (Abstract)

AlphaFold2의 등장 이후, 단백질 구조 예측 모델의 정밀도가 비약적으로 향상되었고, 이를 바탕으로 AlphaFold Protein Structure Database와 ESMatlas와 같은 수억 개에 달하는 예측된 단백질 구조를 가진 대규모 데이터베이스들이 생산되었다. 이로 인해 (1) 방대한 구조 데이터를 효율적으로 저장·전송하는 문제와 (2) 그 안에서 생물학적으로 의미 있는 패턴을 발굴해야 하는 두 가지 주요 과제가 대두되었다.
첫 번째 과제 해결을 위해 본 연구에서는 단백질 구조 고속 압축 알고리즘 Foldcomp를 개발하였다. Foldcomp는 3차원 좌표 대신 내부 좌표(비틀림각, 결합각)를 저장하고, 양방향 NeRF 기반 복원 전략을 적용함으로써 기존 압축 방법 대비 세 배 이상의 높은 압축률로 단백질 구조를 저장할 수 있었다. 평균 복원 오차는 0.08˚A로, 실험상의 해상도 수준과 비교해 무시할 수 있는 수준이며, 기존에 널리 사용되는 압축 프로그램인 gzip과 유사한 수준의 압축 및 압축 해제 속도를 달성하였다. 멀티스레딩 지원과 파이썬 인터페이스를 통해 대용량 데이터베이스의 효율적인 다운로드 및 개별 구조의 빠른 조회가 가능하며, 대규모 단백질 구조 데이터베이스를 관리·분석하는 데 활용되고 있다.
두 번째 과제인 생물학적 구조 모티프 탐색을 위해, 본 연구는 구조 기반 모티프 검색 엔진 Folddisco를 설계하였다. Folddisco는 기존 정렬 기반 도구로는 찾기 어려운 짧거나 불연속적인 구조 모티프를 빠르게 탐색하기 위해, (1) 위치 정보를 제거한 경량 색인 구조, (2) 곁사슬 방향을 반영하는 새로운 잔기쌍 특성, (3) 희귀 특성에 가중치를 두는 역문서 빈도 기반 점수화 기법을 도입해 이전 연구들의 확장성 한계를 극복하였다. SCOPe 분류 복원 테스트, 인간 단백체 및 ESM3으로 설계된 단백질 구조에서의 아연 집게 탐색 등 다양한 벤치마크에서 가장 높은 정확도를 보였으며, 불연속·분절형 쿼리 검색 모두에서 높은 정확도와 빠른 탐색 속도를 확보할 수 있었다. 더불어 활성·비활성 GPCR 구분, 이황화 결합 탐지, 단백질 상호작용 경계면 검색 및 선형 모티프 탐색 등 다양한 생물학적 문제에의 적용을 통해 그 범용성도 확인하였다.
Foldcomp와 Folddisco는 GPL v3 라이선스 하에 오픈소스로 공개되어 있으며, 각각 foldcomp.foldseek.com과 folddisco.foldseek.com에서 제공된다. 추가적으로 AlphaFold 단백질 구조 데이터베이스 및 ESMatlas에 대해 사전 구축된 Foldcomp, Folddisco 데이터베이스도 함께 서비스되고 있다.

다국어 초록 (Multilingual Abstract)

Highly accurate protein structure predictors have generated hundreds of millions of protein structures, creating two challenges: storing and downloading vast datasets efficiently, and mining them for biologically relevant patterns.
To address the first challenge, I developed Foldcomp, a novel lossy protein structure compression algorithm and indexing system.
Foldcomp achieves a compression ratio three times higher than the next best method and forty times higher than raw PDB files, owing to its novel representation of residue coordinates using internal coordinates. Foldcomp is comparable to the best lossy protein structure compressor with a reconstruction error of 0.08 Å. It is five times faster than the next fastest compressor and competes with the fastest decompressors. With its multi-threading implementation and a Python interface that allows for easy database downloads and efficient querying of protein structures by accession, Foldcomp is a powerful tool for managing and analyzing large collections of protein structures.
To resolve the second challenge, I created Folddisco, a search engine for structural motifs, which are short, conserved, mainly discontinuous, and hard to identify with alignment-based tools. Conventional motif-search tools hit scalability limit due to either the size of their search databases or the high computational burden in the algorithm. Folddisco avoids these pitfalls by storing every pairwise residue interaction from the database in a compact index and querying by splitting the motif into the same interaction pairs. It achieves scalability and accuracy with three key innovations: (1) a compact search database design, (2) a new geometric descriptor that captures side chain orientation, and (3) a rarity-weighed scoring scheme.
Folddisco stores descriptors in a record-level inverted index that omits residue coordinates, which de-duplicates redundant pairwise features and keeps the database compact. Sensitivity is maintained by adding two side-chain torsion angles to each pairwise feature, which preserve the relative orientation of the residue pair. During search, matches are ranked with inverse-document-frequency weighting, giving higher scores to hits containing rarer descriptors. In SCOPe family retrieval and zinc-finger searches against the human proteome and ESM3-designed peptides, Folddisco emerged as the most accurate motif-searching tool, while its framework readily handles both discrete and segmented queries. Application examples further show that it discriminates active from inactive GPCR conformations, pinpoints disulfide bonds, rediscovers protein interaction interfaces, and detects short linear motifs.
Both Foldcomp and Folddisco are free open-source software (GPLv3) and available for Linux, macOS, and Windows at https://foldcomp.foldseek.com and https://folddisco.foldseek.com respectively. We provide prebuilt, ready-for-download Foldcomp and Folddisco databases of the AlphaFold Protein Structure Database and the ESMatlas.

목차 (Table of Contents)

• Abstract i
• Chapter 1 Introduction 1
• 1.1 The protein folding problem 1
• 1.2 Structure prediction revolution by AlphaFold2 2
• 1.3 Structure expansion from advanced prediction models 4
• 1.4 Structural file formats and the need for compression 8
• 1.5 Efforts to search against large-scale structure databases 9
• 1.6 Structural motif 10
• 1.7 Motif search tools & methods 12
• 1.8 Objectives of the thesis 13
• Chapter 2 Foldcomp 15
• 2.1 Introduction 15
• 2.2 Methods 17
• 2.3 Results 40
• Discussion 51
• Conclusion 52
• Chapter 3 Folddisco 54
• 3.1 Introduction 54
• 3.2 Results 56
• 3.3 Methods 82
• 3.3.1 General workflow 82
• 3.3.2 Pairwise interresidue feature 83
• 3.3.3 Index building 84
• 3.3.4 Protein structure input formats 85
• 3.3.5 Prebuilt index 85
• 3.3.6 Residue matching 88
• 3.3.7 Benchmark 89
• 3.3.8 Human proteome benchmark 89
• 3.3.9 Simulation with ESM3-generated motif-containing structures 89
• 3.3.10 SCOPe benchmark 90
• 3.3.11 AFDB dark cluster annotation with M-CSA 90
• 3.3.12 Resource measurement 91
• 3.3.13 Computing resource 91
• 3.4 Code availability 91
• 3.5 Conclusion 91
• Chapter 4 Conclusion 96
• Appendix 111
• Acknowledgements 153
• 국문 초록 154