Property-driven Protein Inverse Folding With Multi-Objective Preference Alignment

이 논문은 구조적 충실도를 유지하면서 용해도와 열안정성 등 다양한 개발성 속성을 동시에 만족시키기 위해 사전 학습된 역접힘 모델을 다목적 선호도 정렬 (ProtAlign) 프레임워크로 미세 조정하는 새로운 방법을 제시합니다.

핵심

🧬 1. 문제 상황: "예쁜 옷"만 만들면 안 됩니다.

과거의 인공지능 (단백질 역접힘 모델) 은 주로 **"주어진 뼈대 (골격) 에 딱 맞는 옷감 (아미노산 서열)"**을 찾아내는 데만 집중했습니다. 마치 "이 마네킹에 딱 맞는 옷을 만들어줘"라고 시키면, 마네킹에 딱 맞는 옷은 만들지만, 실제 사람이 입었을 때 땀이 나거나 (용해성 부족), 세탁하면 찢어지거나 (내열성 부족) 하는 문제는 무시했습니다.

기존에는 이런 문제를 해결하기 위해 옷을 만든 뒤에 **수정 (돌연변이)**을 가하거나, 특정 목적에 맞는 옷만 모아 다시 학습시키는 방식을 썼습니다. 하지만 이는 마치 "비 오는 날만 입는 우산"을 만들다 보니, "바람이 부는 날"에는 쓸모가 없어지는 식으로, 목표가 바뀌면 다시 처음부터 시작해야 하는 번거로움이 있었습니다.

🚀 2. 해결책: ProtAlign (프로트얼라인)

저자들은 **"한 번에 여러 가지 좋은 점을 모두 갖춘 옷"**을 만들 수 있는 새로운 방법을 고안했습니다. 이를 ProtAlign이라고 부릅니다.

🎯 핵심 아이디어: "선호도 학습 (Preference Alignment)"

이 방법은 마치 **유능한 패션 디자이너에게 "이 옷은 좋지만, 저 옷은 더 좋아"**라고 가르치는 것과 같습니다.

1. 시뮬레이션 (Rollout): AI 가 먼저 옷을 여러 벌 만들어봅니다.
2. 평가: 컴퓨터 프로그램 (시뮬레이션) 을 통해 "이 옷은 입기 편한가?", "오래 쓸 수 있는가?"를 점수화합니다.
3. 선호도 비교: 점수가 높은 옷 (Win) 과 낮은 옷 (Lose) 을 짝지어 AI 에게 "이게 더 좋아!"라고 가르칩니다.
4. 균형 잡기 (Flexible Margin): 여기서 핵심은 **"모든 조건을 동시에 만족시키는 것"**입니다.
   • 예: "내열성은 좋지만 용해성이 나쁜 옷"과 "용해성은 좋지만 내열성이 나쁜 옷"이 있다면, AI 는 두 가지 모두를 고려해 가장 균형 잡힌 옷을 찾도록 가르칩니다.

🛠️ 3. MoMPNN: ProtAlign 을 적용한 슈퍼 모델

이 기술을 가장 유명한 단백질 설계 모델인 ProteinMPNN에 적용해서 MoMPNN이라는 새로운 모델을 만들었습니다.

• 기존 모델: 뼈대에 딱 맞는 옷은 잘 만들지만, 실용성은 떨어질 수 있음.
• MoMPNN: 뼈대에 딱 맞으면서도, 입기 편하고 (용해성 높음), 오래 견디는 (내열성 높음) 옷을 만듭니다.

🏆 4. 실험 결과: "실전"에서도 압도적입니다

저자들은 이 모델을 세 가지 상황에서 테스트했습니다.

1. 기존 자연계 단백질 재설계 (CATH): 이미 존재하는 단백질의 옷을 다시 입힐 때, 기존 모델보다 훨씬 더 튼튼하고 입기 편한 옷을 만들었습니다.
2. 새로운 단백질 창조 (De novo): 아예 처음부터 뼈대를 만들어서 옷을 입히는 상황에서도, 다른 모델들은 옷이 찢어지거나 (구조 불안정) 입기 불편했지만, MoMPNN 은 완벽하게 작동했습니다.
3. 실제 치료제 개발 (Binder Design): 바이러스나 세균을 잡기 위한 '약' (결합체) 을 설계할 때도, MoMPNN 은 더 높은 성공률을 보였습니다.

💡 5. 요약: 왜 이것이 중요한가요?

이 논문은 **"단백질을 설계할 때, 단순히 구조만 맞추는 게 아니라, 실제로 실험실에서 쓰일 수 있는 '실용성'까지 AI 가 스스로 배워가게 했다"**는 점에서 획기적입니다.

• 과거: "이게 맞아요!" (구조만 맞음)
• 지금 (ProtAlign): "이게 맞고, 입기도 편하고, 오래 쓸 수 있어요!" (구조 + 실용성 동시 최적화)

마치 단순히 마네킹에 잘 맞는 옷을 만드는 것을 넘어, **실제 사람이 입고 활동하기 좋은 '스마트 의류'**를 자동으로 설계하는 시대가 열린 것입니다. 이는 앞으로 신약 개발이나 새로운 소재 개발 속도를 획기적으로 높여줄 것으로 기대됩니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

단백질 역접힘 (Inverse Folding) 은 주어진 단백질 골격 (backbone) 구조에 맞는 아미노산 서열을 생성하는 작업으로, 단백질 설계의 핵심 과제입니다. 기존 모델들은 주로 디자인 가능성 (Designability), 즉 생성된 서열이 목표 골격 구조를 얼마나 잘 재현하는지에 초점을 맞추었습니다.

그러나 실제 응용 (실험실 검증, 의약품 개발 등) 에서는 디자인 가능성뿐만 아니라 개발 가능성 (Developability) 또한 필수적입니다. 이는 용해도 (Solubility), 열안정성 (Thermostability), 발현량 등 서로 경쟁할 수 있는 여러 속성들을 포함합니다.

• 기존 접근법의 한계:
  • 사후 변이 (Post-hoc mutation): 생성된 서열을 변이시키는 방식이지만, 유리한 변이를 찾기 어렵고 희소합니다.
  • 추론 시 편향 (Inference-time biasing): 확률 조정이나 보상 신호를 사용하지만, 불안정성이 있고 하이퍼파라미터 튜닝이 까다롭습니다.
  • 특정 속성별 재학습 (Retraining on subsets): 특정 속성 (예: 용해도) 이 좋은 데이터만으로 모델을 재학습시키면, 해당 속성은 향상되지만 디자인 가능성이나 다른 속성이 저하되는 트레이드오프가 발생합니다.
  • 공통된 문제: 이러한 방법들은 대부분 특정 목표에 종속적이며, 다양한 속성을 동시에 최적화하기 어렵고 도메인 전문 지식이 많이 필요합니다.

2. 제안 방법론: ProtAlign (Methodology)

저자들은 ProtAlign이라는 새로운 프레임워크를 제안하여, 사전 학습된 역접힘 모델을 디자인 가능성과 다양한 개발 가능성 속성 (용해도, 열안정성 등) 을 동시에 만족하도록 정렬 (Alignment) 합니다.

핵심 기술 요소

1. 다목적 선호도 정렬 (Multi-Objective Preference Alignment):

   • 기존 DPO(Direct Preference Optimization) 를 확장하여 여러 속성을 동시에 고려합니다.
   • 유연한 선호도 마진 (Flexible Preference Margin): 서로 충돌할 수 있는 목적들 (예: 용해도 향상 vs 구조적 일관성 유지) 간의 갈등을 해결하기 위해 도입되었습니다. 한 속성에서 우세한 샘플이 다른 속성에서 열등할 경우, 해당 쌍의 마진을 줄여 한 속성만 과도하게 최적화되는 것을 방지합니다.
   • 수식적으로, $k$번째 속성에 대한 손실 함수 $L_{MO}$는 다른 속성들 ($k' \neq k$) 의 보상 차이를 마진 항 ($m_k$) 으로 포함하여 조정됩니다.

2. 반-온라인 (Semi-Online) 학습 전략:

   • 완전한 온라인 강화학습 (RL) 의 높은 계산 비용과 불안정성을 피하기 위해 고안되었습니다.
   • 롤아웃 (Rollout) 단계: 현재 정책 모델이 높은 온도 (temperature) 에서 다양한 서열을 생성하고, 이를 시뮬레이션 기반 속성 예측기 (in silico predictors) 로 평가하여 선호도 데이터셋을 구축합니다.
   • 학습 (Training) 단계: 구축된 선호도 쌍 (Win/Lose) 을 사용하여 모델을 오프라인 방식으로 업데이트합니다.
   • 이 방식은 속성 예측기를 학습 중에 직접 실행하지 않으므로 계산 비용을 크게 절감하면서도 온라인 학습의 이점 (데이터의 다양성 확보) 을 취합니다.

3. 모델 아키텍처:

   • 널리 사용되는 ProteinMPNN을 베이스 모델로 사용합니다.
   • ProteinMPNN 은 순서 불변 (order-agnostic) 자기회귀 모델이므로, 로그 비율 (log-ratio) 계산을 위해 여러 무작위 잔서열 순서 ($\sigma$) 를 샘플링하여 평균화함으로써 분산을 줄이고 안정적인 최적화를 수행합니다.

3. 주요 기여 (Key Contributions)

1. ProtAlign 프레임워크 개발: 디자인 가능성을 희생하지 않으면서도 임의의 개발 가능성 속성을 최적화할 수 있는 다목적 선호도 정렬 프레임워크를 제안했습니다.
2. MoMPNN 모델의 성능 입증: ProtAlign 을 ProteinMPNN 에 적용하여 MoMPNN을 개발했습니다. 이 모델은 기존에 특정 속성 (용해도, 열안정성) 만을 위해 학습된 모델들 (SolubleMPNN, HyperMPNN) 보다 우수한 성능을 보였습니다.
3. 종합적인 평가 체계 구축: 단순한 서열 복구 (Recovery) 를 넘어, 결정 구조 (CATH 4.3), de novo 생성 골격, 그리고 실제 결합체 (Binder) 설계 시나리오까지 포괄하는 평가 체계를 마련했습니다.

4. 실험 결과 (Results)

연구진은 CATH 4.3 결정 구조, RFDiffusion 으로 생성된 de novo 골격, 그리고 6 가지 표적 단백질에 대한 결합체 설계 벤치마크에서 MoMPNN 을 평가했습니다.

• CATH 4.3 (결정 구조 재설계):
  • MoMPNN 은 ProteinMPNN 의 디자인 가능성 (구조 일관성) 을 유지하면서 용해도와 열안정성을 크게 향상시켰습니다.
  • 기존 베이스라인 (SolubleMPNN, HyperMPNN) 은 특정 속성은 좋았으나 다른 속성이나 디자인 가능성이 저하되는 경향이 있었으나, MoMPNN 은 모든 지표에서 균형 잡힌 최상의 성능을 보였습니다.
• De Novo 생성 골격:
  • 새로운 구조에 대한 서열 설계에서 MoMPNN 은 ProteinMPNN 보다 더 높은 구조 일관성 (TM-score) 과 개발 가능성 속성을 달성했습니다.
  • ESM-IF 나 InstructPLM 과 같은 다른 모델들은 de novo 조건에서 성능이 급격히 떨어지는 반면, MoMPNN 은 견고한 성능을 유지했습니다.
• De Novo 결합체 (Binder) 설계:
  • 실제 의약품 후보 물질 개발과 유사한 복잡한 시나리오에서 MoMPNN 은 결합 성공률 (Sequence/Backbone Success Rate) 이 ProteinMPNN 보다 높았으며, 용해도와 진화적 타당성 (Evolutionary Plausibility) 도 크게 개선되었습니다.
  • 이는 단량체 (monomer) 데이터로 학습된 모델이 다중체 (binder) 설계에도 효과적으로 일반화될 수 있음을 시사합니다.

5. 의의 및 결론 (Significance)

이 논문은 단백질 설계 분야에서 디자인 가능성과 개발 가능성 사이의 트레이드오프를 효과적으로 해결하는 새로운 패러다임을 제시했습니다.

• 실용성: 실험실 검증 (Wet-lab) 이 필요한 전 단계에서, 계산적 방법으로 단백질의 실패 확률을 줄이고 성공적인 후보 물질을 선별하는 데 기여할 수 있습니다.
• 확장성: 제안된 ProtAlign 프레임워크는 용해도나 열안정성 외에도 결합 친화도 (Binding Affinity) 등 다양한 기능적 속성으로 확장 적용이 가능합니다.
• 방법론적 혁신: 반-온라인 DPO 와 적응형 마진 기법을 도입하여, 복잡한 다목적 최적화 문제를 계산 효율적으로 해결하는 방법을 제시했습니다.

결론적으로, MoMPNN 은 실제 단백질 공학 및 신약 개발 파이프라인에서 즉시 활용 가능한 강력한 도구로 평가받으며, 단백질 역접힘 모델의 발전 방향을 '단순한 구조 복원'에서 '실용적 속성을 갖춘 기능적 설계'로 전환하는 중요한 이정표가 됩니다.