기술 요약: 축성 벡터를 이용한 이종 카이랄성 단백질-펩타이드 상호작용 설계를 위한 교차 카이랄성 일반화

1. 문제 정의

자연계의 단백질은 주로 L-아미노산으로 구성된 동카이랄성(homo-chiral)입니다. 결과적으로, D-펩타이드(D-아미노산으로 구성된)는 단백질 분해 효소에 대한 저항성, 연장된 체내 반감기, 낮은 면역원성 등 중요한 치료적 이점을 제공합니다. 그러나 천연 L-단백질 표적을 위한 D-펩타이드 결합제(binder)를 설계하는 것은 여전히 까련한 "제로샷(zero-shot)" 일반화 문제입니다.

전통적인 방법은 "거울상 이미지 디스플레이(mirror-image display)"에 의존합니다. 이는 L-펩타이드 결합체를 스크리닝하기 위해 D-단백질 표적을 합성한 후, 이를 거울상으로 반전시켜 D-펩타이드를 만드는 방식입니다. 하지만 이 접근법은 D-단백질 표적을 합성하는 데 따르는 어려움으로 인해 한계가 있습니다. 머신러닝은 L–L(동카이랄) 펩타이드 설계 분야에서는 진전이 있었으나, D–L(이종 카이랄) 상호작용을 생성하는 연구는 여전히 미개척 영역으로 남아 있습니다. 기존의 등변성 모델(E(3)-equivariant)은 본질적으로 반사 불변적(reflection-agnostic)입니다. 즉, 구조와 그 거울상 이미지를 동일한 표현으로 취급하기 때문에, 카이랄성을 구별하거나 L–L 훈련 데이터로부터 D–L 설계 작업으로 일반화하는 데 부적합합니다.

2. 방법론

2.1. 이론적 기초: 축성 특징 주입 (Axial Feature Injection, AFI)

본 연구의 핵심 혁신은 E(3)-등변 신경망을 SE(3)-등변(카이랄성 민감) 모델로 수정하는 방법인 **축성 특징 주입(AFI)**입니다.

• 극성 벡터 vs. 축성 벡터: 표준 기하학적 딥러 Lerning 모델은 극성 벡터 특징(예: 위치, 속도)을 사용하며, 이는 공간 반전($P = -I$) 시 부호가 변합니다. 반면, 반전 등변성을 깨뜨리면서 회전 등변성을 유지하기 위해, 저자는 축성 벡터(예: 각운동량, 자기장)를 주입합니다. 축성 벡터는 공간 반전 시 불변합니다($P a(x) = a(x)$).
• 메커니즘: 저자들은 극성 벡터 특징($v$)과 구성된 축성 벡터 특징($a$)을 채널 단위 선형 혼합을 통해 결합하는 방식을 제안합니다:
  $$e_v(X) = A^\top v(X) + B^\top a(X)$$
  이론적 분석(정리 3.1)에 따르면, 완만한 가정 하에서 이러한 주입은 분자 $X$와 그 거울상 이미지 $-X$ 사이의 잠재 표현(latent representation)에서 무시할 수 없는 차이를 생성하는 동시에, 동일한 아미노산 유형 클러스터 내에 머물게 합니다. 이를 통해 모델은 표현 공간을 붕괴시키지 않으면서 카이랄성을 구별할 수 있습니다.

2.2. 축성 특징의 구성

고차 텐서 표현의 높은 계산 비용 없이 AFI를 효율적으로 구현하기 위해, 저자들은 SO(3) 표현의 저차 텐서 분해를 기반으로 세 가지 특정 축성 벡터 특징을 구성합니다:

1. 외적 (Cross Product): $u \times v$
2. 투영된 스칼라 삼중적 (Projected Scalar Triple Product): $(w \cdot (u \times v)) \cdot w$
3. 교환자 특징 (Commutator Feature): $(u \cdot v)(u \times v)$

이러한 특징들은 인접한 채널의 극성 벡터 입력으로부터 유도되어 네트워크에 주입됩니다.

2.3. 모델 아키텍처: PepMirror

AFI 메커니즘은 UniMoMo 프레임워크를 기반으로 구축된 잠재 확산 모델(latent diffusion model)인 PepMirror에 구현되었습니다.

• 백본(Backbone): 모델은 **EPT (Equivariant Pretrained Transformer)**를 백본으로 사용합니다.
• 수정 사항: AFI는 모든 피드포워드 네트워크(FFN) 레이어 이전에 구성된 축성 특징을 벡터 특징($V'$)에 주입함으로써 적용되며, 이를 통해 AFI-EPT를 생성합니다.
• 워크플로우:
  1. L-단백질 표적을 거울상 이미지($G'_t = P(G_t)$)로 반전시킵니다.
  2. 확산 모델은 반전된 표적을 조건으로 하여 L-펩타이드 결합체의 잠재 코드를 생성합니다.
  3. 출력을 다시 반전시켜 원래의 L-표적에 대한 D-펩타이드 결합체를 얻습니다.
  4. 이론적 안정성 분석(정리 3.4)은 조건부 확산 과정이 공간 반전 하에서도 안정적으로 유지됨을 확인하며, 이를 통해 모델이 L–L 훈련 데이터로부터 D–L 설계로 일반화될 수 있음을 보장합니다.

3. 주요 기여

1. AFI (Axial Feature Injection): 극성 벡터 채널에 축성 특징을 주입함으로써 E(3)-등변 모델을 카이랄성 민감(SE(3)-등변) 모델로 전환하는 플러그 앤 플레이(plug-and-play) 방식입니다.
2. 이론적 분석: AFI가 아미노산 유형 클러스터링을 보존하면서 엔안티오머(enantiomer, 거울상 이성질체) 간의 잠재 공간 차이를 유도하여 제로샷 교차 카이랄성 일반화를 가능하게 한다는 것을 입증하는 이론적 프레임워크를 제공했습니다.
3. PepMirror: D-펩타이드 결합체의 de novo 설계를 위한 최첨단(SOTA) 생성형 AI 프레임워크를 개발했습니다.
4. 실험적 검증: D-펩타이드 결합체 설계를 위한 최초의 실험실 검증(wet-lab validated) 생성형 AI로서, in silico 벤치마크를 넘어서는 효능을 입증했습니다.

4. 결과

4.1. 잠재 공간 분석

• 카이랄성 인식: AFI를 갖춘 모델은 엔안티오머($X$ 대 $-X$) 사이의 중앙값 잠재 거리가 $10^{-2}$ 규모로 나타났으며, 이는 AFI가 없는 모델보다 4개 차수(orders of magnitude) 이상 큰 수치입니다.
• 클러스터링: t-SNE 및 히트맵 분석 결과, 동일한 유형의 L 및 D 아미노산은 조밀하고 뚜렷한 클러스터를 형성하는 반면, 서로 다른 아미노산 유형은 잘 분리되어 있었습니다. 이는 모델이 의미적 정체성을 잃지 않으면서 카이랄성을 학습했음을 확인시켜 줍니다.

4.2. In-Silico 평가

Large Non-Redundant (LNR) 복합체 데이터셋을 대상으로 RFDiffusion, D-Flow, UniMoMo과 같은 베이스라인과 비교 평가했습니다:

• 카이랄성 일관성: PepMirror는 D-펩타이드 설계 작업에서 원형 및 최소화된 구조 모두에서 99% 이상의 정확한 카이랄성을 달-성했습니다. 반면, 명시적인 카이랄성 사전 지식(prior)이 없는 모델들(예: PocketXMol, UniMoMo)은 혼합 카이랄성 출력을 생성했으며, E(3)-등변 모델(예: RFDiffusion)은 반전된 표적이 주어졌을 때 D-펩타이드를 생성하는 데 실패했습니다.
• 인터페이스 친화도: PepMirror는 베이스라인 대비 우수한 결합 점수(Vina)와 인터페이스 에너지 개선(IMP)을 보여주었습니다. 특히, L-펩타이드에서 D-펩타이드 설계 작업으로 전환할 때 발생하는 성능 저하가 가장 적었으며, 이는 다른 모델들이 겪는 심각한 "성능 절벽(performance cliffs)" 현상과 대조적입니다.

4.3. 실험실 검증 (Wet-Lab Validation)

• 표적: 다발성 골수종의 치료 표적인 CD38.
• 과정: PepMirror(cross)를 사용하여 5,000개의 D-펩타이드 후보군을 생성했습니다. 필터링 과정을 거쳐 12개의 후보를 합성했습니다.
• 결과: 약 10 µM의 해리 상수($K_D$)를 가진 10-mer 펩타이드(D-1412)가 식별되었습니다.
• 관찰: 흥미롭게도 엔안티오머(L-1412) 또한 결합 활성을 보였는데, 이는 설계는 성공적이었으나 특정 상호작용이 이 사례에서 엄격하게 입체 선택적이지 않을 수 있음을 시사하며, 이는 최근의 무질서한 단백질 상호작용 관련 문헌에서도 언급되는 현상입니다.

5. 의의 및 주장

본 논문은 PepMirror가 D-펩타이드 결합체의 de novo 설계를 위한 최초의 실험실 검증된 생성형 AI임을 주장합니다.

• 과학적 영향: 본 연구는 기하학적 신경망에 축성 벡터를 주입함으로써 교차 카이랄성 일반화를 달성할 수 있는 가능성을 보여줍니다. 이는 반사 불변적 모델의 한계를 넘어 단백질 설계에서 카이랄성을 다루는 새로운 관점을 제시합니다.
• 실용적 유용성: 실제 치료 표적인 CD38에 대한 결합제를 성공적으로 설계하고 실험적으로 검증함으로써, D-단백질 표적 합성을 우회하는 미러 이미지 신약 개발의 새로운 워크플로우를 구축했습니다.
• 겸허함: 저자들은 자신들의 이론적 분석이 전체 네트워크의 완전한 엔드 투 엔드 이론이라기보다 단순화된 가정 하에서의 특징 혼합 메커니즘에 초점을 맞추고 있음을 인정합니다. 또한, AFI가 UniMoMo 프레임워크 내에서 입증되었지만, 이는 다양한 아키텍처에 적용 가능한 경량화된 설계 원칙임을 명시합니다.

요약하자면, 이 연구는 이론적 기하학적 딥러닝과 실질적인 치료제 설계 사이의 간극을 메우며, 천연 L-단백질을 위한 D-펩타이드 결합체를 생성하기 위한 검증된 방법을 제공합니다.