기술 요약: ConTact – 명시적 인터페이스 추론을 통한 접촉 우선 항체 CDR 설계

1. 문제 제기

현재 항체의 상보성 결정 영역 (CDR) 을 설계하는 계산적 방법들은 항원 구조에 조건을 부여하여 결합 루프를 생성합니다. 그러나 기존 아키텍처는 두 가지 명확히 구분된 하위 문제를 단일 예측 헤드로 혼동한다는 근본적인 구조적 한계를 겪고 있습니다.

1. 접촉 식별: 어떤 CDR 위치가 항원과 물리적으로 접촉할지 결정합니다.
2. 시퀀스 선택: 해당 위치에 어떤 아미노산을 배치할지 국소 화학적 특성에 기반하여 결정합니다.

Equivariant 그래프 신경망 (예: MEAN, RAAD) 및 확산 기반 방법 (예: DiffAb) 을 포함한 기존 접근법들은 일반적으로 균일한 메시지 전달이나 평면 연결을 통해 항원 정보를 전파합니다. 이는 거리에 관계없이 모든 항원 잔기를 동일하게 취급하며, 모델이 시퀀스를 예측함과 동시에 접촉 추론을 암묵적으로 학습하도록 강요합니다. 결과적으로 항원 신호는 모든 위치에 희석되며, 모델은 주로 백본 기하학에 의해 제약받는 비접촉 위치와 항원과의 특정 화학적 상호작용에 의해 제약받는 접촉 위치에게 동등한 학습 능력을 할당합니다. 경험적 증거는 이러한 방법들이 항원 정보를 효과적으로 활용하지 못하며, 항원을 제거하더라도 예측이 거의 변하지 않는다고 시사합니다.

2. 방법론: CONTACT 아키텍처

저자들은 CDR 설계를 상보성 지문 (Complementarity Fingerprinting), 접촉 예측, 접촉 유도 시퀀스 생성의 3 단계 캐스케이드로 명시적으로 분해하는 "접촉 우선 (contact-first)" 아키텍처인 CONTACT를 제안합니다. 이 접근법은 "무엇 (what)"보다 "어디 (where)"를 먼저 다룹니다.

2.1. 그래프 구성 및 인코딩

항체 - 항원 복합체는 중쇄, 경쇄, 항원 잔기, 그리고 전역 구분 토큰과 가상 노드를 포함하는 이질적 그래프로 표현됩니다.

• 가상 노드: 특수한 가상 노드들이 모든 에피토프와 CDR 잔기에 양방향으로 연결되어, 원거리 에피토프의 정보가 순차적 메시지 전달을 통해 희석되는 "과-압축 (over-squashing)" 문제를 완화하는 2 홉 단축 경로를 생성합니다.
• 인코더: VirtualNode-EGNN(E(3)-공변 GNN) 이 메시지 전달을 수행하여 잔기 임베딩과 백본 좌표를 동시에 업데이트합니다.

2.2. 3 단계 디코더

핵심 혁신은 정보를 순차적으로 처리하는 디코더에 있습니다.

• 1 단계: 상보성 지문 (Complementarity Fingerprinting)
  모델은 교차 어텐션 출력을 각 CDR 위치별 저차원 "지문"으로 압축하여 국소 표면 상보성 (예: 소수성 대 전하 환경) 을 특성화합니다. 이는 유사한 국소 환경이 유사한 지문을 생성하도록 대비 손실 (InfoNCE) 을 사용하여 훈련됩니다.

• 2 단계: 접촉 예측
  지문, CDR 임베딩, 그리고 가장 가까운 항원 이웃들로부터 집계된 특징을 사용하여, 특정 CDR 위치가 항원과 접촉할 확률 ($\hat{c}_i$) 을 추정하는 감독 예측기가 사용됩니다.

  • 손실: 클래스 불균형 (비접촉이 접촉보다 3~5 배 많음) 을 처리하기 위해 포커스 손실 (focal binary cross-entropy loss) 이 사용되며, 이는 학습을 어렵고 모호한 경계 위치들에 집중시킵니다.

• 3 단계: 접촉 게이트형 국소 상보성 주입
  예측된 접촉 신뢰도 ($\hat{c}_i$) 는 게이트 역할을 하여 국소 항원 특징을 CDR 표현에 선택적으로 주입합니다.

  • 이중 게이트: 주입은 학습된 게이트 ($g_i$) 와 접촉 신뢰도 ($\hat{c}_i$) 에 의해 조절됩니다. 비접촉 위치 ($\hat{c}_i \approx 0$) 에서는 항원 정보가 효과적으로 0 으로 만들어 원거리 잔기로부터의 노이즈를 방지합니다. 접촉 위치에서는 시퀀스 선택을 안내하기 위해 항원 특징이 주입됩니다.
  • 거리 편향 교차 어텐션: 교차 어텐션 점수에 가우시안 공간 편향이 적용되어 공간적 이웃을 선호하며, 결합 접촉이 공간적으로 근접하다는 기하학적 사전 지식을 인코딩합니다.

2.3. 훈련 목적 함수

모델은 복합 손실 함수로 훈련됩니다.

• 접촉 가중 시퀀스 손실 ($L_{seq}$): 접촉으로 예측된 위치가 가중치 ($w_i = 1 + \alpha \cdot \hat{c}_i$) 를 부여받은 교차 엔트로피 손실입니다. 이는 결합에 중요한 위치에 기울기 신호를 집중시킵니다.
• 보조 손실: 좌표 손실 (C$\alpha$ 좌표에 대한 smooth-$\ell_1$), 페어링 손실 (CDR 및 항원 임베딩의 대비 매칭), 도킹 손실 (에피토프까지의 거리에 대한 패널티), 그리고 지문 대비 손실을 포함합니다.

3. 주요 기여

1. 아키텍처 분해: 본 논문은 기존 CDR 설계의 주요 실패 요인으로 접촉 식별과 시퀀스 예측의 혼동을 지목합니다. 이를 명시적이고 감독된 3 단계 캐스케이드로 분해하는 "접촉 우선" 패러다임을 제안합니다.
2. 접촉 게이트형 주입 메커니즘: 결합 관련 위치로만 항원 정보를 선택적으로 라우팅하고 비접촉 잔기로의 노이즈 전파를 방지하는 새로운 이중 게이트 메커니즘 (학습된 게이트 $\times$ 접촉 신뢰도) 입니다.
3. 거리 편향 어텐션 및 손실: CDR-항원 인터페이스의 희소성에 맞춰 학습 능력을 정렬하기 위해 거리 편향 교차 어텐션과 접촉 가중 교차 엔트로피 손실을 통한 기하학적 사전 지식의 통합입니다.

4. 실험 결과

이 방법은 Equivariant GNN, 확산/흐름 모델, ODE, 자기회귀 모델을 아우르는 11 개의 베이스라인에 대해 2,922 개의 항체 - 항원 복합체 데이터셋인 CHIMERA-BENCH에서 평가되었습니다.

• 구조적 품질: CONTACT 는 가장 낮은 C$\alpha$ RMSD (1.63 Å) 를 달성하여 다음으로 좋은 베이스라인 (RAAD, 1.75 Å) 보다 7% 개선되었고, MEAN 보다 11% 개선되었습니다.
• 에피토프 인식: CONTACT 는 가장 높은 에피토프 F1 점수 (0.79) 를 달성하여 GNN 베이스라인 (RAAD/MEAN, 0.72) 보다 10%, RefineGNN(0.76) 보다 4% 초과했습니다. 이는 모델이 결합 관련 잔기를 식별하는 능력을 검증합니다.
• 결합 품질: 모델은 천연 접촉의 가장 높은 비율 (fnat 0.67) 과 경쟁력 있는 DockQ 점수 (0.73) 를 달성했습니다.
• 시퀀스 복구: CONTACT 는 모든 베이스라인 중 가장 높은 아미노산 복구율 (AAR 0.38) 을 달성했습니다. 그러나 접촉 AAR(CAAR) 는 다른 방법들과 유사하게 (~0.20) 유지되어, 아키텍처가 어디에 결합할지는 더 잘 식별하지만, 해당 위치에서의 정확한 아미노산 정체성을 예측하는 것은 여전히 근본적인 병목 현상임을 시사합니다.

5. 중요성 및 주장

본 논문은 CONTACT 의 우수한 성능이 접촉 추론과 시퀀스 생성의 명시적 분리에 기인한다고 주장합니다. 항원 정보가 결합 관련 위치에서만 시퀀스 헤드로 도달하도록 하는 감독된 경로를 제공함으로써, 모델은 균일한 메시지 전달 아키텍처에서 관찰되는 신호의 "희석"을 피합니다.

저자들은 CONTACT 가 구조적 품질과 에피토프 인식을 크게 개선하지만, 전체 AAR 과 접촉 AAR 사이의 격차는 학습 능력의 할당이 아니라 C$\alpha$ 수준 항원 표현의 정보 내용에 있는 현재 병목 현상을 나타낸다고 지적합니다. 그들은 향후 연구가 항원 특이적 아미노산 정체성 예측의 어려움을 완전히 해결하기 위해 더 풍부한 항원 표현 (예: 측쇄 기하학, 표면 정전기) 을 탐구해야 한다고 제안합니다.

본 논문은 "접촉 우선" 분해가 효과적인 계산적 항체 설계로 나아가기 위한 필수 단계이며, 기존 방법들이 결여하고 있는 항원 구조와 시퀀스 특이성 사이의 감독된 연결고리를 제공한다고 결론지었습니다.