ACER: Towards Generalizable Protein-ligand Co-folding

Motivation

• Known: AlphaFold-3, Boltz-2, Protenix 등 co-folding 모델은 구조 예측과 분자 도킹에서 높은 정확도를 보이며, Feynmann-Kac(FK) steering 같은 training-free 샘플링 기법을 통해 물리화학적 제약을 부과할 수 있음이 알려져 있다.
• Gap: 그러나 이러한 co-folding 모델들은 학습 데이터의 결합 인터페이스를 암기하는 경향이 강해, 알로스테릭 타깃이나 구조적으로 새로운 복합체처럼 학습셋에 과소 대표되거나 부재한 pocket에서는 리간드를 orthosteric 부위 등에 체계적으로 오배치하며, 기존의 pocket 제약 기법은 정확한 pocket에 대한 사전 지식을 요구하고 기존 pocket 예측 도구는 리간드 유도 형태 변화를 놓치는 한계가 있다.
• Why: 신약 개발 대상 타깃 대부분이 구조적으로 새로우며 특히 알로스테릭 부위는 기능적 pocket이 리간드 결합에 의해 유도되는 경우가 많아, 사전 전문 지식 없이 정확한 pocket을 발견하고 리간드를 정확히 배치하는 능력은 co-folding 모델의 실질적 활용성과 일반화 가능성을 좌우하는 핵심 문제이다.
• Approach: 재학습이나 아키텍처 수정 없이, 추론 시점에 decoy ligand conditioning과 iterative pocket repulsion(FK steering 기반)이라는 두 가지 전략으로 대안적 binding pocket을 체계적으로 탐색하고, 발견된 pocket들에 대해 ensemble 기반 pose ranking을 수행하여 정확도를 높이는 training-free 프레임워크를 제시한다.

Achievement

Figure 2. Ranking on Runs N’ Poses, measured as success rate (percentage of L-RMSD < 2 ˚A and PB valid). (a) ACER vs co-

1. Inference-time pocket exploration: 재학습이나 주요 아키텍처 변경 없이 결합 pocket 탐색 범위를 확장하는 두 가지 상호보완적 전략(decoy ligand conditioning, iterative pocket repulsion)을 Boltz-2와 Protenix-v1에 구현 및 테스트하였다.
2. Ensemble 기반 랭킹: 각 pocket 제약 하에서 예측된 protein-ligand conformational ensemble로부터 정규화된 점수를 도출하여 예측 리간드 포즈의 우선순위를 개선하였다.
3. 어려운 co-folding 벤치마크에서의 일반화 개선: 최신 co-folding 모델이 알로스테릭 화합물을 orthosteric pocket에 잘못 배치하는 경우에도 ACER는 실험적으로 관찰된 결합 pocket에 리간드를 성공적으로 배치했으며, 학습셋과 결합 인터페이스가 크게 다른 Runs N' Poses 벤치마크의 어려운 서브셋에서 co-folding 베이스라인 대비 상당한 성능 향상을 보였다.

How

Figure 1. Overview of ACER (Adaptive Co-folding for pocket Exploration and pose Ranking). (a) ACER co-folds complexes ac

• 1단계: Binding pocket exploration — (1) decoy ligand conditioning: 단백질 P와 target ligand ℓ 외에 하나 이상의 decoy ligand ˜ℓ를 추가 trunk 입력으로 도입하여 Pairformer 처리 후 decoy 토큰을 제거함으로써 대안 pocket으로 co-folding을 유도하는 conditioning variable Z'=(s', z')를 재구성; (2) iterative pocket repulsion: FK steering을 통해 negative gradient를 적용하여, 매 라운드마다 이전에 탐색된 pocket을 repulsion set B에 추가하고 denoiser가 이미 탐색된 부위를 피하도록 유도.
• 2단계: Ensemble 기반 pose ranking — 발견된 Top N개 pocket 각각을 제약으로 사용해 local ensemble을 생성하고, ensemble 기반 정규화 점수를 통해 최종 리간드 포즈를 선택.
• 두 전략 모두 Boltz-2와 Protenix-v1 co-folding 모델에 training-free 방식으로 적용되어 검증됨.
• 알로스테릭 타깃 및 Runs N' Poses 벤치마크의 어려운 서브셋(학습셋과 결합 인터페이스가 크게 다른 경우)에서 성능을 평가.

Originality

• 기존 pocket 제약 기법(예: Passaro et al., 2025; Zhang et al., 2026)이 사전 지식을 필요로 하는 것과 달리, 사전 전문 지식 없이 대안 pocket을 능동적으로 탐색하는 최초의 training-free 프레임워크를 제안.
• decoy ligand conditioning이라는 독창적 입력 조작 기법을 통해 trunk representation 수준에서 pocket 점유를 우회.
• FK steering을 알려진 pocket으로의 유도가 아닌 이미 탐색된 pocket으로부터의 반발(repulsion)로 재활용한 점이 참신함.
• pocket 탐색과 ensemble 기반 pose ranking을 결합하여 정확도와 다양성을 동시에 확보하는 2단계 파이프라인 설계.

Limitation & Further Study

• 발췌된 본문에는 정량적 실험 결과와 구체적 벤치마크 수치가 충분히 제시되지 않아 성능 향상의 폭과 통계적 유의성을 판단하기 어려움.
• decoy ligand의 선택 방식(개수, 종류, 크기 등)이 탐색 성능에 미치는 영향에 대한 분석이 불명확하며, 잘못된 decoy 선택 시 오히려 탐색을 왜곡할 가능성 존재.
• ensemble 기반 랭킹이 다수의 pocket에 대해 반복적으로 co-folding을 수행해야 하므로 계산 비용이 증가할 것으로 예상되나 이에 대한 효율성 분석이 부족.
• 후속 연구로 다양한 co-folding 백본(AlphaFold-3 등)에 대한 일반화 검증, decoy 생성 전략의 자동화, 그리고 실제 신약 개발 파이프라인에서의 실용성 검증이 필요.

Evaluation

총평: co-folding 모델의 근본적 한계인 pocket 암기 문제를 재학습 없이 해결하려는 실용적이고 참신한 접근으로, 신약 개발의 실제 병목인 알로스테릭·신규 타깃 문제에 직접적으로 기여할 잠재력이 크지만, 발췌본만으로는 정량적 검증의 충분성을 판단하기 어렵다.