AlloGen: Conformation-Selective Binder Design with Differential State Scoring

Motivation

• Known: 기존 protein binder 설계 연구(RFdiffusion, PXDesign, BindCraft, BoltzGen 등)는 단일 receptor conformation에 조건화되어 binding affinity 최적화에만 집중해 왔으며, kinase, nuclear receptor, GPCR 등 allosteric target에서 conformational state 간 기능적 차이가 중요하다는 점은 생물학적으로 잘 알려져 있다.
• Gap: 모든 기존 생성 모델과 scoring function은 단일 구조에 대한 fit만을 평가하기 때문에 apo/holo 등 서로 다른 conformational state에 대한 differential affinity를 측정할 수 없어, conformational selectivity를 위한 학습 신호 자체가 부재하다.
• Why: Allosteric drug design, conformational biosensor, synthetic biology switch 등에서 기능적 특이성을 확보하려면 특정 상태만을 선택적으로 인식하는 binder가 필수적이므로, conformational selectivity를 학습 가능한 속성으로 정립하고 이를 어떤 backbone generator에도 재훈련 없이 결합할 수 있는 범용 프레임워크는 실용적, 이론적으로 중요한 기여이다.
• Approach: Binder backbone 생성과 상태 선택성 평가를 분리하여, 두 단계 커리큘럼(interface geometry 학습 후 conformational discrimination 부여)으로 학습된 미분 가능한 SE(3)-invariant scorer $Q_\theta$를 도입하고, 이를 임의의 generator에 passive reranking 또는 active gradient guidance로 결합한다.

Achievement

Figure 4. Generation benchmark on CaM. (a) Consensus selectivity ¯Scons across 15 generation × guidance approaches. (b)

1. 벤치마크 및 스코어러 구축: 15개 단백질군, 65개 two-state target, 2,896개 receptor–binder complex로 구성된 벤치마크와 SE(3)-invariant interface graph transformer $Q_\theta$를 제시했으며, 8개 held-out OOD target에서 평균 상관계수 $\bar\rho=0.520$을 달성한 반면 모든 energy 기반 baseline은 균일하게 실패했다.
2. 순환성 통제 검증: cross-target specificity, per-target apo rejection과 같은 구조적 통제, 그리고 ProteinMPNN log-likelihood, Boltz-2 ipTM, AlphaFold 3 ipTM, Rosetta InterfaceAnalyzer 등 $Q_\theta$-독립적 지표를 통해 선택성이 scoring artifact가 아닌 실제 conformational geometry에서 기인함을 확인했다.
3. 엔드투엔드 선택성 유도 설계: 15개 generator–guidance 조합 모두 8개 OOD target에서 양의 평균 selectivity를 달성했으며, TDS와 SMC가 가장 강력한 범용 가이드 전략으로 확인되었다. Calmodulin(CaM) 사례 연구에서 RFdiffusion과 Langevin refinement 결합 시 $\bar S_{cons}=+0.677$, 88% 설계 성공률을 달성했고, best-of-K reranking은 $K=10$에서 $\bar S=+0.885$에 도달하는 등 passive/active 전략의 상호보완성을 입증했다.
4. 실험적 검증: Calmodulin에 대한 실제 실험으로 de novo peptide가 holo 상태에는 결합하고 apo 상태에는 검출 가능한 결합이 없음을 확인하여 계산적 선택성 신호가 물리적 분자로 전이됨을 입증했다.

How

Figure 3. Qθ conformational selectivity and CaM selectivity design. (a) Cross target selectivity matrix between Source T

• 각 receptor–binder complex를 8Å cutoff 내 inter-chain Cα contact 기준으로 interface-proximal residue만 포함하는 sparse interface graph $G=(V,E)$로 표현
• 노드 특징으로 아미노산 정체성(one-hot), backbone torsion(φ,ψ,ω의 sine/cosine), sidechain torsion(χ1,χ2) 등을 인코딩
• 모든 inter-residue 기하 정보(거리, 방향, 상대 방향)를 residue-local frame(Gram-Schmidt로 구성된 (N,Cα,C) triplet 기반)으로 표현하여 SE(3)-invariance 보장: $Q_\theta(gX,gY)=Q_\theta(X,Y)$
• Phase 1: DockQ를 supervision signal로 사용해 interface quality를 예측하도록 학습(퇴화 해 방지)
• Phase 2: paired contrastive supervision으로 $Q_\theta(X_1,Y) \gg Q_\theta(X_0,Y)$가 되도록 conformational discrimination 부여
• Selectivity margin $\Delta Q = Q_\theta(X_1,Y)-Q_\theta(X_0,Y)$를 정의하고, 이를 기반으로 best-of-K reranking(passive) 또는 Langevin backbone refinement, sequential Monte Carlo(SMC), TDS 등 gradient 기반 active guidance(classifier-guidance 기법 응용)로 생성 과정을 조정
• RFdiffusion, PXDesign, BindCraft 등 다양한 backbone generator에 재훈련 없이 결합하여 15개 generator-guidance 조합으로 검증
• Calmodulin에서 실제 peptide 합성 및 결합 실험으로 계산 결과 검증

Originality

• Binder 설계를 affinity 최적화에서 conformational selectivity라는 새로운 축으로 확장한 최초의 체계적 프레임워크
• Generator와 scorer를 완전히 분리하여, 하나의 미분 가능한 selectivity scorer가 임의의 backbone generator에 재훈련 없이 passive/active 방식으로 결합 가능하다는 모듈성 설계
• Interface geometry 학습(Phase 1, DockQ 기반)과 conformational discrimination(Phase 2, contrastive)을 분리한 두 단계 커리큘럼을 통해 퇴화 해를 방지하는 학습 전략
• 15개 단백질군, 65개 two-state target을 포괄하는 conformational selectivity 전용 벤치마크를 최초로 구축
• 순환성(circularity) 문제를 다수의 독립적 구조 지표와 통제 실험으로 검증하여 학습된 선택성이 실제 conformational geometry에서 기인함을 입증

Limitation & Further Study

• 실험적 검증이 calmodulin이라는 단일 target에 국한되어 있어, kinase나 GPCR과 같이 abstract에서 언급한 다른 allosteric target군에 대한 일반화 여부는 추가 검증이 필요함
• 벤치마크가 두 conformational state(apo/holo)만을 다루는 이분법적 설정으로, 실제로는 다중 안정 상태(multi-state) 또는 연속적 conformational ensemble을 갖는 단백질에는 직접 적용이 어려울 수 있음
• $Q_\theta$가 backbone-only 정보에 기반하므로, sidechain 수준의 미세한 결합 특이성이나 유연한 loop 영역의 동적 특성을 완전히 포착하지 못할 가능성이 있음
• Best-of-K reranking과 Langevin refinement 등 여러 guidance 전략의 계산 비용 및 확장성에 대한 정량적 비교(특히 대규모 K에서)가 제한적으로 제시됨
• 후속 연구로는 다중 상태 확장, 더 많은 target family에 대한 실험적 wet-lab 검증, sidechain-aware scorer로의 확장이 필요함

Evaluation

총평: Conformational selectivity를 학습 가능한 속성으로 정립하고 이를 generator-agnostic한 scorer로 구현한 최초의 체계적 프레임워크로, 계산적 검증과 실제 wet-lab 검증(calmodulin)을 모두 갖춘 완성도 높은 연구이나 검증 대상의 다양성 확대가 향후 과제로 남아있다.