Pepti-Agent: An AI Agent for Peptide Design and Optimization

기술 요약: Pepti-Agent

문제 정의
치료용 펩타이드는 소분자 화합물과 바이오 의약품 사이의 중요한 설계 공간을 점유하며, 특이성과 조절 가능성 측면에서 이점을 제공한다. 그러나 펩타이드 개발은 용해도, 용혈 활성, 비특이적 표면 오염(non-specific surface fouling)이 중첩된 서열 특징에 의해 제어됨에 따라, 하나의 특성을 최적화하면 다른 특성이 저하되는 상충하는 제약 조건에 의해 방해를 받는다. 현재의 계산적 접근 방식은 생성 모델과 특성 예측기를 결합하지만, 검사, 확장 또는 재사용이 어려운 단일 구조의 스크립트에 의존하는 경우가 많다. 또한, 이러한 시스템은 자연어 추론에 기반하여 서열을 정제하기보다는, 각 후보 물질의 진화하는 다중 특성 상태(multi-property state)를 추적하는 데 한계가 있다. 과제는 펩타이드 설계를 정적인 추론이 아닌 실시간 예측 출력에 의해 유도되는 제약된 다목적 최적화 문제로 취급하는 프레임워크를 구축하는 것이다.

방법론
저자들은 **모델 컨텍스트 프로토콜(Model Context Protocol, MCP)**을 통해 오케스트레이션되는 폐쇄 루프형 펩타이드 특화 프레임워크인 Pepti-Agent를 제시한다. 이 시스템은 생성, 예측, 변이를 독립적으로 검사 가능한 도구로 분리하여, 대규모 언어 모델(LLM) 컨트롤러가 실시간 데이터를 기반으로 이들을 조정할 수 있도록 한다.

• 아키텍처: 워크플로우는 act-observe-adapt(행동-관찰-적응) 패턴을 따른다. 사용자가 시드 서열을 제공하거나(또는 에이전트가 생성하면), 시스템은 세 가지 특성 예측기에 대해 이를 평가한다. 제약 조건을 충족하지 못할 경우, 에이전트는 반복적인 정제 루프에 진입한다.
• 구성 요소:
  • 생성기(Generators): 작업 특화된 미세 조정된 PeptideGPT 모델이 용해도가 높고, 용혈성이 없으며, 오염이 없는 펩타이드 후보를 생성한다.
  • 예측기(Predictors): ProtBERT 기반 분류기(고정된 백본과 선형 헤드 사용)가 용해도, 용혈성 및 비오염 확률을 추정한다.
  • 변이 연산자(Mutation Operators): 두 가지 보완적인 연산자가 서열을 정제한다:
    1. LLM 유도 단일 부위 변이 연산자는 다른 특성에 미치는 영향을 최소화하면서 목표 특성을 개선하기 위한 치환을 제안한다.
    2. ESM2 기반 폴백(fallback) 변이 연산자(마스크드 언어 모델)는 LLM의 제안이 정체되거나 유효하지 않을 때 사용된다.
  • 집계(Aggregation): 후보군을 순위 매기고 중단 조건을 결정하기 위해 합성 점수 $S(x) = p_{sol}(x) + p_{nf}(x) + (1 - p_{hem}(x))$가 사용된다.
• 제어 로직: 컨트롤러는 각 후보의 다중 특성 프로필을 추적한다. 정제는 세 가지 특성 임계값(0.5로 설정)이 모두 충족될 때까지, 혹은 정해진 라운드 예산에 도달하거나 진동(이전 서열의 재도입)이 감지될 때까지 계속된다. 시스템은 검사 가능성을 우선시하며, 진단 목적으로 실패한 제안을 버리지 않고 궤적 로그(trajectory log)에 유지한다.

주요 기여

1. MCP 오케스트레이션 에이전트: PeptideGPT 생성기, ProtBERT 기반 분류기, 그리고 이중 변이 연산자를 단일한 재사용 가능 도구 인터페이스 뒤에 통합한 폐쇄 루프형 에이전트를 도입하였다.
2. 실행 가능성 회복(Feasibility Recovery): 에이전트가 생성된 펩타이드 풀이 세 가지 특성 임계값을 동시에 만족하도록 유도하여, 초기에 실패했던 후보들의 실행 가능성을 효과적으로 회복할 수 있음을 입증하였다.
3. 탐색 공간 진단(Search Space Diagnostics): 보수적인 에이전트와 전수 단일 치환(Exhaustive Single-Substitution, ES) 탐색을 비교하는 매치드 스타트(matched-start) 분석을 수행하였다. 이를 통해 현재 컨트롤러의 수용 기준에 남아 있는 "헤드룸(최적화 잠재력)"을 밝혀냈다.
4. 행동 공간 확장(Action Space Expansion): 고정된 길이 제약을 완화하는 "공격적인" 정제 설정을 분석하여, 더 넓은 편집 정책이 서열 길이를 변경함으로써 더 높은 점수의 영역에 접근할 수 있음을 보여주었다.

결과
논문은 300개의 생성된 펩타이드와 24개의 대표적인 시작 펩타이드를 대상으로 세 가지 분석을 통해 Pepti-Agent를 평가한다.

• 보수적 정제 (실행 가능성): 300개의 펩타이드 풀에 대해, 에이전트는 어떤 특성 임계값도 통과하지 못한 후보의 수를 2개에서 0개로 줄였다. 평균 용해도와 용혈성은 약간 개선되었으나, 평균 비오염성은 약간 감소($0.649 \to 0.637$)하였는데, 이는 트레이드오프 관계를 나타낸다. 합성 점수 $S$는 작지만 유의미하지 않은 개선을 보였다. 에이전트는 실행 가능성을 성공적으로 회복했으나, 실행 가능한 영역 내에서 합성 점수를 유의미하게 최적화하지는 못했다.
• 전수 탐색 (국소 상한선): 24개의 실행 가능한 시작 펩타이드에 대해 단일 잔기 치환을 수행하는 전수 탐색(ES)과 비교했을 때, 보수적인 에이전트는 24개 사례 모두에서 성능이 뒤처졌다. ES 방법은 원래 대비 평균 $0.059$의 합성 점수 이득을 얻은 반면, 보수적 에이전트의 이득은 무시할 만한 수준($-0.001$)이었다. 이는 현재의 컨트롤러가 고정된 길이 및 단일 편집 체제 내에서 국소 최적해(local optimum)에 도달하지 못함을 시사한다.
• 공격적 정제 (확장된 행동 공간): 길이 변화를 허용하는 공격적 정책은 원래의 시작점 대비 평균 $0.082$의 합성 점수 이득을 달 기록하며, 대부분의 경우 보수적 에이전트와 ES 탐색보다 우수한 성능을 보였다. 그러나 이러한 개선은 주로 펩타이드 길이의 변화(24개 중 21개 사례)에 의해 주도되었으며, 평균 길이는 2.42 잔기 증가했다. 동일한 길이의 출력을 제한했을 때, 공격적 에이전트의 성능은 ES와 유사했다.

의의 및 주장
본 논문은 Pepti-Agent를 기존 방법보다 검증된 우월한 최적화 도구로 포지셔닝하는 것이 아니라, 펩타이드 설계 전략을 연구하기 위한 **투명하고 재현 가능한 기질(substrate)**로 정의한다.

• 겸허한 주장: 저자들은 실험적 검증을 수행하지 않았으며, 모든 결과는 "모델 내부적"이며 예측기의 보정(calibration) 범위 내에 있다고 명시적으로 밝히고 있다. 매치드 스타트 비교는 확정적인 벤치마크라기보다 "탐색 공간 진단"으로 프레임화되었다.
• 핵심 통찰: 본 연구는 에이전트가 실행 가능성 회복(후보를 임계값 위로 올리는 것)에는 효과적이지만, 보수적인 수용 기준과 이웃 탐색(neighborhood search)의 부재로 인해 실행 가능 영역 내에서의 최적화에는 한계가 있음을 보여준다.
• 향후 방향: 논문은 "행동 공간 설계"(어떤 편집이 허용되는가)가 플래너 자체만큼이나 중요하다고 주장한다. 향후 연구는 에이전트적 오케스트레이션의 가치를 진정으로 정량화하기 위해 컨트롤러의 로직과 편집 정책을 분리해야 한다고 제안한다.

요약하자면, Pepti-Agent는 생성 및 예측 모델을 펩타이드 설계에 성공적으로 통합하는 모듈식이고 검사 가능한 프레임워크를 제공하며, 현재의 도구 기반 에이전트가 어디에서 성공하고(실행 가능성) 어디에서 부족한지(국소 최적화)에 대한 명확한 진단을 제공한다.