Hybrid quantum-classical de novo design of MHC-binding peptides

기술 요약: MHC 결합 펩타이드의 하이브리드 양자-고전적 데 노보(De Novo) 설계

문제 정의
치료용 펩타이드, 특히 주요 조직 적합성 복합체(MHC) 클래스 I 분자에 결합하는 펩타이드를 설계하는 것은 매우 광범위하고 고차원적인 서열 공간을 탐색하는 작업에 의존한다. 딥 생성 모델이 이 과업을 위한 선도적인 접근법으로 부상했음에도 불구하고, 특히 연구가 미진한 또는 희귀한 인간 백혈구 항원(HLA) 대립유전자와 같이 학습 데이터가 희소한 경우 심각한 문제에 직면한다. GAN(Generative Adversarial Networks)과 같은 표준 생성 모델은 일반적으로 생성 과정을 시작하기 위한 사전 분포(prior)로 단순하고 인수 분해된 고전적 분포(예: 등방성 가우시안)를 활용한다. 저자들은 이러한 상관관계가 없는 사전 분포가 생물학적 제약(예: 특정 앵커 잔기)과 비-앵커 위치에서의 높은 가변성이 공존하는 복잡하고 구조화된 서열 공간을 탐색하는 모델의 능력을 제한할 수 있다고 주장한다. 핵심 질문은 양자 프로세서에서 샘플링된 비고전적이고 구조화된 사전 분포가, 특히 데이터가 부족한 환경에서 데 노보 펩타이드 설계를 위한 더 효과적인 유도 편향(inductive bias) 역할을 할 수 있는지 여부이다.

방법론
저자들은 이 가설을 검증하기 위해 엔드 투 엔드(end-to-end) 하이브리드 양자-고전적 파이프라인을 개발하였다:

1. 데이터셋 구축: 실험적으로 검증된 105,970개의 펩타이드-HLA 쌍(약 77,000개의 고유한 9-mer 서열)으로 구성된 큐레이션된 데이터셋을 Immune Epitope Database로부터 수집하였으며, 이는 126개의 서로 다른 HLA 대립유전자를 포함한다.
2. 모델 아키텍처: 조건부 GAN이 사용되었다. 생성기는 잠재 벡터와 HLA 대립유전자 라벨을 펩타이드 서열로 매핑하며, 판별기는 생성된 펩타이드와 실제 펩타이드를 구별한다. 실험 간의 효과를 격리하기 위해 아키텍처는 단순하고 일관되게 유지되었다.
3. 사전 분포: 연구에서는 동일한 차원(32)을 가진 네 가지 사전 분포를 비교하였다:
   • 고전적 베이스라인: 인수 분해된 가우시안(Gaussian) 및 베르누이(Bernoulli) 분포.
   • 양자 분포: 시뮬레이션된 가우시안 보존 샘플러(GBS)와 32-모드 광자 양자 프로세서(시간-빈 간섭계 및 초전도 나노와이어 검출기 사용)에서 샘플링된 실제 분포.
4. 학습 및 평가: 모델은 pMHC 데이터셋으로 학습되었다. 131개의 HLA 대립유전자(학습 세트에 포함되지 않은 5개 포함)에 대해 대립유전자당 1,000개의 펩타이드를 생성하였다. 결합 친화도는 NetMHCpan 4.2를 사용하여 예측되었으며, "강한 결합체(strong binders)"는 백분위 순위 임계값 0.5%로 정의되었다.
5. In Vitro 검증: 실험적 검증을 위해 세 가지 미연구 대립유전자(HLA-A68:01, HLA-B37:01, HLA-A*31:01)가 선택되었다. (실제 양자 사전 분포를 사용하여 생성된) 대립유전자당 상위 20개의 예측 결합체를 합성하였고, UV 매개 리간드 교환을 통한 펩타이드-MHC 클래스 I 안정성 ELISA를 통해 테스트하였다.

주요 결과

• 결합체 수율 증가: 양자 유래 사전 분포(시뮬레이션 및 실제 모두)를 조건으로 한 모델은 131개 대립유전자에 대해 고전적 가우시안 및 베르누이 베이스라인보다 더 많은 수의 예측된 강한 결합체를 생성하였다.
• 데이터 희소 영역에서의 성능: 개선 효과는 학습 데이터 빈도가 낮은 희귀 대립유전자에서 가장 두드ert하게 나타났다. 양자 사전 분포는 63%의 대립유전자에서 가우시안 사전 분포보다 우수한 성능을 보였으며, 가장 큰 상대적 이득은 학습 세트 내 빈도가 낮은 대립유전자에서 관찰되었다.
• 서열 다양성: 섀넌 엔트로피(Shannon entropy) 분석 결과, 양자 사전 분포는 앵커 위치에서의 엄격한 특이성을 유지하면서도 비-앵커 위치에서의 폭넓은 탐색을 용이하게 함을 보여주었다. 이는 양자 사전 분포가 결합에 필요한 핵심 구조적 모티프를 잃지 않으면서도 대립유전자 호환 서열의 범위를 더 넓게 샘플링할 수 있게 함을 시사한다.
• 실험적 확인: In vitro ELISA 분석 결과, 실제 광자 양자 프로세서를 사용하여 생성된 펩타이드는 테스트된 세 가지 대립유전자에 대해 모두 펩타이드-MHC 클래스 I 복합체를 성공적으로 안정화하였다. 특히, 학습 데이터에 드물게 나타나는 이례적인 산성 앵커를 가진 대립유전자 HLA-B*37:01의 경우, 양자 사전 모델은 강한 결합체를 생성하였으나, 고전적 예측 모델은 이러한 타겟에 대해 신뢰도가 낮은 것으로 알려져 있다.

의의 및 주장
본 논문은 MHC 결합 펩타이드의 데 노보 설계를 위한 최초의 엔드 투 엔드 하이브리드 양자-고전적 파이프라인을 제시한다고 주장한다. 저자들은 계산 복잡도 측면에서의 "양자 우위(quantum advantage)"를 입증했다고 주장하는 것이 아니라, 시스템 크기가 고전적으로 시뮬레이션 가능하다는 점을 명시하였다. 대신, 본 연구의 의의는 구조화되고 하드웨어로 구현 가능한 비고전적 사전 분포를 생성적 펩타이드 설계를 위한 유용한 유도 편향으로서 확립하는 데 있다.

본 연구는 사전 분포의 구조가 생성 모델이 서열 공간을 탐색하는 방식을 근본적으로 결정한다는 것을 보여준다. 광자 양자 프로세서 고유의 고차원적이고 상관관계가 있는 확률 분포를 활용함으로써, 이 방법은 기능적 설계의 수율을 높이며, 특히 생물학적으로 제약이 있고 데이터가 부족한 대립유전자에 대해 탁월한 성능을 보인다. 이 접근법은 개인 맞춤형 면역 요법 및 백신 개발에서 환자 특이적 또는 희귀 HLA 대립유전자에 대한 결합체를 설계하는 능력이 필수적인 분야에 실질적인 경로를 제공한다. 결과적으로 양자 유래 사전 분포가 현재의 학습 데이터 커버리지 한계를 효과적으로 해결할 수 있음을 시사한다.