Vipsania는 유전자 주석 없이 유전체에서 유전자를 찾는다

Vipsania는 참조 유전자 주석이나 단백질 증거 없이 원시 유전체 서열만 학습해 진핵생물의 유전자를 찾는 비지도 딥러닝 도구다. FASTA 파일을 입력하면 GenePred, GFF3 또는 GTF 형식으로 주석을 출력하며, 대상 종의 서열로 먼저 미세조정하는 방식을 권장한다.

GitHub 저장소 · bioRxiv 사전 공개 논문

Vipsania는 염기를 일부 가리고 주변 문맥으로 예측하도록 학습한다. 신경망 안의 은닉 마르코프 모델이 서열을 설명하는 데 필요한 표현으로 유전자 구조를 학습한다는 것이 개발진의 설명이다. 따라서 학습 과정에서 정리된 유전자 집합, 관련 종의 주석, 단백질 증거를 요구하지 않는다.

설치와 사용 조건

Python 3.12 이상이 필요하며, 깨끗한 가상 환경에 설치하는 것이 권장된다.

$ python -m pip install vipsania

설치하면 유전체 주석을 실행하는 vipsania 명령을 사용할 수 있다. 유전체 FASTA 파일과 학습된 모델이 필요하며, 처음 사용하는 모델은 약 100MB를 내려받아 보관한다. 종이 속한 분기군(clade) 중 가장 구체적인 모델을 고르면 된다. 주석 파일은 -o/--output에 지정한 파일 확장자에 따라 GenePred(.gp), GFF3(.gff3 또는 .gff), GTF(.gtf)로 저장된다.

--finetune을 지정하면 주석을 예측하기 전에 대상 유전체만으로 모델을 학습한다. 별도의 증거 자료 없이 FASTA 파일만 필요하며, 개발진은 이 과정이 종의 코돈 사용, 반복 서열 분포, 인트론 통계에 모델을 적응시켜 주석을 개선한다고 설명한다. 미세조정한 체크포인트는 출력 파일 옆에 저장돼 같은 유전체나 가까운 종에 다시 사용할 수 있다.

GPU 사용을 강력히 권장한다. CPU만으로도 큰 유전체를 처리할 수 있지만 느리다. Docker와 Singularity/Apptainer 이미지도 제공하며, GPU 실행에는 NVIDIA 드라이버 570 이상이 필요하다. 이미지에는 TensorFlow 2.17과 CUDA 12.8이 포함돼 있어 호스트에 CUDA를 따로 설치할 필요는 없다. 이미지는 linux/amd64만 지원한다.

분기군별 모델과 평가

개발진이 공개한 시험 종의 평균 유전자 자리(locus) F1 점수는 다음과 같다. 점수는 참조 주석과 비교한 값이며, 첫 번째 점수는 --finetune을 사용했을 때, 두 번째는 사전 학습 모델만 사용했을 때다.

개발진은 대부분의 분기군에서 미세조정이 점수를 높였다고 설명하지만, Arthropoda에서는 미세조정 점수가 더 낮았고 Discoba에서는 같았다. 위 분기군에 속하지 않는 진핵생물에는 해당 종들로 학습한 마지막 모델을 사용하며, Other 또는 모델 ID를 지정하면 된다. 시험 종별 정밀도·재현율·F1 점수는 시험 종 자료에서 확인할 수 있다.

모델은 종별 주석이 아니라 서열로 학습했다고 개발진은 밝힌다. 따라서 학습 종이나 가까운 종이 목록에 있다는 사실만으로 해당 모델을 피할 이유는 없다고 설명한다. 학습 종 목록은 training_species.tsv에 공개돼 있다.

추가로 단백질, RNA-Seq 또는 Iso-Seq 증거를 결합하려면 Gaius-Augustus 계열 유전자 탐지 도구를 위한 Nextflow 파이프라인인 Paludamentum을 사용할 수 있다. 증거 자료를 제공하면 Vipsania의 예측과 해당 증거에서 얻은 고신뢰도 유전자를 병합한다. vipsania 명령 자체는 이 파이프라인을 실행하지 않는다.