SOAPIA: Specificity-Guided Generation of Off-Target-Avoiding Protein Interactions with High Target Affinity

Motivation

• Known: Discrete flow matching(DFM) 및 그 gradient-based/gradient-free guidance 기법들은 3D 구조나 continuous embedding 없이 서열 수준에서 고품질의 controllable 펩타이드/단백질 생성을 가능케 하며, MOG-DFM 같은 multi-objective 전략은 여러 reward function을 Pareto front 방향으로 최적화하여 target-binding 펩타이드를 생성할 수 있음이 알려져 있다.
• Gap: 기존 생성 전략들은 단일 target에 대한 binding affinity만을 최적화할 뿐, 생성 과정에서 mutant, isoform, homologous family member와 같은 off-target 회피를 명시적으로 모델링하지 않으며, 특히 fusion oncoprotein처럼 parental head/tail protein과 높은 서열 유사성을 가지는 표적에 대해서는 selectivity를 동시에 강제하는 multi-objective 생성 프레임워크가 부재하다.
• Why: Off-target 상호작용은 소분자, PROTAC, biologics 전반에서 효능 저하 및 독성을 유발하는 핵심 문제이며, 특히 소아암을 유발하는 fusion oncoprotein을 표적으로 할 때 parental wild-type 단백질을 보존하면서 fusion만을 선택적으로 표적하는 것은 치료적 안전성 확보에 필수적이다.
• Approach: SOAPIA는 MOG-DFM의 multi-objective discrete flow matching 생성 과정에 pretrained affinity predictor(PVaffinity)와 새로 개발한 Siamese neural network 기반 specificity predictor SiameseCat을 reward로 결합하여, target sequence와 off-target sequence 정보만으로 고친화도·고특이도 펩타이드 binder를 생성한다.

Achievement

Figure 5. SOAPIA-derived PAX3::FOXO1-targeting uAbs in-

1. SNOOPPIXL 데이터셋 및 SiameseCat 예측기 구축: 기존 SNOOPPI에 PDB 유래 positive 및 literature 유래 negative interaction, hard random negative sampling을 결합해 SNOOPPIXL을 구축하고, quadruplet(binder-target-2 off-target) 기반 학습으로 SiameseCat이 isoform-, mutant-, fusion-specific interaction을 각각 최대 43.2%, 28.5%, 30.7% hit rate로 식별함을 보였다.
2. fusion oncoprotein 특이적 binder 생성: 17개의 임상적으로 중요한 fusion oncoprotein에 대해 SOAPIA가 wild-type head/tail counterpart보다 fusion 단백질을 우선적으로 결합하는 peptide binder를 생성함을 입증했다.
3. 세포 실험 검증: SOAPIA 유래 peptide를 E3 ubiquitin ligase domain에 융합한 uAb가 fusion-positive rhabdomyosarcoma 세포에서 내인성 PAX3::FOXO1을 선택적으로 분해하면서 wild-type FOXO1은 대부분 보존함을 확인, 계산적으로 설계된 selectivity가 실제 질병 관련 세포 환경에서도 유지됨을 검증했다.

How

Figure 2. SOAPIA algorithm. A Architecture of SiameseCat,

• 데이터 큐레이션: SNOOPPI에 Negatome2.0, PPIRef, PepPrCLIP, PepMLM, MFIB2.0, DIBS 등 PDB 유래 자원을 결합하여 SNOOPPIXL 구성, 30/50/70% 서열 동일성 클러스터 기반 hard random negative sampling 수행.
• quadruplet 구성 및 split: binder-target-2 off-target으로 이루어진 quadruplet을 greedy algorithm으로 선택해 bias를 최소화하고 난이도를 높였으며, gold-standard benchmark(고난도 사례)는 별도 보류, binder sequence 기준 cluster-disjoint split(train 35,156 / val 4,308 / test 4,344 / gold 17,593) 적용.
• SiameseCat 아키텍처: two-track Siamese network로 binder와 target/off-target을 각각 별도의 33-layer ESM-2-650M 인코더(마지막 2개 layer만 fine-tuning)로 인코딩, RoPE 기반 positional multi-head attention과 SiLU 활성 skip-connection 레이어, attention pooling으로 fixed-length embedding 생성.
• Log-Sum-Exp Decoy Loss: target까지의 거리와 K개 off-target까지의 soft-minimum(differentiable) 거리를 비교하여 specificity score D를 정의, margin α와 sharpness β로 특이적 결합을 강제.
• 생성 과정: MOG-DFM의 gradient-free multi-objective guided token transition에 PVaffinity(affinity reward)와 SiameseCat(specificity reward)를 결합하여 discrete flow matching 기반 peptide 생성 수행.
• 실험적 검증: 생성된 peptide를 E3 ubiquitin ligase domain에 融합한 uAb(ubiquibody) 형태로 fusion-positive rhabdomyosarcoma 세포에 적용해 내인성 PAX3::FOXO1 분해 selectivity를 평가.

Originality

• Affinity와 off-target avoidance(specificity)를 동시에 명시적으로 최적화하는 최초의 생성적 peptide 설계 프레임워크를 제시함.
• Siamese network에 protein의 역할(binder vs target/off-target)에 따라 서로 다른 encoder를 사용하는 two-track 구조를 도입해 homomeric interaction까지 모델링 가능하게 함.
• Log-Sum-Exp를 활용한 soft-minimum 기반 differentiable specificity loss(quadruplet 기반 K-off-target 비교)를 새롭게 설계함.
• MOG-DFM의 multi-objective guided discrete flow matching에 affinity와 specificity라는 두 reward를 결합해 fusion oncoprotein처럼 매우 유사한 parental protein을 회피하는 실제 치료적 시나리오에 적용함.
• 계산 설계 결과를 세포 수준의 targeted protein degradation(uAb) 실험으로 검증하여 in silico specificity가 실제 생물학적 selectivity로 이어짐을 입증함.

Limitation & Further Study

• 본문 발췌 상 정량적 affinity 향상 정도, baseline과의 직접적 성능 비교 수치, 통계적 유의성 검증 세부사항이 충분히 제시되지 않아 구체적 성능 우위를 판단하기 어렵다.
• SiameseCat의 hit rate(최대 43.2%, 28.5%, 30.7%)가 절대적으로 높지 않아, 추가적인 실험적 검증(다양한 target class, 더 많은 세포주)이 필요할 것으로 보인다.
• 데이터셋(SNOOPPIXL)이 PDB 및 literature 기반 curated negative에 의존하므로, 실제 in vivo off-target 상호작용의 다양성을 완전히 반영하지 못할 가능성이 있다.
• 세포 실험이 단일 fusion oncoprotein(PAX3::FOXO1)과 단일 암종(rhabdomyosarcoma)에 국한되어 있어, 17개 fusion oncoprotein 전반에 대한 일반화 가능성은 추가 실험을 통해 확인될 필요가 있다.
• 향후에는 다양한 fusion oncoprotein에 대한 폭넓은 wet-lab 검증, off-target 수(K) 확장에 따른 계산 비용 및 성능 trade-off 분석, 그리고 구조 기반 정보와의 결합을 통한 예측 정확도 향상이 후속 연구로 고려될 수 있다.

Evaluation

총평: Affinity와 specificity를 동시에 다루는 생성 프레임워크를 제시하고 이를 세포 실험으로 검증한 점에서 fusion oncoprotein 표적 치료제 개발에 실질적 기여를 하는 견고한 연구로 평가되나, 정량적 벤치마크와 다양한 표적에 대한 일반화 검증이 추가되면 더욱 완성도가 높아질 것이다.