Towards an Agentic AI Framework for Generating, Optimizing and Filtering Protein Binders

Motivation

• Known: 구조 기반 binder 설계(RFdiffusion, AlphaProteo, BindCraft, Latent-X 등)는 타겟 구조에 조건화된 backbone 생성과 inverse-folding을 통해 실험적으로 검증된 binder를 만들어왔으며 현재 affinity와 hit rate 측면에서 state-of-the-art로 평가된다. 한편 ESM-2, ProtGPT2, ProGen 같은 단백질 언어모델(pLM)은 자연스러운 서열 통계와 기능적 특성을 갖는 de novo 서열을 생성할 수 있음이 알려져 있다.
• Gap: 구조 기반 파이프라인은 고해상도 타겟 구조를 필요로 하고 계산 비용이 크며, in silico에서 그럴듯해 보이지만 발현, assay, 폴딩, 결합친화도 특성화 단계에서 실패하는 낮은 실험적 성공률(hallucination 문제)을 여전히 겪는다. 또한 대부분의 서열 기반 pLM은 타겟 인지(target-aware) binder 생성기가 아니며, 후보를 실험적으로 어떻게 선별(triage)할지에 대한 체계가 부재하다.
• Why: de novo binder 설계의 실질적 병목은 생성 자체가 아니라 실험적 위양성(false positive)을 사전에 걸러내어 습식 실험(wet-lab) 자원을 절약하는 것이므로, 후보 선별을 wet-lab 위험 최소화 문제로 명시적으로 취급하는 프레임워크는 치료제·진단·합성생물학 분야 실용화에 직접적으로 기여할 수 있다.
• Approach: 3D 구조 없이 residue identity만으로 epitope을 프롬프트에 주입하는 순수 서열 기반 생성기 PBind42를 pretraining-instruction tuning-in-context epitope conditioning의 LLM 레시피로 구축하고, 이를 tri-model gradient-surgery 최적화와 4개 에이전트로 구성된 결정론적 필터링 시스템 DyRA로 감싸는 방식으로 접근한다.

Achievement

Figure 3. PD-L1 binders generated by the agentic workflow. PD-L1 candidates are generated with PBIND42, optimized with t

1. PBind42(hotspot-conditioned generation): residue identity만으로 특정 결합 표면을 향해 생성을 유도하는 epitope-conditioned instruction-tuned 포맷을 도입하여 3D 구조 없이 off-epitope 생성을 무조건 샘플링 대비 약 절반으로 줄였다.
2. DyRA(agentic pre-synthesis filtering): 구조적 신뢰도, BLI assay 호환성, 인터페이스 품질, 발현 가능성을 평가하는 4개 에이전트 결정론적 triage 시스템을 도입하여 후보 선별을 단일 오라클 랭킹이 아닌 wet-lab 위험 최소화 문제로 재정의했다.
3. 실험적 검증: BHRF1과 PD-L1 두 타겟에서 각 500개 생성 후보를 24개 디자인 플레이트로 축소하고 각 타겟에서 2개의 확인된 binder를 회수했으며, 최고 BHRF1 binder는 평균 KD 176 nM, 최고 PD-L1 binder는 217 nM(두번째 704 nM)를 달성했다. 또한 RBX-1(E3 ubiquitin ligase 구성요소)에 대한 in-silico 사례를 pLDDT=0.933, ipTM=0.903 등의 지표와 함께 추가로 제시했다.

How

Figure 2. Overview of the proposed Agentic AI workflow for generating, filtering and optimizing protein binders.

• PBind42: ESM 계열 pretraining 이후 curated interacting-protein pair로 instruction fine-tuning 수행, in-context epitope conditioning으로 hotspot residue를 프롬프트에 직접 주입
• tri-model 최적화: Boltz-2(구조 예측), ProteinMPNN(inverse folding), PBind42 prior를 결합한 gradient-surgery 방식 최적화로 manifold를 보존하며 서열 개선
• DyRA: structural agent(약하거나 off-epitope 예측 복합체 제거), BLI agent(고정 형상·analyte 반응·kinetic observability 우선), interface-energy agent(취약한 접촉 페널티), expression agent(낮은 단백질모델 타당성/저복잡도 서열 제거)로 구성된 4개 결정론적 에이전트가 다중 독립적 위험 관점에서 후보를 걸러냄
• 언어모델은 설명 텍스트 생성에만 사용되고 게이팅에는 관여하지 않음(결정론적 스코어링 시스템으로서 DyRA를 명확히 구분)
• BHRF1, PD-L1 실제 wet-lab 실험(BLI assay 등)으로 KD 측정하여 파이프라인 검증

Originality

• 구조 기반 diffusion/inverse-folding 패러다임과 달리 3D 구조 없이 residue identity만으로 epitope conditioning을 수행하는 순수 서열 기반 binder 생성 접근
• 후보 선별을 단일 오라클 스코어링이 아니라 다중 독립 에이전트가 각기 다른 실패 모드(구조, assay, 인터페이스, 발현)를 평가하는 명시적 wet-lab 위험 최소화 문제로 프레이밍
• "Agentic AI"를 완전 자율 폐루프 에이전트가 아닌 결정론적 스코어링 기반의 directed multi-model orchestration으로 명확히 재정의하여 LLM의 설명 생성과 게이팅 결정을 분리
• pLM 생성, manifold-preserving 최적화, agentic pre-synthesis filtering을 하나의 파이프라인으로 결합해 실험적으로 검증한 systems-level proof of concept 제시

Limitation & Further Study

• 검증 대상이 BHRF1, PD-L1 두 타겟(및 RBX-1 in-silico 사례 1건)에 그쳐 타겟 다양성이 제한적이며 일반화 가능성이 충분히 입증되지 않음
• 달성된 KD 값(176~704 nM)이 AlphaProteo, BindCraft, Latent-X 등 최신 구조 기반 방법들이 보고하는 low-nanomolar~picomolar affinity에 비해 상대적으로 약하며, 저자들 스스로도 state-of-the-art affinity를 주장하지 않는다고 명시
• DyRA의 결정론적 필터링 규칙(임계값 등)의 설정 근거와 강건성에 대한 상세한 ablation이 부족해 보임
• 향후 연구로 더 다양한 타겟 클래스에 대한 광범위한 실험적 일반화 검증이 필요함

Evaluation

총평: 구조 기반 방법 대비 affinity 자체의 우위를 주장하기보다, 서열 기반 생성과 결정론적 다중 에이전트 필터링을 결합해 실험적으로 실행 가능한 wet-lab 파이프라인을 구축하고 두 타겟에서 실제 binder를 회수했다는 점에서 실용적 가치가 큰 systems-level 연구이다.