Agentic Discovery of Non-Canonical Antimicrobial Peptides with AMPGAN v3

기술 요약: AMPGAN v3를 통한 비정형(Non-Canonical) 항균 펩타이드의 에이전트 기반 발견

문제 정의
항생제 내성(AMR)은 연간 100만 명 이상의 사망을 초래하고 있으나, 새로운 항생제 계열의 발견은 2000년 이후 정체되어 있습니다. 생성형 AI 모델들은 두 가지 결정적인 한계에 직면해 있습니다:

1. 구조적 및 화학적 제약: 기존 모델들은 주로 L-아미노산으로 구성된 $\alpha$-헬릭스 서열을 생성하는 데 치중되어 있습니다. 이러한 짧은 헬릭스 펩타이드는 종종 구조적 불안정성과 빠른 단백질 분해 효소에 의한 분해 문제를 겪습니다. 실제 치료 적용을 위해서는 D-아미노산 및 N/C-말단 변형(예: 아미드화)과 같은 비정형 화학 구조가 필요하지만, 현재의 모델들은 이를 생성할 수 없습니다.
2. 학습 불안정성: 이전의 조건부 GAN 방식(예: AMPGAN v2)은 심각한 학습 불안정성을 겪으며, 무작위 초기화 시 약 10%의 경우에만 사용 가능한 모델을 생성하고 나머지는 반복적인 단일 토큰 출력으로 붕괴되는 경향이 있습니다.
3. 워크플로우 확장성: 인실리코(in-silico) 설계를 테스트 가능한 후보 물질로 변환하는 과정에서 반복적인 필터링과 데이터베이스 검증 단계가 필요하며, 이를 수동으로 수행할 경우 확장성이 매우 떨어집니다.

방법론
저자들은 다목적 조건부 생성적 적대 신경망(GAN)인 AMPGAN v3와 엔드 투 엔드(end-to-end) 발견을 위한 멀티 에이전트 프레임워크인 PepCraft를 소개합니다.

• AMPGAN v3 아키텍처:

  • 확장된 어휘 집합: 이 모델은 D-아미노산과 말단 변형을 명시적으로 포함하는 34,275개의 실험적으로 검증된 AMP 서열(DBAASP v3로부터 추출)로 큐레이션된 데이터셋으로 학습되었습니다. 서열은 N/C-말단 변형 및 서열 경계를 나타내는 특수 토큰과 함께 인코딩됩니다.
  • 이중 판별기(Dual-Discriminator) 설계: 학습 불안정성을 해결하기 위해 저자들은 적대적 감독과 활성 인식 감독을 두 개의 특화된 판별기로 분리했습니다:
    • $D_{adv}$: 서열이 그럴듯한 펩타이드 형태인지 판단하는 무조건부 판별기(분포적 판단).
    • $D_{mic}$: 실제 서열만을 바탕으로 타겟 종(species)에 따른 최소 억제 농도(MIC) 값을 회귀하는 조건부 판별기(효능 판단).
  • 학습 목적 함수: 생성기는 길이 손실($L_{len}$), 유사도 손실($L_{sim}$), 적대적 손실($L_{adv}$), 그리고 MIC 회귀 손실($L_{mic}$)의 가중 결합을 통해 최적화됩니다. 모델은 이산적 토큰 샘플링을 처리하기 위해 Gumbel-Softmax를 사용합니다.

• PepCraft 에이전트 프레임워크:

  • **플래닝 에이전트(Planning Agent)**가 전문화된 실행 에이전트들을 조율하여 발견 파이프라인을 자동화합니다.
  • 생성 에이전트(Generating Agent): 자연어 목표를 AMPGAN v3 및 구조 예측 도구(SimpleFold)를 위한 구조화된 호출로 변환합니다.
  • 필터링 에이전트(Filtering Agent): 순차적인 물리화학적 및 구조적 스크리닝(전하, 소수성, 안정성 지수)을 적용합니다.
  • 검증 에이전트(Verifying Agent): 신규성을 평가하고 알려진 활성을 회복하기 위해 SwissProt 및 DBAASP에 대한 BLAST 상동성 검색을 수행합니다.
  • 시스템은 중간 결과가 사용자 목표에서 벗어날 경우, 플래닝 에이전트가 수정된 파라미터와 함께 실행기들을 재호출하는 방식으로 반복 수행됩니다.

주요 기여

1. AMPGAN v3 모델: D-아미노산 및 말단 변형을 지원하는 최초의 AMP 생성 모델로서, 정형 L-아미노산을 넘어 접근 가능한 화학적 공간을 크게 확장했습니다.
2. 안정성 개선: 적대적 감독과 활성 감독을 분리함으로써, AMPGAN v2의 ~10% 성공률에 비해 약 70%(21/30회 실행)의 성공률을 달래며 모드 붕괴(mode collapse)를 완화했습니다.
3. 에이전트 워크플로우: PepCraft의 도입은 생성형 AI가 과학적 발견을 위해 어떻게 에이전트 시스템과 결합될 수 있는지를 보여주며, 적응형 제어 흐름과 자동화된 큐레이션을 가능하게 합니다.
4. 실험적 검증: 생성부터 습식 실험(wet-lab) 테스트에 이르는 전체 파이프라인에 대한 소규모이지만 실제적인 검증을 제공합니다.

결과

• In Vitro 검증: 세 가지 구조적 클래스($\alpha$-helix, $\beta$-hairpin, random coil)를 포괄하고 비정형 화학 구조를 포함하는 5개의 후보 물질을 합성하여 테스트했습니다.
  • 두 후보 물질이 Gram 양성균에 대해 활성을 보였습니다.
  • 가장 우수한 후보인 HY-P60322는 Bacillus subtilis에 대해 8 µg/mL, Staphylococcus epidermidis에 대해 16 µg/mL의 MIC를 달성했습니다.
  • 주목할 점은, 활성을 보인 후보들이 생성 시 조건부 타겟으로 사용된 종(예: HY-P60322는 E. coli에 대해 조건화되었으나 B. subtilis에 대해 활성을 보임)을 억제하지 않았다는 것이며, 이는 이 특정 사례에서 종 조건화가 종 선택적 활성으로 직접 번역되지 않았음을 나타냅니다.
• In Silico 성능:
  • AMPGAN v3는 비교된 모델들(AMPGAN v2, HydrAMP, AMP-Designer) 중 가장 높은 예측 AMP 비율(AMP Scanner v2 기준 92.7%, amPEP 기준 95.1%)을 달owed했습니다.
  • 임베딩 공간 분석(ESM2 + PCA) 결과, AMPGAN v3는 전작 대비 커버리지를 유지하면서도 역 KL 발산(reverse KL divergence) 측면에서 유의미하게 개선된 충실도를 보였습니다(단, 600K 이상의 펩타이드로 사전 학습된 AMP-Designer는 거대한 단백질 사전 확률 덕분에 더 낮은 발산 값을 보였습니다).
• 에이전트 효율성:
  • 멀티 에이전트 PepCraft 프레임워크는 후보 물질 규모가 20개 이하인 작업에서 싱글 에이전트 베이스라인보다 적은 도구 호출을 요구했습니다.
  • 플래닝 에이전트는 대규모 모델을 통해 경로를 지정하고 실행기는 더 작고 저렴한 모델을 통해 경로를 지정함으로써, 모든 토큰을 대규모 모델을 통해 처리해야 하는 싱글 에이전트 시스템에 비해 총 출력 토큰 사용량을 크게 줄였습니다.
  • 질적 분석 결과, 에이전트의 우선순위 추천은 실제 in vitro 결과와 일치했습니다(HY-P60322를 우선순위로 지정하고 다른 것들을 후순위로 지정함).

의의 및 주장
본 논문은 AMPGAN v3와 PepCraft가 "생성형 및 에이전트 AI가 치료용 펩타이드 발견에서 어떻게 결합되는지 소규모이지만 실제적인 규모로 조사"하는 단계임을 주장합니다. 저자들은 자신들의 기여가 비정형 아미노산을 통해 치료적 생존 가능성에 필요한 화학적 안정성을 가진 펩타이드를 생성할 수 있게 하며, 인간의 개입을 최소화하면서 생성, 필터링, 검증을 조율할 수 있는 에이전트 시스템 워크플로우를 입증했다고 강조합니다. 이 연구는 범위 면에서 겸허하며, 에이전트의 권장 사항과 습식 실험 결과 사이의 정렬이 고무적이지만 추가적인 전향적 평가가 필요하다는 예비적 프레임워크를 제시합니다. 저자들은 향후 연구가 타겟 인식 생성의 정교화와 고리화(cyclization)와 같은 번역 후 변형을 포함한 화학적 어휘 확장에 집중할 것이라고 밝혔습니다.