Single-Pass Discrete Diffusion Predicts High-Affinity Peptide Binders at >1,000 Sequences per Second across 150 Receptor Targets

이 논문은 구조 예측이나 반복적 정제 없이 단일 전방향 통과로 1 초당 1,000 개 이상의 서열을 생성하며, 기존 방법론보다 훨씬 높은 처리량과 구조적 다양성으로 150 가지 수용체 표적에 대해 고친화도 펩타이드 결합자를 성공적으로 예측하는 'LigandForge'라는 이산 확산 모델을 제안합니다.

핵심

🏗️ 1. 문제: 왜 기존 방식은 느렸을까요? (기존의 '건축가' 방식)

약 개발을 위해 새로운 약을 만들 때, 기존 AI 들은 마치 **"건축 설계도"**를 먼저 그리는 방식을 썼습니다.

1. 목표: 특정 질병을 치료할 '열쇠 (약)'를 만드세요.
2. 기존 방식: 먼저 그 열쇠가 들어갈 '자물쇠 (세포 수용체)'의 3 차원 모양을 정밀하게 예측합니다. 그다음 그 모양에 딱 맞는 열쇠를 하나하나 설계하고, "이게 잘 들어갈까?" 확인합니다.
3. 단점: 이 과정이 너무 느립니다. 열쇠 하나를 설계하는 데 몇 시간에서 며칠이 걸립니다. 마치 하루에 열쇠 하나만 만드는 장인처럼요. 그래서 수많은 후보를 만들어볼 수가 없었습니다.

🚀 2. 해결책: LigandForge 의 '직관' 방식

이 논문에서 소개한 LigandForge는 완전히 다른 방식을 사용합니다.

• 핵심 아이디어: "자물쇠의 3 차원 모양을 직접 그릴 필요는 없어. 자물쇠의 감촉과 특징만 알면, 그걸로 맞는 열쇠를 바로 만들 수 있어."
• 비유: LigandForge 는 마치 천재 요리사 같습니다.
  • 기존 방식은 "요리할 재료를 다듬고, 냄비를 준비하고, 불을 조절하는 과정 (구조 예측)"을 매번 반복합니다.
  • LigandForge 는 자물쇠 (세포) 의 특징만 보고도, "아, 이 자물쇠에는 이런 맛 (아미노산) 의 열쇠가 딱 맞겠구나!"라고 순간적으로 직관을 발휘해 요리를 해냅니다.

⚡ 3. 놀라운 속도: 1 초에 1,000 개 이상!

이 방식의 가장 큰 장점은 속도입니다.

• 기존 방식 (BindCraft, BoltzGen): 1 초에 약 0.001 개~0.07 개 정도만 만듭니다. (하루 종일 일해도 몇 개 안 나옴)
• LigandForge: 1 초에 1,000 개 이상의 열쇠를 만들어냅니다.
• 비유: 기존 방식이 손으로 하나씩 깎는 장인이라면, LigandForge 는 공장에서 1 초에 1,000 개의 열쇠를 찍어내는 대량 생산 라인입니다.
  • 기존 방식이 1 개를 만드는 동안, LigandForge 는 100 만 개를 만들어냅니다.

🎯 4. 결과: "어려운 자물쇠"도 뚫었다

이 기술은 단순히 빠르기만 한 게 아니라, 정확도도 매우 높습니다. 연구진은 150 가지의 서로 다른 '자물쇠 (세포 수용체)'를 대상으로 실험을 했습니다.

• 기존의 실패: PD-L1(면역항암제 표적) 이나 TNF-α(염증 표적) 같은 아주 평평하고 구멍이 없는 '어려운 자물쇠'는 기존 AI 들이 열쇠를 전혀 만들지 못했습니다.
• LigandForge 의 성공: LigandForge 는 이 어려운 자물쇠들도 뚫었습니다. 특히 PD-L1에서는 기존 방식이 0% 성공률을 보였는데, LigandForge 는 수백 개의 강력한 열쇠를 찾아냈습니다.
• 다양성: 기존 방식은 열쇠 모양이 모두 비슷하게 '나뭇가지' 형태 (헬릭스) 로만 나왔는데, LigandForge 는 나뭇가지, 구슬, 고리 등 다양한 모양의 열쇠를 만들어내어 더 많은 자물쇠에 맞출 수 있었습니다.

🧪 5. 검증: "DeltaForge"라는 정밀 측정기

약이 정말 잘 들어갈지 어떻게 알까요? 연구진은 DeltaForge라는 새로운 측정기를 함께 개발했습니다.

• 비유: LigandForge 가 만든 열쇠가 자물쇠에 들어갈 때, "얼마나 꽉 끼는지 (에너지)"를 계산하는 초정밀 저울입니다.
• 이 측정기로 확인한 결과, LigandForge 가 만든 열쇠 중 상당수가 매우 강력하게 (나노 몰 단위) 자물쇠에 꽉 끼는 것으로 예측되었습니다.

🌟 6. 특별한 발견: 보이지 않는 구멍까지 찾았다

가장 흥미로운 점은 **GPCR(7 회 관통 수용체)**이라는 세포 표적에 대한 발견입니다.

• 이 세포들은 세포막 속에 숨겨진 **깊은 구멍 (주머니)**이 있는데, 예전에는 이 구멍에 들어갈 수 있는 '열쇠'가 없다고 생각했습니다. 마치 벽장 안쪽 깊숙한 곳에 있는 물건을 꺼낼 수 있는 도구가 없는 것과 같죠.
• 하지만 LigandForge 는 이 숨겨진 구멍까지 찾아갈 수 있는 열쇠를 만들어냈습니다. 마치 벽장 안쪽까지 뚫고 들어가는 특수한 도구를 발명한 것과 같습니다. 이는 기존 방식으로는 불가능했던 영역입니다.

💡 요약: 왜 이것이 중요한가요?

1. 속도의 혁명: 약 후보 물질을 찾는 데 걸리는 시간을 수주에서 수분으로 줄였습니다.
2. 비용 절감: 수많은 실패를 겪으며 시간을 낭비할 필요 없이, 수천 개의 후보를 한 번에 만들어 가장 좋은 것만 골라 실험하면 됩니다.
3. 새로운 가능성: 기존에 약으로 만들 수 없다고 생각했던 어려운 세포들까지 표적으로 삼을 수 있게 되었습니다.

결론적으로, 이 논문은 "약 개발을 위해 3D 구조를 하나하나 그리는 구시대적 방식"을 끝내고, **"자물쇠의 특징만 보고도 수천 개의 열쇠를 순식간에 만들어내는 새로운 시대"**를 열었다고 선언하고 있습니다. 이제 약 개발은 '장인 정신'이 아니라 '대량 생산과 정밀한 선별'의 시대로 넘어갑니다.

기술 요약

논문 개요: LigandForge 와 DeltaForge

이 논문은 LigandForge라는 새로운 디스크리트 확산 (Discrete Diffusion) 모델과 DeltaForge라는 열역학 점수 산정 엔진을 소개합니다. 이 두 도구는 기존 펩타이드 설계 방법론의 병목 현상이었던 '구조 예측 의존성'을 해결하고, 수용체 포켓의 기하학적 정보만으로 단일 순회 (Single-Pass) 로 고친화도 펩타이드 결합체를 초고속으로 생성하는 새로운 패러다임을 제시합니다.

1. 문제 정의 (Problem)

기존의 De novo 펩타이드 설계 방법론은 다음과 같은 근본적인 한계를 가지고 있었습니다:

• 구조 예측 의존성: 결합 펩타이드를 생성하려면 반드시 3D 구조 예측 (AlphaFold 등) 이나 역접힘 (Inverse Folding) 과정을 거쳐야 했습니다. 이는 생성 속도를 매우 느리게 만들었습니다 (BindCraft 는 약 2.5 시간/디자인, BoltzGen 은 약 16 초/디자인).
• 처리량 (Throughput) 부족: 구조 예측의 계산 비용 때문에 수백 개의 후보만 탐색할 수 있어, 광범위한 표적 포트폴리오를 동시에 최적화하는 것이 불가능했습니다.
• 구조적 편향: 백본 샘플링 기반 방법론들은 알파 나선 (Alpha-helix) 구조로 수렴하는 경향이 강해, 베타 시트나 코일 (Coil) 구조가 필요한 결합 모드나 숨겨진 포켓 (Cryptic pockets) 을 놓치는 경우가 많았습니다.
• 역접힘 불일치: 구조를 먼저 생성한 후 서열을 복구하는 과정에서 원래의 결합 접촉 (Binding contacts) 이 손실되거나 열역학적으로 불리한 서열이 생성될 수 있습니다.

2. 방법론 (Methodology)

A. LigandForge (생성 모델)

• 아키텍처: 수용체 결합 포켓의 3D 기하학적 정보 (1 잔기당 48 차원 특성 벡터) 를 입력으로 받아, 구조 예측 없이 직접 아미노산 서열을 생성하는 디스크리트 마스크 확산 (Discrete Masked Diffusion) 모델입니다.
• 학습 전략 (Thermodynamic Supervision): 모델 학습 시 단순한 서열 레이블뿐만 아니라, 실험적 결합 데이터와 정밀한 물리 기반 계산 (수소 결합 에너지, 반데르발스 접촉, 염다리, 전역 결합 자유 에너지 $\Delta G$ 등) 을 명시적인 손실 함수 (Loss components) 로 포함시켰습니다. 이를 통해 모델이 추론 (Inference) 단계에서 구조 예측을 수행하지 않아도 결합 물리학을 내부화 (Compile-time supervision) 할 수 있게 되었습니다.
• 생성 속도: 단일 NVIDIA B200 GPU 에서 초당 732 개 (최대 1,190 개) 의 서열을 생성합니다. 이는 BoltzGen 보다 10,000 배, BindCraft 보다 1,000,000 배 빠른 처리량입니다.

B. DeltaForge (점수 산정 엔진)

• 특징: Rust 로 구현된 초고속 열역학 점수 산정 엔진으로, 17 가지 구조적 특성 (수소 결합, 염다리, 소수성 접촉 등) 을 기반으로 결합 자유 에너지 ($\Delta G$) 와 해리 상수 ($K_d$) 를 예측합니다.
• 성능: PPB-Affinity 벤치마크 (고품질 펩타이드 - 단백질 복합체 77 개) 에서 실험적 데이터와 Pearson r = 0.83의 높은 상관관계를 보이며, 기존 도구인 PRODIGY 보다 2.4 배 높은 정확도를 달성했습니다.
• 역할: 생성된 펩타이드의 구조적 신뢰도 (iPSAE) 와 열역학적 결합 강도 ($\Delta G$) 를 동시에 평가하여 후보를 선별합니다.

3. 주요 성과 및 결과 (Key Results)

A. 초고속 처리량 및 대규모 탐색

• 규모: 150 개의 수용체 표적에 대해 총 490,691 개의 펩타이드를 생성하고, 이 중 16,475 개를 Boltz-2 를 통해 구조 검증했습니다.
• 속도: 5 개의 난이도 높은 표적 (TNF-$\alpha$, PD-L1, VEGF-A, IL-7R$\alpha$, HER2) 에 대해 3.4 분 만에 150,000 개의 후보를 생성했습니다.

B. 난제 표적 (Difficult Targets) 에 대한 성공

기존 방법론이 실패한 것으로 알려진 표적들에서 LigandForge 는 뛰어난 성과를 보였습니다:

• TNF-$\alpha$: AlphaProteo 가 실패한 표적에서 LigandForge 는 $K_d \approx 1.7$ nM 의 결합체를 발견했습니다.
• PD-L1: BindCraft 가 펩타이드 성공률 0% 를 기록한 표적에서 LigandForge 는 62 개의 'Good-tier' 결합체 (예상 $K_d \approx 88$ nM) 를 생성했습니다.
• HER2: 구조적 신뢰도 (iPSAE) 가 매우 낮았음에도 불구하고 ($0.109$), DeltaForge 는 $K_d \approx 36$ nM 의 열역학적으로 유리한 결합을 예측했습니다.

C. 구조적 다양성 (Structural Diversity)

• 기존 방법론 (BindCraft, BoltzGen) 이 생성한 펩타이드의 77~93% 가 알파 나선 구조인 반면, LigandForge 는 69% 알파 나선, 9% 베타 시트, 10% 코일, 8% 멀티도메인 등 훨씬 더 다양하고 표적에 적합한 구조를 생성했습니다.
• 특히 GPCR(aminergic GPCRs) 과 같은 막관통 단백질의 Orthosteric pocket(활성 부위) 내부로 펩타이드가 삽입되는 (Embedding) 독특한 결합 모드를 발견했습니다. 이는 기존 구조 기반 방법론이 접근하기 어려웠던 영역입니다.

D. 다중체 표적 (Multimeric Targets) 지원

• CD8A-CD8B 이종이량체: 두 개의 서로 다른 사슬을 동시에 결합하는 펩타이드를 성공적으로 설계했습니다 (60.5% 엘리트 iPSAE).
• KIT 수용체: 동종 이량체 (Homodimer) 의 빈자리를 채우는 (Vacancy pairing) 방식으로, 두 사슬을 동시에 결합하는 이가성 (Bivalent) 결합체를 설계하여 강력한 결합 에너지 ($\Delta G \le -15$ kcal/mol) 를 보였습니다.

E. 구조적 신뢰도 vs 열역학적 결합력 (Orthogonality)

• 핵심 발견: 높은 구조적 신뢰도 (iPSAE $\ge$ 0.8) 를 가진 펩타이드가 반드시 강한 결합력 ($\Delta G$) 을 가지는 것은 아닙니다. 반대로, iPSAE 가 낮아도 (예: 0.00~0.5) 열역학적으로 매우 유리한 결합체 ($K_d < 10$ nM) 가 많이 존재했습니다.
• 의미: 단일 지표 (iPSAE) 로만 필터링하면 많은 유망한 후보를 놓치게 되며, 이중 지표 (Structural Confidence + Thermodynamic Affinity) 전략이 필수적입니다.

4. 의의 및 결론 (Significance)

1. 패러다임의 전환: "생성 $\rightarrow$ 구조 예측 $\rightarrow$ 최적화"의 반복적인 과정을 탈피하고, "포켓 기하학 $\rightarrow$ 서열 생성"의 단일 순회 (Single-pass) 방식으로 전환하여 설계 속도를 획기적으로 높였습니다.
2. 규모의 경제: 초당 수백 개의 서열 생성 속도는 이제 개별 표적의 최적화가 아닌, 수천 개의 표적 포트폴리오를 동시에 탐색하는 것을 가능하게 합니다.
3. 새로운 결합 모드 발견: 구조 예측 없이도 GPCR 의 깊은 소포 (Pocket) 나 막관통 단백질 내부에 펩타이드가 결합할 수 있음을 보여주어, 펩타이드 치료제의 표적 범위를 확장했습니다.
4. 실용적 가치: 실험적 검증이 필요한 후보군을 수천 개에서 수백 개로 압축하여 실험 비용을 절감하고, 신약 개발 파이프라인의 효율성을 극대화할 수 있습니다.

한계점: 현재 모든 결과는 계산적 예측 (Boltz-2 구조 예측 및 DeltaForge 점수) 에 기반하고 있으며, 실험적 검증 (SPR, BLI 등) 을 통해 실제 결합 친화도를 입증해야 합니다. 또한 DeltaForge 의 예측 범위를 벗어난 초고친화도 ($\Delta G < -15$ kcal/mol) 의 경우 정량적 $K_d$ 해석에 주의가 필요합니다.

이 연구는 열역학적 지식을 모델 가중치에 직접 주입 (Compile-time supervision) 함으로써, 구조 예측 의존성을 제거하고 펩타이드 설계의 속도와 범위를 혁신적으로 확장했다는 점에서 의의가 큽니다.