기술 요약: LineageFlow

문제 정의

단백질 공학은 가족 내 다양성을 탐색하면서도 생물물리적으로 타당하고 목표 가족 또는 도메인의 인식 가능한 구성원으로 남는 시퀀스를 생성해야 합니다. 현재 이산 생성 모델 (확산 및 흐름 기반 접근법 포함) 은 일반적으로 균일한 심플렉스 노이즈 또는 마스킹된 토큰 손상으로부터 생성을 초기화합니다. 저자들은 이러한 일반적 사전 (priors) 이 "가족 무관적 (family-agnostic)"이며 진화로 유도된 강력한 위치별 제약을 폐기한다고 주장합니다. 결과적으로 모델은 매우 손상된 상태 ("처음부터 synthesis") 에서 거의 모든 잔기, 즉 매우 보존된 잔기까지 재구성해야 하는 부담을 지게 됩니다. 이 부담은 약한 가족 제어, 낮은 타당성, 그리고 인식 가능한 가족 - 도메인 구조를 유지하는 어려움을 초래합니다.

방법론: LineageFlow

저자들은 LineageFlow를 제안합니다. 이는 단백질 시퀀스 생성을 일반적 노이즈에서의 합성이 아닌, 진화된 골격 (scaffold) 으로의 구조적 돌연변이로 재해석하는 디리클레 흐름 매칭 (Dirichlet flow-matching) 모델입니다.

1. 계통선 사전 초기화 (Lineage-Prior Initialization)

균일 사전 대신 LineageFlow 는 계통수 재구성 (ASR) 에서 유래된 **조상 사전 (ancestral priors)**을 사용하여 생성 과정을 초기화합니다.

• 구축: 주어진 단백질 가족에 대해 저자들은 다중 시퀀스 정렬 (MSA) 을 구축하고, 최대우도 계통수를 추론한 후, 루트에서 주변 ASR 을 수행하여 잔기에 대한 사이트별 사후 확률 분포를 얻습니다.
• 표현: 이 루트 사후 확률은 디리클레 농도 매개변수 ($\alpha^{(h,l)}$) 로 인코딩되어 가족별 조상 사전 $q_0^{(h)}(X) = \prod_l \text{Dir}(x^{(l)}; \alpha^{(h,l)})$을 정의합니다.
• 메커니즘: 이 접근법은 가족이 불변인 보존된 골격을 유지하면서 진정한 변이 부위에서만 불확실성을 유지합니다. 따라서 생성 과정은 확률 심플렉스 상에서 이 조상 분포로부터 현존하는 시퀀스로의 연속적 수송으로 모델링됩니다.

2. 심플렉스 상의 흐름 매칭

LineageFlow 는 **디리클레 흐름 매칭 (DFM)**을 사용합니다.

• 궤적: 시간 $t \in [0, 1]$에 따라 디리클레 질량이 목표 꼭짓점 $x_1$ 주변으로 집중되는 조건부 확률 경로 $p_t(x | x_1)$가 정의됩니다.
• 벡터장: 모델은 조상 사전을 데이터 분포로 수송하는 신경 시간 의존적 벡터장 $\hat{v}(X, t; \theta)$를 학습합니다. 이 드리프트는 분류기 파라미터화 $\hat{p}_\theta(x_1 | x_t, t)$를 통해 재구성되며, 시퀀스 평균 교차 엔트로피 손실을 최소화합니다.
• 이론적 보장: 저자들은 계통선별 분석적 장 (analytic field) 이 심플렉스 상에서 연속성 방정식을 만족함을 증명하여, 확률 질량 보존을 보장하고 궤적이 유효한 상태 공간 내에 머무르게 합니다.

3. 목적 지향 샘플링을 위한 재라우팅 (Rerouting)

외부 적합도 (fitness) 목적을 단계별 예측자 안내 없이 통합하기 위해 저자들은 **재라우팅 (Rerouting)**을 도입합니다.

• 과정: 중간 시간 $t_{int}$에서 생성 궤적이 일시 중단됩니다. 지시적 진화 (directed evolution) 에서 영감을 받은 "돌연변이 - 선택 - 증폭" 개입이 적용됩니다.
  • 돌연변이 (Mutate): 제안 커널이 입자 군집에 다양성을 주입합니다.
  • 선택 (Select): 입자들은 적합도 점수 $J(X)$ (예: 타당성 또는 특정 속성 예측기) 를 기반으로 재가중됩니다.
  • 증폭 (Amplify): 가중치에 따라 재샘플링이 수행됩니다.
• 이론적 기반: 저자들은 재라우팅을 KL 정규화 선택 문제로 공식화하여, 재가중된 분포가 제안 법칙 (proposal law) 으로부터의 KL 발산을 최소화하면서 기대 적합도를 최대화함을 보여줍니다.
• 정제: 선택된 입자는 $t_{int}$에서 $t=1$까지 기본 흐름을 통해 통합되어 최종 샘플을 생성합니다.

주요 기여

1. 조상 사전 vs 일반적 노이즈: 이 논문은 ASR 에서 유래된 계통선 사전으로 초기화하는 것이 균일 또는 마스크 초기화 베이스라인보다 훨씬 우수함을 입증합니다. 이는 생성을 "처음부터"의 노이즈 제거에서 구조적 돌연변이로 변환하여 보존된 골격을 유지합니다.
2. 다양체 보존 안내 (Manifold-Preserving Guidance): 재라우팅은 모든 오일러 단계에서 기울기가 필요하지 않으면서도 샘플을 목적 방향으로 이끄는 단일 단계 중간 시간 개입을 제공하며, 경험적으로 가족 타당성을 유지합니다.
3. 고충실도 생성: 이 모델은 홀드아웃 자연 시퀀스와 유사한 가족 타당성을 달성하고, 상당한 신규성과 다양성을 유지하면서 예측된 구조적 신뢰도 (타당성) 를 향상시킵니다.

실험 결과

이 모델은 RP35 데이터셋의 8,886 개 Pfam-A 가족에 대해 평가되었으며, 방법당 1,024 개의 생성 시퀀스가 사용되었습니다.

• 가족 타당성: LineageFlow 는 최상위 1 가족 정확도 (Accfam) **95.3%**를 달성하여, 균일 사전 베이스라인 (DFM, EvoDiff) 의 0% 와 ASR 만의 베이스라인 (ASR-PSSM i.i.d.) 인 92.8% 를 능가했습니다. 이는 가족 레이블에 조건부로 설정되더라도 일반적 노이즈 사전이 인식 가능한 가족 구성원을 생성하지 못함을 나타냅니다.
• 타당성 (접힘 가능성): LineageFlow 는 평균 pLDDT 76.6을 달성하여 ASR 만의 베이스라인 (70.8) 을 능가했고, DFM (46.2) 과 EvoDiff (45.4) 를 크게 앞섰습니다. 또한 약 8 배 더 큰 코퍼스로 훈련된 사전 학습된 ProtBFN (71.9) 보다도 우수했습니다.
• 신규성과 다양성: 접힘 가능한 샘플 (pLDDT $\ge$ 70) 중 86.2% 는 최인접 이웃 동일성 (NNId) $< 0.8$을 만족했고, 48.9% 는 NNId $< 0.6$을 만족하여 가족 정체성을 유지하면서 깊은 신규성을 보여주었습니다.
• 제로샷 효소 생성: 세 개의 홀드아웃 효소 가족에 대한 제로샷 설정에서, 재라우팅을 적용한 LineageFlow 는 목표 가족에 대한 파인튜닝 없이 보존된 모티프를 유지하고 용해도 및 열안정성 프록시 점수를 향상시켰습니다.
• 이론적 검증: "어려운 영역 (early time steps)"에 대한 분석은 균일 사전에 비해 ASR 사전이 노이즈 제거기에 더 높은 복구 가능 신호를 제공하여 더 높은 베이지안 최적 정확도와 더 낮은 훈련 손실로 이어짐을 보여주었습니다.

중요성과 주장

이 논문은 LineageFlow가 생성 사전에서 진화 역사를 직접 활용함으로써 단백질 시퀀스 생성의 새로운 패러다임을 확립한다고 주장합니다.

• 메커니즘: 일반적 노이즈를 계통수 기반 조상 골격으로 대체함으로써, 모델은 초기 생성 단계의 모호성을 줄여 학습된 벡터장이 보존된 구조를 재구성하는 대신 진화적 변이를 모델링하는 데 집중할 수 있게 합니다.
• 실용성: 재라우팅의 도입은 단계별 안내의 계산 비용 없이 목적 지향 샘플링 (예: 안정성 또는 용해도 최적화) 을 가능하게 하여, 지시적 진화 스타일의 작업에 적합합니다.
• 한계: 저자들은 이 방법이 고품질 MSA 와 계통수 추론에 의존한다고 지적합니다. 생성은 가족별 정렬 좌표 (갭을 고정된 마스크로 처리) 에 묶여 있으며, 인델 (indels) 을 명시적으로 모델링하지는 않습니다. 또한, 평가는 계산적 프록시 (예: OmegaFold pLDDT, ESM-IF) 및 예측기 기반 점수에 의존하므로, 실제 세계 기능적 검증은 아직 테스트되지 않았습니다.

이 연구는 명시적인 진화적 맥락 (계통선 사전) 을 통합하는 것이 고충실도, 가족 인지형 단백질 설계를 달성하는 데 중요하며, 표준 노이즈 기반 생성 과정에 대한 견고한 대안을 제공함을 시사합니다.