COMPASS: Decoupled Latent Steering for Protein Conformational Transitions

Motivation

• Known: AlphaFold 3와 같은 정적 구조 예측 모델은 단일 구조만 예측하며 conformational transition을 포착하지 못하고, BioEmu와 같은 unsteered ensemble model은 conformational space를 넓게 탐색하지만 특정 target state로의 방향성 제어가 불가능하다. 반면 Str2Str과 같은 direct 3D-coordinate guidance 방법은 전이를 가속화할 수 있지만 SE(3) 기하 제약을 위반하여 steric clash를 유발한다.
• Gap: 기존 방법들은 coverage(넓은 탐색)와 control(목표 지향성) 사이의 근본적 트레이드오프를 해결하지 못했으며, 좌표 공간에서 직접 guidance를 가하는 방식은 denoiser를 훈련 분포 밖으로 밀어내 기하학적 위반과 steric clash를 초래한다는 한계가 있다.
• Why: 단백질 기능은 Apo-Holo 전이와 같은 conformational transition에 의존하며, 이는 induced-fit binding 이해와 구조 기반 신약 개발에 직접적으로 중요하지만, 기하학적 무결성을 훼손하지 않으면서 방향성 있는 전이 경로를 생성하는 문제는 여전히 미해결로 남아있다.
• Approach: gradient를 3D 좌표(x_t)가 아닌 중간 anchor timestep에서의 conditional prior embedding에만 역전파하여 target-directed optimization과 structural inference를 분리(decouple)하고, 이후 수정되지 않은 clean reverse diffusion을 실행하여 steered ensemble을 생성한다.

Achievement

Figure 2. Latent Space PCA Projections across 8 Target Tran-

1. Target-reaching 효율 향상: 98개의 Apo-Holo transition pair 벤치마크에서 COMPASS는 unsteered baseline 대비 HR<1.0 Å 기준 최대 +42.9%의 target-reaching 효율 향상을 달성했으며, physical clash score를 저하시키지 않았다.
2. Cross-conformation exploration 효과 발견: Apo-targeted steering이 오히려 Holo hit rate를 26.5%에서 41.8%(1.0 Å 기준)로 크게 향상시키는 현상을 관찰했으며, 이는 base model의 내재된 Holo-sampling bias가 decoupled inference 하에서도 보존되기 때문으로 해석된다. 이는 COMPASS가 단일 endpoint로의 steering이 아니라 더 넓은 transition manifold를 활성화함을 시사한다.
3. Downstream generative docking 적용: 표준 및 ternary complex 벤치마크에서의 generative docking 실험을 통해 AF3 Holo 예측 대비 상보적인 구조적 coverage를 제공함을 보였다.

How

Figure 1. Overview of the COMPASS Framework. (a) The

• BioEmu(GVP-Transformer 기반 SE(3)-equivariant score model) 위에 구축되며, 4단계로 구성: (1) anchor state까지 partial denoising, (2) Tweedie's projection을 통한 latent optimization, (3) embedding update, (4) 업데이트된 embedding으로 조건화된 clean full-trajectory inference.
• Phase 1&2 (Prior Anchor Generation): t=1.0의 순수 Gaussian noise에서 DPM-Solver(25 NFE)로 t=0.5까지 partial denoising하여 anchor state를 확보. anchor timestep t*는 guidance 유형별로 5-fold cross-validation을 통해 결정되며, t∈{0.35,...,0.70} sweep 결과 성능이 이 범위에서 견고함을 확인.
• Phase 3 (Physics-Aware Latent Optimization): anchor state에서 Tweedie's formula로 clean structure 추정치 x̂0를 투영하고, 이를 Holo guidance structure와 비교해 gradient를 계산. 절대 3D 좌표 페널티 대신 Cα/virtual Cβ pairwise distance matrix에 대한 MSE loss와 backbone orientation loss(L_ori, 상대 회전행렬의 trace 최대화)를 사용하여 SE(3) invariance를 보존. 최적화 대상은 1D embedding에 대한 ∆single과 2D representation에 대한 ∆pair이며, L2 regularization(L_reg)으로 사전학습된 latent prior로부터의 과도한 이탈을 방지.
• Phase 4: 업데이트된 embedding으로 조건화된 수정되지 않은(clean) reverse diffusion을 재실행하여 steered ensemble 생성, 이는 좌표 수준 개입 없이 이루어짐.

Originality

• target-directed optimization과 structural inference를 명시적으로 분리(decouple)하여, gradient를 3D 좌표가 아닌 중간 anchor timestep의 conditional prior embedding에만 적용하는 새로운 설계를 제시.
• Diffusion Posterior Sampling(DPS) 및 Proteína-Complexa와 같은 test-time latent optimization 패러다임을 dynamic conformational transition 설정으로 확장.
• Apo-targeted steering이 오히려 Holo hit rate를 향상시키는 cross-conformation exploration 효과를 발견하고, 이를 base model의 내재된 sampling bias와 연결지어 해석한 점이 독창적.
• 98개의 고품질 Apo-Holo transition pair 벤치마크를 새롭게 curation.

Limitation & Further Study

• anchor timestep t*가 guidance 유형별로 cross-validation을 통해 별도로 결정되어야 하며, 완전히 범용적인 자동 선택 메커니즘은 제시되지 않음.
• BioEmu라는 특정 base model에 의존적인 구현으로, 다른 score-based diffusion 아키텍처로의 일반화 가능성에 대한 검증이 제한적일 수 있음(본문 발췌 기준).
• Holo-sampling bias에 기인한 cross-conformation exploration 효과가 관찰되었으나, 이 현상의 근본 메커니즘에 대한 심층적 이론적 분석이나 다양한 단백질 계열에 대한 일반화 검증이 추가로 필요함.
• TEMPO와 같은 최신 비교 대상은 공식 코드 미공개로 실증적 비교에서 제외되어 비교 대상이 제한적임.

Evaluation

총평: latent embedding steering을 통해 구조적 무결성과 목표 지향성 사이의 트레이드오프를 효과적으로 해소한 실용적이고 독창적인 접근으로, 특히 예상치 못한 cross-conformation exploration 효과의 발견이 흥미로우며 구조 기반 신약 개발에 실질적 기여를 할 수 있는 연구다.