Reading the Cell, Designing the Cure: Perturbation-Conditioned Molecular Diffusion for Function-Oriented Drug Design

Motivation

• Known: 기존 computational drug design은 3D protein target 구조를 활용하는 Structure-Based Drug Design(SBDD)이 주류였으며, transcriptomics를 활용한 기계학습 모델들은 주로 화합물에 대한 세포 반응을 예측하는 forward problem(perturbation prediction)에 집중해왔다.
• Gap: target 구조가 불명확하거나 질병 phenotype이 multi-pathway 이상조절에서 기인하는 경우 SBDD는 근본적으로 한계를 가지며, transcriptomic signature를 생성적 조건으로 활용해 분자를 역설계하는 inverse problem은 rigorous한 문제 정식화와 체계적 평가 프레임워크가 부재한 상태였다.
• Why: TBDD는 target-agnostic하게 phenotype 자체를 겨냥하는 function-oriented drug design을 가능하게 하여 SBDD를 보완할 수 있으며, 대규모 legacy transcriptomic 데이터셋의 잠재력을 생성적 응용으로 확장한다는 점에서 신약 개발 패러다임 확장에 중요한 의미를 가진다.
• Approach: TBDD를 p(G | Tpre, Tpost, c) 형태의 conditional generative inverse problem으로 정식화하고, Transcriptome Perturbation Functional Feature Extractor(TFE)와 Graph Diffusion Transformer를 결합한 CURE 프레임워크로 cross-modal domain gap과 signal sparsity 문제를 동시에 해결한다.

Achievement

Figure 4. Molecular docking validation against the EGFR kinase domain. The binding affinity of the CURE-generated candid

1. TBDD 문제 정식화: transcriptomic perturbation을 조건으로 분자를 생성하는 task를 ill-posed inverse problem으로 명확히 정의하고, SBDD 및 perturbation prediction과의 관계를 이론적으로 규명했다.
2. CURE 프레임워크 제안: TFE-I, TFE-A, TFE-H 세 모듈로 구성된 TFE를 통해 function-oriented perturbation embedding 추출, dual chemical view 정렬, heterogeneity-aware aggregation을 수행하고 이를 Graph Diffusion Transformer의 AdaLN 조건으로 활용했다.
3. 성능 우위 입증: in-distribution 및 out-of-distribution 벤치마크에서 구조적 품질(QED, similarity, diversity 등)과 function-consistency proxy(PRnet MSE 등) 양쪽에서 GexMolGen, Gx2Mol, TRIOMPHE 등 baseline 대비 일관되게 우수한 성능을 보였다.
4. 실용적 검증: zero-shot gene-inhibitor design task 및 EGFR kinase domain에 대한 molecular docking 검증을 통해 실제 활용 가능성을 입증했다.

How

Figure 3. Overall architecture of CURE. The model consists of a Transcriptome Perturbation Functional Feature Extractor

• Transcriptome space T, chemical space G를 정의하고 perturbation signature (Tpre, Tpost)를 조건으로 하는 conditional distribution p(G | z, c)를 학습하는 문제로 TBDD를 formalize함
• Bidirectional Transcriptome Perturbation Signal Interaction module(TFE-I)로 pre/post 상태로부터 function-oriented perturbation embedding을 distill
• Dual-View Molecular Domain Alignment module(TFE-A)로 perturbation signature를 graph-topology view와 fingerprint view라는 두 화학적 표현 공간에 정렬시켜 cross-modal domain gap을 해소
• Heterogeneity-Aware Transcriptome Aggregation module(TFE-H)로 sparse scRNA-seq 데이터의 기술적 노이즈(dropout, batch effect)를 억제하면서 subpopulation 이질성은 보존
• 최종적으로 Graph Diffusion Transformer 기반 생성 백본이 TFE에서 추출된 조건 표현을 Adaptive Layer Normalization(AdaLN)을 통해 주입받아 분자 그래프를 반복적으로 재구성
• distributional quality, structural sanity/diversity, function-consistency proxy(독립적 perturbation estimator 기반) 등 다각도의 평가 축과 rigorous OOD/zero-shot 프로토콜로 검증

Originality

• SBDD와 대비되는 phenotype-driven, target-agnostic한 새로운 생성적 문제인 TBDD를 최초로 rigorous하게 formalize한 점
• perturbation prediction(forward problem)의 역방향인 inverse generative problem을 명시적으로 정의하고 이를 orthogonal한 패러다임으로 위치시킨 관점의 참신성
• transcriptomic signal과 화학적 표현 간의 cross-modal alignment를 dual view(graph-topology, fingerprint)로 수행하는 TFE-A 모듈의 설계
• scRNA-seq의 sparsity와 heterogeneity를 동시에 다루는 TFE-H 모듈을 통해 bulk와 single-cell transcriptomics 호환성을 확보한 점

Limitation & Further Study

• 본문 발췌에는 구체적인 정량적 실험 수치와 baseline 대비 개선폭이 충분히 제시되지 않아 성능 우위의 통계적 유의성 평가가 제한적임
• TBDD 자체가 근본적으로 ill-posed하다는 점을 저자들도 인정하고 있어, 생성된 분자의 실제 wet-lab 검증(대규모 실험적 확증)이 부족하며 이는 향후 실험적 검증으로 보완되어야 함
• 평가가 독립적 perturbation estimator(PRnet 등) proxy에 의존하는데, 이 proxy 모델 자체의 편향이 평가 신뢰도에 영향을 줄 수 있음
• zero-shot gene-inhibitor design 사례가 단일 사례(EGFR)에 국한되어 일반화 가능성에 대한 추가 검증이 필요함

Evaluation

총평: TBDD라는 새로운 문제를 체계적으로 정식화하고 이를 해결하는 CURE 프레임워크를 제안한 참신하고 의미있는 연구로, function-oriented drug design 분야에 새로운 방향을 제시하지만 실험적(wet-lab) 검증과 평가 proxy의 신뢰성 확보가 향후 과제로 남아있다.