Contrastive learning for antibody-antigen sequence-to-specificity prediction

이 논문은 대조 학습을 기반으로 항체와 항원의 서열을 공유 임베딩 공간에 정렬하여 항체-항원 특이성을 양방향으로 예측하는 CALM 모델을 제안하고, 이를 통해 서열 기반의 특이성 예측 및 생성적 설계의 기반을 마련했다고 요약할 수 있습니다.

핵심

🧩 핵심 비유: "자물쇠와 열쇠"를 찾는 새로운 방법

우리가 보통 항체와 항원의 관계를 설명할 때 **"자물쇠 (항원) 와 열쇠 (항체)"**라고 표현합니다. 특정 자물쇠를 여는 열쇠는 오직 하나뿐이죠.

기존의 방법들은 이 자물쇠와 열쇠를 찾으려고 **3D 구조 (실물 모형)**를 먼저 만들어보거나, 실험실에서 수많은 열쇠를 자물쇠에 넣어보며 시도착오를 반복했습니다. 하지만 이 과정은 너무 비싸고 시간이 많이 걸립니다.

이 논문에서 소개한 CALM이라는 인공지능은 **"자물쇠와 열쇠의 모양 (구조) 을 보지 않고, 그들만의 고유한 '문자 코드 (서열)'만 보고도 서로가 짝꿍인지 맞출 수 있다"**는 획기적인 접근법을 제시합니다.

🚀 CALM 이란 무엇인가요?

CALM은 **"교차 주의력 적응형 면역 수용체 - 항원 언어 모델"**이라는 긴 이름을 가진 AI 입니다. 쉽게 말해, **"항체와 항원의 언어를 동시에 배우는 번역기"**라고 생각하시면 됩니다.

1. 두 명의 통역사 (Dual Encoder):

   • 한 통역사는 항체의 언어를 배우고, 다른 통역사는 항원의 언어를 배웁니다.
   • 이들은 서로 다른 언어를 쓰지만, 같은 의미 (결합) 를 가진 문장은 **같은 공간 (임베딩 공간)**에 모여 있도록 훈련받습니다.
   • 마치 영어와 프랑스어를 배우지만, "사랑"이라는 단어는 두 언어 모두에서 같은 의미로 연결되는 것과 같습니다.

2. 맞춤 찾기 게임 (Contrastive Learning):

   • AI 는 "이 항체와 이 항원은 진짜 짝꿍인가? 아니면 그냥 우연히 만난 낯선 사람인가?"를 구분하는 게임을 합니다.
   • 진짜 짝꿍 (결합하는 쌍) 은 서로 가까이 붙이고, 아닌 쌍은 멀리 떨어뜨리도록 학습합니다.
   • 이 과정을 통해 AI 는 구조를 보지 않아도 서열만 보고도 "아, 이 두 개는 서로 꼭 맞는구나!"라고 감지하게 됩니다.

📊 이 모델은 얼마나 잘하나요? (결과)

연구진은 이 모델을 SAbDab이라는 거대한 항체 - 항원 데이터베이스 (약 4,000 개의 짝꿍 데이터) 로 훈련시켰습니다.

• 쉬운 문제 (비슷한 데이터): 훈련 데이터와 매우 비슷한 새로운 항체가 나왔을 때, AI 는 **약 18~19%**의 확률로 1 순위로 정답을 찾아냈습니다. (무작위 추측보다 훨씬 좋습니다.)
• 어려운 문제 (완전히 새로운 데이터): 훈련 데이터와 전혀 다른 (서열 유사도가 40% 미만인) 새로운 항체가 나왔을 때, AI 는 **약 2%**의 확률로 1 순위 정답을 찾았습니다.
  • 이 숫자가 왜 중요할까요? 무작위로 고르면 0.6% 정도만 맞는데, AI 는 그보다 3 배 이상 잘 맞췄습니다. 특히 상위 10 개 (Top-10) 안에 정답이 들어갈 확률은 무작위보다 훨씬 높았습니다.

중요한 점: 이 모델은 양방향으로 작동합니다.

• "이 항원을 잡는 항체는 뭐지?" (항원 → 항체)
• "이 항체가 잡는 항원은 뭐지?" (항체 → 항원)
  두 가지 방향 모두 똑같이 잘 수행합니다.

💡 왜 이것이 혁신적인가요?

기존의 AI 들은 주로 **"자물쇠 모양을 보고 열쇠를 설계하는 것 (구조 기반 설계)"**에 집중했습니다. 하지만 CALM 은 **"서열 (문자) 만 보고도 서로를 알아보는 것"**에 집중합니다.

• 기존 방식: 3D 렌더링으로 자물쇠를 먼저 보고, 그에 맞는 열쇠를 3D 프린팅하듯 설계합니다. (구조가 필수)
• CALM 방식: 자물쇠와 열쇠의 "고유 번호 (서열)"만 보고도 "이 두 개는 서로 맞는다!"라고 바로 판단합니다. (구조 불필요)

이는 마치 사람의 얼굴 (구조) 을 보지 않고, 이름 (서열) 만 듣고도 "아, 이 사람은 저 사람과 친구구나!"라고 알아맞히는 것과 같습니다.

🔮 미래에는 어떻게 쓰일까요?

이 연구는 아직 초기 단계 (검색 기능만 검증됨) 이지만, 미래에는 다음과 같은 일을 할 수 있을 것입니다.

1. 새로운 치료제 개발: 특정 바이러스 (항원) 가 들어오면, AI 가 즉시 그걸 잡을 수 있는 항체 (열쇠) 의 서열을 찾아내거나 새로 만들어낼 수 있습니다.
2. 질병 진단: 환자의 혈액 속에 있는 수많은 항체들을 분석해서, "이 환자가 어떤 질병 (항원) 에 반응하고 있는지"를 빠르게 찾아낼 수 있습니다.
3. 데이터 효율성: 놀랍게도 이 모델은 수억 개의 데이터가 필요한 일반적인 AI 와 달리, 상대적으로 적은 데이터 (수천 개) 로도 잘 작동합니다. 이는 면역학의 원리가 AI 의 학습 원리와 수학적으로 매우 닮아있기 때문일 수 있다고 저자들은 설명합니다.

📝 요약

이 논문은 **"구조를 보지 않고, 오직 문자열 (서열) 만으로도 항체와 항원이 서로를 알아맞히는 AI(CALM)"**를 개발했다고 발표했습니다.

• 비유: 서로 다른 언어를 쓰지만, 같은 의미의 문장을 찾아내는 초능력의 번역기.
• 성공: 새로운 자물쇠 (항원) 가 와도, 그 서열만 보고 열쇠 (항체) 를 찾아내는 데 성공했습니다.
• 의의: 앞으로 신약 개발과 질병 진단을 훨씬 빠르고 저렴하게 만들어 줄 기초 기술이 되었습니다.

이 기술이 완전히 발전하면, 앞으로 새로운 바이러스가 등장했을 때 수개월 걸리던 백신 개발이 수일 내로 가능해질지도 모릅니다.

기술 요약

논문 개요: CALM (Cross-attention Adaptive Immune Receptor–Antigen Language Model)

이 논문은 항체 (Antibody) 와 항원 (Antigen) 의 1 차 아미노산 서열로부터 결합 특이성 (Specificity) 을 예측하는 데 있어 기존 방법론의 한계를 극복하기 위해 제안된 새로운 딥러닝 모델 CALM을 소개합니다. 연구팀은 대조 학습 (Contrastive Learning) 을 활용하여 항체와 항원을 공유 임베딩 공간에 정렬함으로써, 구조 정보 없이 서열만으로 결합 파트너를 양방향 (Antibody→Antigen 및 Antigen→Antibody) 으로 검색하고 매핑할 수 있는 기반을 마련했습니다.

---

1. 연구 배경 및 문제 정의 (Problem)

• 핵심 난제: 현재까지 항체의 아미노산 서열만으로 어떤 항원에 결합하는지, 혹은 특정 항원에 결합하는 항체를 찾는 "서열 - 특이성 (Sequence-to-Specificity)" 문제를 신뢰성 있게 해결하는 방법은 존재하지 않습니다.
• 기존 방법의 한계:
  • 구조 기반 설계 (Structure-based design): AlphaFold 3, RFdiffusion 등은 특정 에피토프에 결합하는 항체 구조를 설계할 수 있으나, 이는 "서열 → 특이성" 매핑 (특히 역방향인 Antigen→Antibody) 을 해결하지 못하며, 배포 시 구조 추론이 필요하다는 제약이 있습니다.
  • 단일 모달리티 모델: 기존 단백질 언어 모델 (PLM) 은 구조나 물리화학적 특성을 예측할 수 있으나, 항체 - 항원 결합의 쌍대적 (Pairwise) 관계를 학습하지는 못합니다.
• 목표: 대규모 면역 레퍼토리 (Repertoire) 수준에서 작동하며, 구조 정보 없이 서열만으로 양방향 결합 특이성을 예측할 수 있는 "면역 특이성 기초 모델 (Immune Specificity Foundation Model, ISFM)"의 토대를 구축하는 것입니다.

---

2. 방법론 (Methodology)

A. 모델 아키텍처: CALM

CALM 은 이중 인코더 (Dual-encoder) 구조와 교차 어텐션 (Cross-attention) 디코더를 포함한 아키텍처로 설계되었으나, 본 논문에서는 **Stage-1 인코더 기반의 대조 학습 (Contrastive Co-embedding)**에 집중했습니다.

• 이중 인코더 (Dual-Encoder):
  • 항체 인코더: 사전 훈련된 항체 언어 모델인 AntiBERTy를 기반으로 파생된 VH(무거운 사슬) 와 VL(가벼운 사슬) 서열을 인코딩합니다.
  • 항원 인코더: 사전 훈련된 단백질 언어 모델인 ESM-2를 기반으로 항원 서열을 인코딩합니다.
  • 공유 임베딩 공간: 대조 학습을 통해 실제 결합 쌍 (Cognate pairs) 은 임베딩 공간에서 가깝게, 비결합 쌍은 멀어지도록 학습합니다.
• 마스크 처리 (Masking):
  • 구조적 접촉 정보 (5 Å 이내) 를 기반으로 **파라토프 (Paratope, 항체 결합 부위)**와 에피토프 (Epitope, 항원 결합 부위) 마스크를 생성합니다.
  • 모델은 전체 서열뿐만 아니라 결합 부위만 선택적으로 학습하도록 하여 노이즈를 줄이고 특이성 학습을 강화합니다.
• 손실 함수 (Loss Function):
  • 대칭적 다중 긍정 (Symmetric Multi-positive) 대조 손실 (InfoNCE 변형) 을 사용합니다.
  • 하나의 에피토프가 여러 파라토프와 결합할 수 있는 경우 (Multi-positive) 를 고려하여 배치 내 모든 긍정 쌍을 최대화하도록 설계되었습니다.

B. 데이터 및 학습 전략

• 데이터셋: SAbDab (Structural Antibody Database) 에서 추출한 4,138 개의 항체 - 항원 쌍을 사용했습니다.
• 데이터 누출 방지 (Leakage-controlled Split):
  • 단순 무작위 분할이 아닌, **항원 서열 동일성 (Sequence Identity)**을 기준으로 클러스터링하여 데이터를 분할했습니다.
  • **40%, 60%, 80%**의 임계값으로 테스트 세트를 구성하여, 훈련 데이터와 유사도가 낮은 (Out-of-Distribution, OOD) 상황에서의 일반화 성능을 평가했습니다.
  • 또한, 항체 서열 기반 클러스터링 (90%, 95%) 을 통해 분포 내 (In-distribution) 성능도 평가했습니다.

---

3. 주요 결과 (Key Results)

A. 검색 성능 (Retrieval Performance)

모델은 항체에서 항원으로 (Ab→Ag) 와 항원에서 항체로 (Ag→Ab) 양방향 검색을 수행했습니다. 주요 지표는 Top-k Recall (R@k) 입니다.

• 엄격한 OOD 조건 (80% 항원 서열 동일성 클러스터링):
  • R@1 (Top-1 정확도): 약 7% 달성 (무작위 베이스라인 대비 약 3 배 향상).
  • R@10: 약 16% 달성 (무작위 대비 2 배 이상).
  • 이는 훈련 데이터와 서열 유사도가 80% 미만인 새로운 항원에 대해 모델이 유의미한 결합 파트너를 찾아냈음을 의미합니다.
• 더 엄격한 OOD 조건 (40% 항원 서열 동일성):
  • R@1 약 2%, R@10 약 9% 를 기록하여, 데이터가 매우 제한적이고 유사도가 낮을 때도 무작위보다 우수한 성능을 보였습니다.
• 파라토프 - 에피토프 마스크 적용 시:
  • 전체 서열 대신 결합 부위 (5 Å 이내) 만을 입력으로 사용했을 때, 모든 클러스터링 조건에서 성능이 일관적으로 향상되었습니다. 이는 결합 신호를 집중시키고 서열 수준의 노이즈를 제거했기 때문으로 해석됩니다.
• 분포 내 (In-distribution) 성능:
  • 항체 서열 기반 클러스터링 (9095%) 조건에서는 R@1 이 약 **1819%**까지 상승하여, 모델이 항체 다양성에 대해 잘 일반화됨을 보여주었습니다.

B. 방향성 대칭성

항체→항원 및 항원→항체 방향 모두에서 유사한 성능을 보였으며, 이는 CALM 이 균형 잡힌 공유 임베딩 공간을 학습했음을 시사합니다.

---

4. 주요 기여 및 의의 (Contributions & Significance)

1. 서열 기반 양방향 특이성 예측의 토대:
   • 기존 구조 기반 설계 도구들이 "에피토프 → 항체" 설계에만 집중했다면, CALM 은 서열만으로 양방향 (Ab↔Ag) 매핑이 가능한 최초의 대조 학습 기반 모델을 제시했습니다.
2. 데이터 효율성 및 이론적 통찰:
   • CLIP(이미지 - 텍스트) 모델이 4 억 개의 데이터 쌍을 필요로 한 것과 달리, CALM 은 약 3,000 개의 쌍으로 유의미한 제로샷 (Zero-shot) 성능을 달성했습니다.
   • 저자들은 이를 **계산적 수렴 이론 (Computational Convergence)**으로 설명합니다. 즉, 트랜스포머의 소프트맥스 어텐션이 항체 - 항원 접촉 확률 (Boltzmann 분포) 과 수학적으로 동등하며, 대조 학습 목표가 클론 선택 확률과 동등하다는 가설 하에, 모델이 새로운 함수를 근사하는 것이 아니라 기존 방정식의 파라미터를 추정하는 과정으로 인해 데이터 효율성이 극대화되었다고 주장합니다.
3. 차세대 기초 모델 (Foundation Model) 의 가능성:
   • CALM 은 향후 대규모 면역 레퍼토리 분석, 신약 후보 물질 발굴 (De novo design), 그리고 생성형 모델 (Generative Design) 로 확장될 수 있는 **면역 특이성 기초 모델 (ISFM)**의 첫 번째 단계로 평가됩니다.
4. 실용적 가치:
   • 구조 정보 없이 서열만으로 결합 특이성을 예측할 수 있으므로, 고처리량 (High-throughput) 면역 레퍼토리 시퀀싱 데이터를 신속하게 해석하고 진단 도구 개발에 활용할 수 있는 잠재력을 가집니다.

---

5. 한계 및 향후 과제 (Limitations & Future Work)

• 현재 상태: 본 논문은 검색 (Retrieval) 성능에 국한되어 있으며, 생성 (Generation) 을 위한 디코더는 설계되었으나 훈련 및 평가되지 않았습니다.
• 실험적 검증: 습식 실험 (Wet-lab validation) 을 통한 검증은 아직 수행되지 않았습니다.
• 향후 방향: 데이터셋의 규모와 다양성 확대, 생성 모델 (디코더) 의 훈련, 하드 네거티브 (Hard negatives) 도입, 그리고 실제 실험실에서의 검증이 필요합니다.

결론

이 연구는 항체 - 항원 상호작용을 이해하는 패러다임을 "구조 기반"에서 "서열 기반의 대조 학습"으로 전환하는 중요한 이정표입니다. CALM 은 제한된 데이터로도 높은 일반화 능력을 보여주며, 향후 면역학 및 바이오의약품 개발 분야에서 혁신적인 도구로 발전할 가능성을 제시합니다.