pLM-Guided Inverse Folding for Antibody Sequence Design

당신이 특정하고 복잡한 케이크(3D 단백질 구조)를 완벽하게 재현할 수 있는 레시피(아미노산 서열)를 쓰려고 노력하고 있다고 상상해 보십시오. 이것이 바로 '역폴딩(inverse folding)'이라 불리는 단백질 설계의 과제입니다.

문제점: 너무 적은 설계도
보통, 이러한 레시피를 쓰는 법을 배우려면 케이크의 모양이 재료와 어떻게 매칭되는지를 정확히 보여주는 기존의 설계도 라이브러리가 필요합니다. 하지만 항체(우리 몸의 방어 단백질)의 경우, 이러한 설계도는 매우 희귀하고 얻기 까다롭습니다. 라이브러리가 이처럼 작기 때문에, 이 작업을 학습하려는 컴퓨터 프로그램들은 규칙을 진정으로 이해하는 대신 가지고 있는 몇 안 되는 예시들을 단순히 '암기'하게 되며, 이는 저조한 결과로 이어집니다.

기존 방식: 특화된 훈련
표준적인 해결책은 일반적인 요리 학교 졸업생(모든 종류의 단백질을 학습한 모델)을 데려와 항체 레시피에 대한 속성 과외를 시키는 것이었습니다. 이 방법은 도움이 되긴 하지만, 여전히 항체 설계도를 가르칠 수 있는 데이터의 양에 한계가 있습니다.

새로운 솔루션: "훈련 없는" 팀워크
이 논문은 두 전문가를 재학습시키거나 더 많은 설계도를 찾을 필요 없이, 두 전문가를 결합하는 영리한 방법을 소개합니다.

1. 구조적 건축가 (ProteinMPNN): 이 모델은 일반적인 단백질 전문가로, 어떤 모양을 보고 그 형태를 유지하기 위해 어떤 재료가 반드시 있어야 하는지를 파악하는 데 탁월합니다.
2. 언어의 시인 (IgLM): 이 모델은 항체에 특화된 전문가로, 수백만 개의 항체 이야기(서열)를 읽었지만 반드시 3D 설계도를 공부한 것은 아닙니다. 이 모델은 항체의 "언어"를 이해하고 있기 때문에, 무엇이 "자연스러운" 항체 서열인지 알고 있습니다.

그들이 협력하는 방식
저자들은 한 전문가가 다른 전문가를 가르치도록 강요하는 대신, 두 전문가에게 동일한 케이크 모양에 대한 레시피를 동시에 작성하도록 요청합니다. 그런 다음, 가중치를 둔 투표(앙상블)를 통해 최종 레시피를 결정합니다.

이것은 마치 요리사와 음식 평론가가 협업하는 것과 같습니다. 요리사는 베이킹의 물리 법칙(구조)을 알고, 평론가는 맛있고 정통적인 음식이 어떤 맛인지(서열 언어)를 압니다. 두 사람의 목소리를 모두 경청함으로써, 그들은 구조적으로 탄탄하면서도 맛이 자연스러운 레시피를 만들어냅니다.

결과
항체 및 나노바디 구조에 대해 테스트했을 때, 이 "팀워크" 접근 방식은 두 가지 인상적인 성과를 보여주었습니다.

• 더 높은 정확도: 이 방식은 구조 전문가가 단독으로 작업했을 때보다 올-바른 재료를 훨씬 더 잘 찾아냈으며, 수천 개의 항체 설계도를 바탕으로 특별히 훈련된 모델들과 거의 대등한 성능을 보였습니다.
• 더 높은 다양성: 단순히 몇 가지 패턴을 복사하는 것에 그치지 않고, 훨씬 더 다양한 독특한 레시피를 생성해 냈습니다.

구조 전문가가 이미 항체에 대한 속성 과외를 받은 상태(AbMPNN이라는 모델)였음에도 불구하고, "언어의 시인"을 팀에 합류시키는 것이 여전히 결과를 개선한다는 것을 보여주었습니다. 이는 항체의 "언어"를 이해하는 것이 구조적 훈련만으로는 달성할 수 없는 '자연스러움'의 층위를 더해준다는 것을 의미하며, 최종 설계가 실제 자연적인 항체처럼 보이고 느껴지면서도 동시에 그 형태를 유지할 수 있도록 보장해 줍니다.