기술 요약: Pepti-drift

문제 정의

치료용 펩타이드 설계는 근본적인 트레이드오프(trade-off)에 직면해 있다: 항원 결합을 촉진하는 물리화학적 특징(예: 높은 양전하, 막 친화도)은 독성(예: 세포 독성 및 용혈 현상)을 유발하는 특징과 자주 겹친다. 학습된 표현 공간(learned representation spaces)에서, 결합 펩타이드와 독성 펩타이드는 빈번하게 중첩되는 영역을 점유한다. 결과적으로, 결합만을 최적화하도록 학습된 생성 모델은 후보 물질을 이 "중첩 구역(overlap zone)" 내에서 생성하게 되며, 이는 효과적인 결합체이지만 상당한 안전성 위험을 수반하는 서열을 초래한다. PepMLM(마스크드 언어 모델링)과 같은 기존 방식은 독성을 피하기 위한 명시적인 메커니즘이 부족하며, PepTune(몬테카를로 트리 가이드를 포함한 이산 확산 모델)과 같은 접근법은 반복적인 샘플링으로 인해 계산 비용이 높아 대규모 항원 스크리닝을 위한 확장성이 제한된다.

방법론

Pepti-drift는 단 한 번의 순방향 패스(forward pass)로 펩타이드 후보를 생성하도록 설계된 독성 인지형, 항원 조건부 잠재 공간 정제(latent refinement) 프레임워크이다. 이 모델은 동결된 ESM-2 단백질 언어 모델으로부터 유도된 공유된 정규화 잠재 공간 내에서 작동한다.

1. 표현 및 아키텍처

• 잠재 공간(Latent Space): 항원 및 펩타이드 서열은 ESM-2에 의해 인코딩된 후, 압축되고 $\ell_2$ 정규화된 임베딩 공간($d_z = 1024$)으로 투영된다. 이 정규화는 거리가 코사인 유사도에 의해 제어되도록 하여, 원점 방향으로의 붕괴를 방지한다.
• 단일 단계 생성(One-Step Generation): 반복적인 확산 모델과 달리, Pepti-drift는 단일 단계로 펩타이드를 생성한다. 항원 조건부 생성기는 가우시안 노이즈로부터 초기 잠재 변수 $z_0$를 매핑한다. 학습된 **드리프트 모듈(drift module)**은 단일 벡터장 업데이트 $z_1 = z_0 + \eta \Delta$를 통해 $z_0$를 최종 잠재 변수 $z_1$로 정제한다.
• 디코딩(Decoding): 비자기회적(non-autoregressive) 트랜스포머 디코더는 $z_1$로부터 전체 펩타이드 서열을 병렬적으로 예측하여, 자기회귀적 디코딩의 지연 시간을 제거한다.

2. 드리프트 메커니즘: 인력과 척력

핵-혁신은 두 개의 상충하는 성분으로 구성된 벡터장 $V$를 구축하는 것이다:

• 인력($V_{att}$): 생성된 잠재 변수를 알려진 항원 매칭 결합 펩타이드의 임베딩 쪽으로 끌어당긴다(양의 교사/positive teacher).
• 척력($V_{rep}$): 세포 독성 및 용혈과 관련된 "하드 네거티브(hard negative)" 펩타이드의 국소 이웃으로부터 잠재 변수를 밀어낸다.
  드리프트 필드는 $V = V_{att} + V_{rep}$로 정의된다. 척력 항은 커널 온도와 시간 의존적 계수 $\alpha^-(e)$에 의해 가중치가 부여된다.

3. 훈련 전략: 웜업 네거티브 척력(Warm-Up Negative Repulsion)

결합 및 독성 분포가 겹치는 상황에서, 모델이 아직 안정적인 잠재 구조를 학습하지 못했을 때 인력과 척력 신호가 경쟁적인 그래디언트를 생성할 수 있다는 점은 매우 중요한 과제이다. 이를 해결하기 위해 Pepti-drift는 웜업 스케줄을 채택한다:

• 1단계: 척력 계수 $\alpha^-$를 0으로 설정한다. 모델은 항원 적합 결합 영역을 향한 안정적인 궤적을 학습한다.
• 2단계: 결합 지향적 궤적이 확립되면, $\alpha^-$를 점진적으로 높여 독성 척력 신호를 도입한다. 이를 통해 모델이 먼저 "어디로 이동해야 하는지"를 배운 다음, "무엇을 피해야 하는지"를 배우게 한다.

주요 기여

1. 잠재 드리프트 프레임워크: 반복적인 샘플링 없이도 타겟 적합성 및 안전성을 갖춘 펩타이드를 생성하기 위해, 학습된 벡터장을 인력(결합)과 척력(독성) 성분으로 분해하는 단일 단계 생성 모델을 제시한다.
2. 웜업 네거티브 척력: 결합 및 독성 분포가 중첩될 때 학습 과정을 안정화하는 훈련 전략을 제공하여, 모델이 경쟁하는 목적들 사이에서 적합한 드리프트를 학습할 수 있게 한다.
3. 효율적이고 확장 가능한 생성: 생성 과정 내에 기하학적으로 안전성 제약 조건을 인코딩함으로써, 기존 베이스라인 대비 수 차례 이상의 속도 향상을 달성한다.

결과

항원 수준의 분할 제어 벤치마크(테스트 세트의 항원 클러스터가 훈련 중에 보이지 않도록 CD-HIT 사용)에서 평가했을 때, Pepti-drift는 다음과 같은 성능을 보였다:

• 계산 효율성: Pepti-drift는 PepMLM보다 16.2배, Pep-Tune보다 1,092.0배 더 빠르다. PepTune이 초당 약 3개의 펩타이드를 생성하는 데 비해, Pepti-drift는 초당 약 3,312개의 펩타이드를 생성한다.
• 서열 품질: 생성된 펩타이드는 100%의 유효성(validity), **98.1%의 고유성(uniqueness)**을 달축성했으며, 비교된 모델 중 가장 높은 샤논 엔트로피(Shannon entropy)를 기록했다. 결정적으로, 교차 항원 재사용(cross-antigen reuse)이 거의 발생하지 않았다(0.27). 이는 PepTune(252.30) 및 PepMLM(12.36)에 비해 높은 항원 특이성을 나타낸다.
• 결합 경향성: Pepti-drift의 예측 결합 친화도 점수는 PepMLM보다는 약간 낮았으나, PepTune보다는 유의미하게 높았다. 이는 독성 척력이 타겟 관련 결합 신호를 지우지 않았음을 입증한다.
• 안전성 프로파일:
  • 용혈(Hemolysis): Pe-pti-drift는 대부분의 펩타이드 길이 빈(bin)에서 더 낮거나 대등한 예측 용혈 위험을 보였다. 1–5 aa 빈에서 PepMLM(0.169) 및 PepTune(0.185)에 비해 가장 낮은 점수(0.102)를 기록했다.
  • 독성(Toxicity): 모든 길이 빈에서 PepMLM보다 일관되게 낮은 예측 독성 점수를 달성했으며, 특히 긴 펩타이드(예: 21–40 aa에서 0.239 vs 0.352)에서 큰 감소를 보였다.
  • 검증: HemoPI2를 이용한 독립적 평가에서도 동일한 경향이 확인되었으며, Pepti-drift는 PepMLM에 비해 평균 용혈 점수가 낮고 용혈 양성 비율이 감소함을 보여주었다.

의의 및 주장

본 논문은 Pe-pti-drift가 빠르고, 확장 가능하며, 제어 가능한 항원 특이적 펩타이드 설계 프레임워크를 제공한다고 주장한다. 펩타이드 생성을 단일 단계 잠재 드리프트로 공식화함으로써, 사후 필터링이나 계산 비용이 많이 드는 반복적 최적화에 의존하는 대신 "안전하고 활성적인" 특성을 생성 궤적에 직접 인코딩한다.

저자들은 결합 및 독성 분포가 겹치는 경우 학습을 안정화하기 위해 웜업 네거티브 척력이 필수적임을 강조한다. 결과는 항원 조건부 잠재 드리프트가 결합-독성 트레이드오프를 성공적으로 탐색하여, 타겟 결합 잠재력을 유지하면서도 예측 독성 및 용혈 위험이 낮은 다양하고 유효하며 항원 특이적인 후보 물질을 생성할 수 있음을 시사한다. 본 논문은 이 접근 방식이 확장 가능한 치료용 펩타이드 발견을 향한 유망한 단계임을 결론짓지만, 결합 활성 및 생물학적 안전성에 대한 실험적 검증은 여전히 필요하다고 언급한다.