ConforNets: Latents-Based Conformational Control in OpenFold3

Motivation

• Known: AlphaFold 계열 모델은 단백질의 우세 conformation은 잘 예측하지만 생물학적으로 관련된 대안 상태의 capture에 어려움을 겪고 있다. 기존 perturbational 방법들은 input MSA 또는 latent를 residue-wise로 교란하거나 diffusion module을 직접 수정하는 방식으로 작동하였다.
• Gap: 기존 perturbational 방법들은 protein-specific하며, 효율적이지 못하고, 주요 conformational mode를 놓치거나 물리적으로 부정확한 구조를 생성하는 문제가 있었다. 최적의 perturbation 위치와 방식에 대한 체계적인 탐색이 부족했다.
• Why: AlphaFold 계열 모델이 내재적으로 단백질의 conformational landscape에 대한 정보를 포함하고 있다면, 이를 체계적으로 활용하여 다양한 생물학적으로 의미 있는 상태를 제어 가능하게 생성하고, 패밀리 수준에서 conformational change를 전이학습하는 것은 구조 기반 약물 설계 등에 중요한 의미를 가진다.
• Approach: AlphaFold3 아키텍처의 여러 위치와 perturbation 방식에 대한 체계적인 ablation study를 통해 pre-Pairformer pair latent가 최적의 제어 위치임을 규명하고, 이 위치에서 channel-wise affine transform을 적용하는 ConforNets를 개발한다. Unsupervised 학습을 위해 여러 ConforNets를 동시 최적화하여 pairwise distance를 최대화하고, supervised 전이학습을 위해 source protein에서 학습한 ConforNet을 다른 단백질에 적용한다.

Achievement

Figure 1. ConforNets induce conformations by mixing and biasing the channels of AF3’s pair latents to satisfy different

Unsupervised conformational generation: 104개 단백질 쌍의 multi-state benchmark에서 모든 기존 방법을 능가하는 성능 달성. 200-residue 단백질에 대해 40 GPU 초 이내의 빠른 최적화 속도 구현. Supervised conformational transfer: GPCR active state (24→79%), kinase DFG-out (6→23%), transporter outward-open (16→57%) 등에서 표준 AF3 대비 현저한 성능 향상 달성. Architecture-agnostic design: Channel-wise transform으로 protein-specific 제약을 제거하여 다양한 단백질과 AF3 기반 모델에 재사용 가능하게 설계.

How

Figure 1. ConforNets induce conformations by mixing and biasing the channels of AF3’s pair latents to satisfy different

• Pre-Pairformer pair latent 위치의 각 채널에 대해 affine transformation (scale과 bias) 적용
• Unsupervised 설정에서 여러 ConforNet을 동시 최적화하면서 생성된 sample 간 pairwise distance 최대화 목적함수 사용
• Supervised 설정에서 source protein 구조와 target conformation 간의 정렬을 기반으로 ConforNet 학습
• OpenFold3-preview를 구현 기반으로 사용하여 추론 시간 perturbation 수행

Originality

• Latent perturbation 위치의 체계적 규명: 여러 아키텍처 위치를 비교하여 pre-Pairformer pair latent가 최적임을 실증적으로 입증한 점
• Channel-wise global modulation: 기존의 residue-wise perturbation과 달리 channel-wise affine transform으로 protein-agnostic한 제어 메커니즘 도입
• Conformational transfer 개념: 단일 source protein에서 학습한 conformation-specific 제어 신호를 다른 단백질로 전이하는 새로운 supervised task 제시

Limitation & Further Study

• Calibration 부재: Boltzmann-weighted ensemble을 생성하지 않아 물리적으로 정확한 ensemble 분포를 제공하지 못함. 데이터 의존성: Conformational transfer의 성공은 source와 target protein 사이의 구조적 유사성에 의존하며, 얼마나 거리가 먼 상동체까지 전이 가능한지 미명확. 벤치마크 제약: 평가가 PDB에 기반한 multi-state benchmark로 제한되어 있어 실제 MD trajectory에서의 성능 검증 부족. 후속 연구: 더 복잡한 단백질 시스템(예: 다중 도메인 단백질, 막 단백질의 리핑)에 대한 확장성 검토 필요.

Evaluation

총평: ConforNets는 AlphaFold3 기반 모델에서 conformational control을 달성하기 위한 실용적이고 효율적인 방법을 제시한다. Pre-Pairformer latent에 대한 체계적인 분석, channel-wise perturbation의 novel한 도입, 그리고 conformational transfer라는 새로운 supervised task의 제시는 구조 생물학 및 약물 설계 분야에서 의미 있는 기여를 한다. 다만 물리적 calibration 부재와 평가 범위의 제약이 있다.