APCyc: Property-Informed Design of Cyclic Peptides via Automated Cyclization

기술 요약: APCyc – 자동화된 고리화(Cyclization)를 통한 성질 정보 기반의 순환 펩타이드 설계

문제 정의
순환 펩타이드는 선형 펩타이드에 비해 향상된 안정성, 결합 친화도 및 사전 조직화된 생체 활성 구조를 포함한 중요한 치료적 이점을 제공한다. 그러나 de novo 순환 펩타이드 설계는 여전히 매우 어려운 과제이다. 기존의 생성 모델은 주로 선형 펩타이드 데이터로 학습되었으며, 고리화를 통합적인 설계 변수로 다루기보다는 사후 구조적 수정(post-hoc structural modification)으로 취급하는 경향이 있다. 이러한 접근 방식은 높은 친화도 결합에 필요한 복잡하고 표적 특이적인 위상학적 요구 사항을 포착하지 못한다. 또한, 현재의 방법들은 대개 고정된 연결 부위나 유형과 같은 경직되고 미리 정의된 고리화 휴리스틱에 의존하며, 막 투과성, 프로테아제 저항성, 용해도, 면역원성과 같은 중요한 약물 관련 성질의 동시 최적화를 간과한다. 결과적으로, 순환 펩타이드 설계는 단순한 결합 활성을 넘어 치료적 제약 조건 사이의 균형을 맞춰야 하는 다중 목적 최적화 문제이다.

방법론
저자들은 고리화 위상(topology)의 선택을 자동화하고 여러 물리화로 성질을 공동 최적화하도록 설계된 표적 인식형 잠재 확산 프레임워크인 APCyc를 제안한다. 이 방법은 세 가지 핵심 메커니즘을 통해 작동한다:

1. 자동 고리화 쌍 주입 (Automated Cyclization Pair Injection):

   • 어휘 확장 (Vocabulary Expansion): APCyc는 표준 아미노산 잔기 어휘를 확장하여, 동일한 아미노산 정체성을 공유하더라도 고리화된 잔기와 비고리화된 잔기(예: 일반 시스테인과 이황화 결합된 시스테인의 구분)를 명시적으로 구별한다.
   • 위상 모델링 (Topology Modeling): APCyc는 고리화를 이산적이고 표적 조건부인 의사 결정 문제로 정식화한다. 이는 수용체 결합 포켓 컨텍스트로부터 직접 결합 유형(예: 아미드, 이황화 결합, 이소펩타이드 결합)과 특정 잔기 수준의 결합 부위를 예측한다.
   • 주입 메커니즘 (Injection Mechanism): 의미론적 호환성과 기하학적 근접성을 포착하기 위해 쌍 표현 텐서(pairwise representation tensor)가 구축된다. 이 정보는 태스크 특화 서브스페이스로 투영되어 결합 확률 행렬과 고리화 유형 분포를 예측한다. 이러한 예측은 에지 특징 증강(edge-feature augmentation) 및 메시 변조(message modulation)를 통해 디노이징 네트워크(AM-EGFF)에 주입되어, 유효한 위상학적 폐쇄를 향하도록 확산 궤적을 유도한다.

2. 기하학적 잠재 확산 (Geometry Latent Diffusion):

   • APCyc는 펩타이드 그래프를 잔기 수준의 잠재 변수(불변 및 공변 변수)로 매핑하기 위해 dyMEAN 스타일의 오토인코더를 사용한다.
   • 이 방법은 이러한 잠재 변수 상에서 DDPM 스타일의 잠재 확산 과정을 학습한다. 디노이징 네트워크는 수용체 포켓 컨텍스트와 고리화 헤드에서 생성된 온라인 위상 신호에 의해 조건화된다.
   • 학습 목적 함수는 표준 DDPM 노이즈 예측 손실과 예측된 고리화 위상(결합 행렬 및 유형)에 대한 지도 학습 손실을 결합한다.

3. 성질 정보 기반 베이지안 사후 가이드 (Property-Informed Bayesian Posterior Guidance):

   • 약물 관련 성질을 최적화하기 위해, APCyc는 잠재 공간 내에서 그래디언트 기반 가이드 전략을 채택한다.
   • 미분 가능한 에너지 기반 대리 모델(surrogates)이 노이즈가 섞인 잠재 상태로부터 성질(용해도, 투과성, 프로테아제 저항성, 면역원성, 결합 친화도)을 예측하도록 학습된다.
   • 역확산 과정 동안, 샘플링은 베이지안 사후 가이드를 사용하여 유도된다. 스코어 함수는 성질 대리 모델의 그래디언트에 의해 보강되며, 이를 통해 다중 목적 함수의 공동 최적화가 가능해진다. 적응형 가중치 스키마는 한 성질이 다른 성질을 압도하는 것을 방지하기 위해 상충하는 그래디언트들 사이의 균형을 맞춘다.

주요 기여

• 자동 포켓 조건부 고리화: 사전 정의된 고리화 전략을 필요로 하는 기존 방법들과 달리, APCyc는 표적 결합 포켓 컨텍스트로부터 고리화 유형과 결합 부위 모두를 직접 선택하는 법을 학습하여 위상을 설계 변수로 취급한다.
• 성질 정보 기반 제어 가능한 생성: APCyc 프레임워크는 베이지안 사후 가이드를 활용하여 여러 치료적 성질(친화도, 투과성, 프로테아제 저항성, 용해도, 면역원성)에 걸쳐 생성을 유도하며, 투과성 프록시 및 프로테아제 저항성에서 최첨단 성능을 달enc한다.
• 엔드 투 엔드(End-to-End) 설계: APCyc는 고리화 선택, 전원자(all-atom) 생성, 그리고 성질 가이드 최적화를 통합한다. 이는 높은 결합 친화도를 유지하면서 우수한 구조적 품질(예: Rosetta total score 및 일관성)을 달성한다.

실험 결과
모델은 CPCore 데이터셋(약 7.2만 개의 순환 펩타이드-단백질 복합체를 포함하는 CPSea의 정제된 하위 집합)에서 평가되었으며, 56개의 비중복 표적 세트에 대해 테스트되었다.

• 성질 최적화: APCyc 변형 모델들은 성질 목표에 대한 명시적 제어를 보여주었다. "막 투과성(Membrane-permeable)" 설정은 모든 방법 중 가장 높은 투과성 프록시(0.107)를 달성했으며, "다중 성질(Multi-property)" 설정은 가장 우수한 프로테아제 저항성 점수(-1.474)를 기록했다.
• 구조적 품질: 생성된 펩타이드는 높은 안정성과 일관성을 보였다. 다중 성질 변형 모델은 최상의 Rosetta total score(-758.545)와 일관성(0.971)을 달성했다.
• 표적 수준 성능: 특정 표적(3rc4 및 4xal)에 대한 사례 연구 결과, APCyc는 결합 점수와 다중 성질 프로파일 측면에서 베이스라인 방법들(PepGLAD, PepFlow, CPComposer)을 일관되게 능가하였으며, 개별 표적에 대한 막 투과성을 유의미하게 개선했다.
• 절제 연구 (Ablation Studies): 가이드 메커니즘을 제거했을 때 프로테아제 저항성과 면역원성에 대한 성능이 낮아졌으며, 이는 성질 가이드 구성 요소의 필요성을 확인시켜 준다.

의의 및 주장
본 논문은 APCyc가 고리화 위상 선택을 사후 처리 단계로 취급하는 대신 생성 과정에 직접 통합함으로써 기존 생성 모델의 결정적인 한계를 해결한다고 주장한다. 표적 기하학, 고리화 전략, 그리고 약물 관련 성질 사이의 결합을 명시적으로 모델링함으로써, APCyc는 복잡한 치료적 제약 조건을 충족하는 순환 펩타이드의 제어 가능한 설계를 가능하게 한다. 저자들은 이 연구가 구조적 타당성과 다중 목적 약물 유사성 사이의 균형을 맞추는 프레임워크를 제공함으로써 차세대 치료용 펩타이드 설계를 위한 견고한 토대가 될 것이라고 위치시킨다. 저자들은 본 방법이 임상적 권고를 직접 제공하는 것이 아니라, 전문가 검토 및 실험적 검증을 위한 후보 물질을 제안하기 위한 용도임을 명시한다.