🧬 biology

ConforNets: Latents-Based Conformational Control in OpenFold3

이 논문은 OpenFold3 아키텍처의 잠재 표현을 변형하여 단백질의 다양한 입체 구조를 효율적으로 제어하고, 기존 벤치마크에서 최상의 성능을 보이며 단백질 가족 간 구조 전이까지 가능하게 하는 'ConforNets'를 제안합니다.

원저자: Minji Lee, Colin Kalicki, Minkyu Jeon, Aymen Qabel, Alisia Fadini, Mohammed AlQuraishi

게시일 2026-04-21

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Minji Lee, Colin Kalicki, Minkyu Jeon, Aymen Qabel, Alisia Fadini, Mohammed AlQuraishi

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

ConforNets: 단백질의 '변신'을 부르는 마법 지팡이

이 논문은 인공지능이 단백질의 구조를 예측하는 데 있어 기존에 가졌던 한계를 극복하고, 단백질이 가질 수 있는 **여러 가지 다른 모양 **(상태)을 능동적으로 찾아낼 수 있게 해주는 새로운 방법인 **'ConforNets'**을 소개합니다.

상상해 보세요. 단백질은 우리 몸속에서 일을 하는 작은 로봇과 같습니다. 이 로봇은 일을 할 때 고정된 모양만 유지하는 게 아니라, 상황에 따라 **몸을 구부리거나, 팔을 뻗거나, 문이 열리듯 모양을 바꾸며 **(변형) 일을 합니다.

기존의 유명한 AI(AlphaFold 3 등) 는 이 로봇의 **가장 기본적이고 안정적인 '휴식 상태' **(Native state)는 아주 정확하게 예측해 냅니다. 하지만 문제는, 로봇이 일을 하려고 **몸을 움직일 때 나타나는 다른 중요한 모양들 **(예: 문이 열린 상태, 활성화된 상태)은 잘 찾아내지 못한다는 점입니다. 마치 로봇이 "휴식 중"일 때는 아주 잘 설명해주지만, "작업 중"일 때는 "그건 모르겠어요"라고 대답하는 것과 비슷합니다.

이 논문은 이 문제를 해결하기 위해 ConforNets이라는 새로운 기술을 개발했습니다.

1. 기존 방법들의 문제점: "랜덤하게 흔들어보기"

기존 연구자들은 AI 가 다른 모양을 예측하게 하려고 다양한 시도를 했습니다.

입력 데이터 바꾸기: 단백질의 유전 정보 (MSA) 를 임의로 잘라내거나 섞어서 AI 에게 "이건 조금 다른 버전이야"라고 속이는 방법이었습니다.
결과값 수정하기: AI 가 예측한 구조를 임의로 왜곡하거나, 확산 (Diffusion) 과정을 조절하는 방법이었습니다.

하지만 이 방법들은 마치 어두운 방에서 랜덤하게 불을 켜보며 물건을 찾는 것과 비슷합니다. 때로는 운 좋게 다른 모양을 찾을 수도 있지만, 대부분은 비효율적이고, 물리적으로 불가능한 이상한 구조를 만들어내거나, 중요한 모양은 계속 놓치게 됩니다.

2. ConforNets 의 해결책: "마법 지팡이로 뇌를 자극하기"

ConforNets 는 이 문제를 **AI 의 '뇌' **(잠재 공간, Latent space)에 직접적으로 개입하여 해결합니다.

🧠 비유: AI 의 뇌에 '조절 장치'를 달다

AI 가 단백질을 예측할 때, 최종적인 3D 구조를 만들기 전에 **중간 단계의 정보 **(잠재 표현, Latents)를 처리합니다. ConforNets 는 이 중간 정보에 **작은 '변환기 **(Affine Transform)를 붙입니다.

기존 방법: 입력 데이터 (MSA) 를 뒤섞거나, 결과물을 임의로 찌그러뜨리는 것. (불확실하고 비효율적)
ConforNets: AI 가 구조를 생각하기 직전, **중간 생각 **(잠재 정보)을 미세하게 조절합니다. 마치 조종석의 레버를 살짝 움직여 로봇의 다음 행동을 '활성화 모드'나 '비활성화 모드'로 유도하는 것과 같습니다.

이 변환기는 단백질마다 새로 학습할 필요 없이, 한 번 학습된 '지팡이'를 다른 단백질들에게도 적용할 수 있습니다. 즉, 한 번 배운 '활성화 비법'을 다른 단백질들에게도 전수할 수 있는 것입니다.

3. ConforNets 가 해낸 두 가지 놀라운 일

이 기술은 두 가지 주요 임무를 성공적으로 수행했습니다.

① 숨겨진 모양 찾기 (비지도 학습)

단백질이 가질 수 있는 여러 가지 모양을 스스로 찾아내게 합니다.

상황: "이 단백질이 가질 수 있는 모든 가능한 모양을 보여줘!"
결과: ConforNets 는 AI 가 예측하는 구조들을 서로 다르게 만들어내도록 훈련시켰습니다. 그 결과, 기존 방법들보다 훨씬 더 정확하게 단백질의 **열린 상태 **(Open)와 **닫힌 상태 **(Closed)를 모두 찾아냈습니다. 마치 **주사위를 굴려서 원하는 숫자 **(다른 모양)처럼 작동합니다.

② 모양 전수하기 (지도 학습)

한 단백질에서 배운 '변신 비법'을 다른 단백질에게 적용합니다.

상황: "이 단백질 (A) 은 약을 먹을 때 모양이 변해서 활성화되는데, 비슷한 다른 단백질 (B, C, D) 도 똑같이 변하게 해줘!"
결과: 연구자들은 GPCR(약물 표적 단백질) 이나 키나제 같은 단백질 가족에서, 한 종의 단백질에서 '활성화 상태'를 유도하는 법을 배운 뒤, 이를 다른 종의 단백질들에게 적용했습니다. 그 결과, 기존 AI 는 거의 찾아내지 못했던 **활성화 상태 **(약이 결합할 준비가 된 상태)를 높은 확률로 성공적으로 예측했습니다.

4. 왜 이것이 중요한가요?

단백질이 어떤 모양으로 변하는지를 아는 것은 신약 개발에 필수적입니다.

약이 작동하려면: 약은 보통 단백질이 특정 모양 (예: 문이 열린 상태) 일 때만 결합합니다.
기존의 한계: AI 가 예측한 '휴식 상태'만으로는 약이 어떻게 결합할지 알 수 없습니다.
ConforNets 의 기여: 이 기술을 사용하면, 약이 결합할 때 필요한 '활성화된 모양'을 미리 예측할 수 있습니다. 이는 신약 개발 과정을 획기적으로 가속화하고, 더 정확한 표적을 찾는 데 큰 도움이 됩니다.

요약

ConforNets는 단백질 구조 예측 AI 에게 "단순히 가장 일반적인 모양만 예측하지 말고, 상황에 따라 변할 수 있는 다른 중요한 모양들도 찾아내라"고 가르치는 지능형 조절 장치입니다.

기존의 '랜덤하게 흔들어보기' 방식 대신, AI 의 사고 과정 중간에 직접 개입하여 원하는 모양을 유도함으로써, 단백질의 **변신 능력 **(Conformational Change)을 정복하고, 더 나은 신약 개발의 길을 열었습니다.

ConforNets: OpenFold3 에서의 잠재 기반 입체구조 제어 (Latents-Based Conformational Control)

이 논문은 알파폴드 3 (AF3) 기반 모델이 단백질의 주된 입체구조 (native conformation) 는 정확하게 예측하지만, 생물학적으로 중요한 대체 상태 (alternate states) 나 입체구조적 이질성 (conformational heterogeneity) 을 포착하는 데 어려움을 겪는 문제를 해결하기 위해 제안된 ConforNets라는 새로운 방법을 소개합니다.

1. 문제 정의 (Problem)

현재의 한계: AlphaFold (AF) 계열 모델은 단백질의 주된 구조를 예측하는 데 탁월하지만, 단백질 기능에 필수적인 다양한 입체구조 상태 (예: GPCR 의 활성/비활성 상태, 키나제의 DFG-in/out 전이 등) 를 포착하는 데는 실패합니다.
기존 방법의 부족: 기존 연구들은 AF 모델의 입력 (MSA) 을 임의적으로 교란하거나, 추론 시 (inference-time) 확산 (diffusion) 모듈을 조작하는 방식을 사용했습니다. 그러나 이러한 방법들은 비효율적이며, 일관되게 주요 입체구조 모드를 복원하지 못하거나 물리적으로 불가능한 구조를 생성하는 경우가 많습니다. 또한, 대부분의 방법은 단백질마다 특화되어 있어 다른 단백질로 재사용하기 어렵습니다.

2. 방법론 (Methodology)

저자들은 AF3 아키텍처 내에서 잠재 표현 (latent representations) 을 교란하는 최적의 위치와 방식을 탐구하여 ConforNets를 개발했습니다.

핵심 메커니즘: ConforNets 는 AF3 의 **Pairformer 트렁크 직전 (pre-Pairformer) 에 있는 페어 잠재 (pair latent, $z_{pre}$ $z_{p r e}$ )**에 **채널별 아핀 변환 (channel-wise affine transforms)**을 적용합니다.
- 변환식: $\phi(h) = hW^T + b$ (여기서 $W$ 와 $b$ 는 학습 가능한 파라미터).
- 이 변환은 전역적 (globally) 으로 잠재 공간의 채널을 혼합하고 편향시켜, Pairformer 가 아미노산 간의 접촉 (contacts) 을 다르게 처리하도록 유도합니다.
두 가지 주요 적용 시나리오:
1. 비지도 대체 입체구조 예측 (Unsupervised Prediction): 단일 단백질 입력에 대해 $k$ 개의 ConforNets 를 공동 최적화하여, 생성된 샘플 간의 거리 (distogram 또는 좌표 공간) 를 최대화합니다. 이를 통해 입체구조 공간의 다양한 모드 (modes) 를 샘플링하도록 유도합니다.
2. 지도된 입체구조 전이 (Supervised Transfer): 특정 단백질 (소스) 의 원하는 입체구조 (예: 활성 상태) 를 인코딩하는 ConforNet 하나를 학습시킵니다. 이후 이 학습된 ConforNet 을 동일한 구조적 가족 (family) 에 속하는 다른 단백질 (타겟) 에 적용하여, 해당 단백질에서도 동일한 입체구조 변화를 유도합니다. 이는 "원하는 대로 (at-will)" 특정 기능을 가진 구조를 생성할 수 있게 합니다.

3. 주요 기여 (Key Contributions)

최적의 교란 위치 규명: 실험을 통해 AF3 의 **Pairformer 이전의 페어 잠재 ( $z_{pre}$ )**를 교란하는 것이 가장 효과적인 제어 수단을 제공함을 증명했습니다. 이는 Pairformer 가 아미노산 간 상호작용을 처리하는 방식을 변경할 수 있기 때문입니다.
재사용 가능한 전역 제어: 기존 방법들이 아미노산 단위 (residue-wise) 로 작동하여 단백질마다 특화되었던 것과 달리, ConforNets 는 채널 단위 변환을 통해 다른 단백질 간에도 재사용 가능합니다.
새로운 작업 정의 (Conformational Transfer): 소스 단백질에서 학습된 입체구조 편향을 타겟 단백질로 전이하는 새로운 과제를 정의하고 이를 성공적으로 수행했습니다.

4. 실험 결과 (Results)

비지도 예측 (Unsupervised Generation):
- 104 개의 단백질 쌍으로 구성된 다중 상태 벤치마크 (Cryptic pockets, Membrane transporters, Domain motions 등) 에서 State-of-the-Art (SOTA) 성공률을 기록했습니다.
- 특히 막 수송체 (Membrane transporters) 의 경우, 기존 방법들 (BioEmu, ConforMix 등) 보다 훨씬 높은 성공률 (예: Outward-open 상태 51.1% vs 기존 30~40% 대) 을 보였습니다.
- 학습 시간이 매우 짧아 (200 잔기 단백질 기준 40 GPU 초 미만) 효율적입니다.
지도된 전이 (Supervised Transfer):
- GPCR(활성화), 키나제 (DFG-out), 수송체 (바깥쪽 개방) 의 세 가지 가족에서 소스 단백질 하나를 기반으로 학습된 ConforNet 을 적용했을 때, 기본 AF3 추론 대비 성공률이 획기적으로 향상되었습니다.
  - GPCR 활성 상태: 24% $\rightarrow$ 79%
  - 키나제 DFG-out: 6% $\rightarrow$ 23%
  - 수송체 바깥쪽 개방: 16% $\rightarrow$ 57%
- 소스 단백질과 타겟 단백질 간의 구조적 유사도가 낮더라도 (TM-score 0.28 수준) 성공적인 전이가 가능함을 확인했습니다.

5. 의의 및 결론 (Significance)

AF3 의 잠재적 능력 규명: AF3 모델이 훈련 데이터에 명시적으로 포함되지 않은 대체 입체구조 상태에 대한 지식을 잠재 공간에 암묵적으로 내재하고 있음을 보여주었습니다.
실용적 응용 가능성: ConforNets 는 약물 개발 (리간드 도킹을 위한 활성 상태 구조 예측), 단백질 공학, 분자 동역학 (MD) 시뮬레이션의 초기 구조 생성 등 다양한 생물학적 응용 분야에 직접적으로 활용될 수 있습니다.
경량화된 접근: 추가적인 대규모 훈련 없이, 추론 시 가볍게 적용 가능한 아핀 변환을 통해 AF3 기반 모델의 생성 능력을 확장하는 새로운 패러다임을 제시했습니다.

요약하자면, ConforNets 는 AlphaFold3 의 잠재 공간에 대한 정교한 제어를 통해 단백질의 다양한 기능적 상태를 예측하고 전이할 수 있는 강력한 도구를 제공하며, 단백질 구조 예측 분야에서 입체구조 다양성 (conformational diversity) 문제를 해결하는 중요한 진전을 이룩했습니다.