Latent-Y: A Lab-Validated Autonomous Agent for De Novo Antibody Design

Motivation

• Known: 분자 설계를 위한 frontier AI 모델(Latent-X2 등)과 단백질 구조 예측(AlphaFold 등) 및 생성형 단백질 설계 기술이 선행되어 있으며, 약물 발견의 병목이 후보 분자 탐색에서 조직의 역량과 전문 인력 접근성으로 이동한 상황이다.
• Gap: 기존에는 원자 수준의 설계 모델(Latent-X2)이 존재하지만, 이를 통합하여 문헌 검토·데이터베이스 조회·구조 분석·에피토프 식별 등 전문가 수준의 고차원 추론을 자율적으로 수행하고 최종 실험용 후보까지 도출하는 엔드-투-엔드 에이전트 시스템이 없었다.
• Why: 자율 약물 설계 에이전트의 실현은 초기 약물 발견의 속도와 규모를 획기적으로 향상시킬 수 있으며, 특히 실험실 검증을 통한 de novo 항체 설계의 성공은 AI 기반 생물학적 분자 설계의 현실적 가치를 입증하는 데 매우 중요하다.
• Approach: Latent-Y는 Latent Labs Platform에 네이티브로 통합되어 있으며, 자연언어 입력을 받아 (1) 과학 문헌·데이터베이스 조회를 통한 생물학적 맥락 구축, (2) 표적 구조 식별 및 에피토프 특성화, (3) Latent-X2를 이용한 후보 생성 및 점수 매김, (4) 결과 분석 및 방향 조정, (5) 품질 보증(clustering, 서열 유사도 검색, liability 분석)을 거쳐 최종 설계를 도출한다. 필요시 자연언어로부터 커스텀 계산 방법을 생성하여 도구 키트를 확장할 수 있다.

Achievement

Fig. 1 | Latent-Y autonomously designs nanomolar-affinity antibodies from text prompts, accelerating expert

목표 달성: IL-6, PRL, IL-33, TNFα, SC2RBD, IL-6R, TNFL9(교차 반응성), hTfR1 등 9개 표적에 대해 수행한 결과, 6개 표적에서 67% 목표 수준 성공률을 달성. 바인더 친화도: 단자릿수 nM 범위의 바인딩 친화도(예: 12.5 nM, 5.4 nM 등) 달성. 속도 가속: 전문가 폴링 기준 2주 소요 작업을 평균 5시간으로 압축, 전체 56배 가속(문헌 검토 및 PDB 분석 ~4,300배, 구조 분석 및 에피토프 선택 ~350배). 자율성: 인간 개입 없이 엔드-투-엔드 설계 가능.

How

Fig. 1 | Latent-Y autonomously designs nanomolar-affinity antibodies from text prompts, accelerating expert

• Latent-Y는 자연언어 명령으로부터 설계 목표를 해석하고 생물학적 맥락을 자동 구축
• 표적 구조·에피토프·설계 제약을 동적으로 분석하고 Latent-X2의 생성 파라미터 조정
• 병렬 실행을 통해 여러 설계 방향을 탐색하고 결과를 통합
• 최종 후보에 대해 clustering, 외부 데이터베이스 검색, liability 분석 등 품질 보증 수행
• 필요시 커스텀 계산 코드를 자동 생성하여 기능 확장 가능

Originality

• 처음으로 엔드-투-엔드 자율 약물 설계 에이전트를 구현하고 de novo 항체를 실험실에서 검증
• 기존 원자 수준 생성 모델(Latent-X2)을 전문가 수준의 고차 추론 시스템으로 통합
• 자연언어로부터 커스텀 계산 방법 생성 능력으로 도구 키트 자동 확장
• 협력형 모드를 통해 인간 전문가의 피드백을 실시간으로 수용 가능

Limitation & Further Study

한계: (1) 9개 표적 중 3개에서 성공하지 못했으며, 성공 및 실패의 구체적 원인 분석 부족. (2) 테스트 대상이 주로 중소 크기 바인더(VHH/nanobody)에 집중되어 있으며, 대형 항체로의 일반화 가능성 미검증. (3) 다른 자율 설계 방법이나 전통적 합리적 설계와의 직접 비교 실험 부재. (4) 실험실 검증 데이터(SPR 측정)의 세부 사항, 반복성, 오차 범위에 대한 충분한 기술 부족. (5) 계산 비용 및 자원 요구사항에 대한 정량적 평가 미제시. 후속 연구: (1) 실패 사례에 대한 상세 분석 및 개선 전략 개발. (2) 대형 항체(scFv, IgG) 및 다양한 치료 양식에 대한 확대 검증. (3) 다중 표적·조합 설계 등 복잡한 설계 문제로의 확장.

Evaluation

총평: 본 논문은 자율 약물 설계 에이전트의 실현과 실험실 검증을 최초로 보여주는 획기적 성과를 제시한다. 56배의 속도 향상과 67% 목표 성공률은 AI 기반 생물학적 분자 설계의 현실적 가치를 강력히 입증하며, de novo 항체 설계 분야에서 중요한 이정표이다. 다만 성공 및 실패 사례에 대한 심층 분석 부족, 다양한 항체 형식으로의 검증 부재, 계산 효율성 평가 미흡 등이 보완되어야 할 사항이다.