ConTact: Contact-First Antibody CDR Design via Explicit Interface Reasoning

Motivation

• Known: 기존 antibody CDR design 방법들(MEAN, dyMEAN, RAAD, DiffAb 등)은 antigen structure를 조건으로 CDR sequence와 backbone conformation을 생성하며, equivariant GNN이나 diffusion 기반 message passing을 통해 antigen 정보를 uniform하게 전파한다.
• Gap: 여러 연구에서 antigen을 제거해도 예측이 거의 변하지 않고 BLOSUM substitution matrix가 학습된 likelihood만큼 출력을 잘 설명한다는 것이 밝혀졌으며, 이는 contact 식별(where)과 amino acid 선택(what)이라는 두 다른 하위 문제를 단일 prediction head가 conflate하여 uniform message passing으로 암묵적으로 학습하게 만드는 아키텍처적 결함 때문이라고 저자들은 주장한다.
• Why: CDR-antigen interface는 본질적으로 sparse하여(CDR-H3 길이 10-25 중 5-15개만 contact) contact position에 학습 용량을 집중시키는 것이 결합 특이성을 결정하는 데 중요하며, 이를 명시적으로 모델링하면 antigen 정보가 실제로 활용되지 않는 기존 방법의 근본 한계를 해결할 수 있다.
• Approach: surface complementarity fingerprint 학습, CDR-antigen contact 예측, contact-gated antigen feature injection이라는 세 단계로 CDR design을 명시적으로 cascade하는 encoder-decoder 아키텍처를 제안하고, distance-biased cross-attention과 contact-weighted cross-entropy loss로 기하학적 prior와 gradient 집중을 유도한다.

Achievement

Figure 1. CONTACT architecture. The encoder maps residue features through a GNN to produce per-residue embeddings and

1. Contact-first paradigm 제안: 기존 CDR design 아키텍처의 구조적 한계(contact identification과 sequence prediction의 conflation)를 규명하고, 이를 세 단계 명시적 cascade로 분해하는 새로운 설계 패러다임을 제시했다.
2. Contact-gated injection 메커니즘: 예측된 contact confidence에 따라 antigen 정보를 CDR의 binding-relevant position에만 선택적으로 라우팅하여 먼 antigen residue로부터의 noise를 차단하는 메커니즘을 도입했다.
3. CHIMERA-Bench에서의 성능 입증: 모든 split에서 가장 낮은 backbone RMSD(최고 baseline 대비 5-6% 개선)를 달성했고, antigen-fold 및 temporal split에서 최고의 fraction of native contacts(fnat), interface RMSD, epitope F1을 기록했으며, 더 어려운 epitope-group split에서도 경쟁력 있는 성능을 보였다.

How

Figure 1. CONTACT architecture. The encoder maps residue features through a GNN to produce per-residue embeddings and

• Antibody-antigen complex를 heterogeneous graph G=(V,E)로 표현: heavy chain(VHC), light chain(VLC), antigen(VA) residue node, 3개의 global delimiter token(BOH, BOL, BOA), 그리고 virtual node(Vvn)로 구성
• 10가지 typed edge subset(radial, sequential, KNN, inter-chain radial/KNN, global-to-chain, virtual node edge 등)으로 구조적 관계를 인코딩
• Virtual node가 epitope과 CDR residue 모두에 양방향으로 연결되어 two-hop shortcut을 형성, over-squashing 문제 완화
• 1단계: 각 CDR position의 local binding environment를 특징짓는 surface complementarity fingerprint 학습 (MaSIF에서 영감)
• 2단계: supervised contact predictor로 CDR-antigen contact 여부 예측
• 3단계: predicted contact confidence로 gating된 local antigen feature를 CDR representation에 선택적으로 주입
• distance-biased cross-attention module로 공간적 이웃을 우대하는 기하학적 inductive bias 부여
• contact-weighted cross-entropy loss로 contact로 식별된 position에 gradient 신호를 집중

Originality

• Contact 식별(where)과 amino acid 선택(what)을 별개의 하위 문제로 명시적으로 분해한다는 문제 제기 자체가 기존 연구와 차별화되는 프레이밍이다.
• MaSIF-seed, RFdiffusion+ProteinMPNN과 같은 predict-then-design 패러다임을 residue-contact 수준에서 적용하되, 별도 파이프라인이 아닌 단일 differentiable 아키텍처 내에서 end-to-end로 contact prediction과 sequence design을 수행한다는 점에서 독창적이다.
• Contact-gated injection과 contact-weighted cross-entropy loss라는 두 가지 메커니즘을 결합하여 antigen signal을 binding-critical position에 집중시키는 구체적 구현이 새롭다.
• Virtual node를 이용한 epitope-CDR two-hop shortcut을 통해 over-squashing 문제를 CDR design 맥락에서 다룬 점도 특징적이다.

Limitation & Further Study

• epitope-group split(가장 어려운 split으로 추정)에서는 경쟁 수준에 그쳐, 완전히 새로운 epitope 그룹에 대한 일반화 능력에는 한계가 있어 보인다.
• 본문 발췌에는 contact predictor 자체의 정확도나 오류가 downstream sequence/structure 예측에 미치는 영향에 대한 분석이 명확히 드러나지 않아, contact 예측이 부정확할 경우의 실패 모드(예: false negative contact로 인한 정보 손실)에 대한 후속 연구가 필요하다.
• CHIMERA-Bench라는 단일 벤치마크에 의존하고 있어 다양한 antigen class나 실제 실험적 검증(binding affinity assay 등)으로의 일반화가 추가로 요구된다.
• Diffusion/flow 기반 최신 방법(AbFlowNet, FlowDesign 등)과의 직접적 통합이나 비교가 제한적으로 보이며, contact-first decomposition을 이러한 생성 패러다임에 통합하는 것이 향후 과제로 남아있다.

Evaluation

총평: Antigen conditioning이 실제로 활용되지 않는다는 잘 알려진 문제에 대해 명확한 아키텍처적 원인 진단과 구체적이고 실행 가능한 해결책(contact-then-act 분해)을 제시했으며, CHIMERA-Bench에서 일관된 성능 향상을 보인 점에서 실용적 기여도가 높은 연구다.