CPgen: Heterochiral Cyclic Peptide Ensemble Generation and Ensemble-Based Sequence Design

Motivation

• Known: 기존 연구에서는 AlphaFlow, BioEmu, ESMAdam, RINGER, StrEAMM 등 단백질 또는 cyclic peptide conformer ensemble 생성 모델과 ProteinMPNN, ESM-IF 등 단일 구조 기반 inverse folding 방법이 각각 발전해왔으며, La-Proteina의 partially latent flow matching framework는 linear protein에 대해 sequence와 all-atom 구조를 동시 생성하는 데 사용되었다.
• Gap: 기존 cyclic peptide ensemble 생성 모델들은 linear chain topology를 가정하거나 side-chain 생성, 조건부 설계, 가변 길이, heterochirality(D-amino acid) 지원이 결여되어 있었고, ensemble 분포(단일 구조가 아닌)로부터 sequence를 역설계하는 방법 또한 부재했다.
• Why: Cyclic peptide의 막투과성, 결합 친화도 등 치료적 특성은 단일 구조가 아닌 conformational ensemble에 의해 결정되며(ensemble-activity relationship), D-amino acid 등 nonstandard residue를 동등하게 다루면서 ensemble 정보로부터 직접 sequence를 설계할 수 있는 빠르고 정확한 all-atom 생성기는 고처리량 치료제 스크리닝에 필수적이다.
• Approach: La-Proteina의 이중 단계 구조(VAE + joint flow matching denoiser)를 채택하여 Cα 좌표와 per-residue latent variable의 결합 공간에서 flow matching을 수행하고, sequence·Cα 좌표·ϕ,ψ-backbone distribution 중 하나로 multi-modal classifier-free guidance 조건화를 적용하며, 39종 아미노산(L/D/Glycine) vocabulary와 가변 길이(6-12 residue) 구조로 heterochiral cyclic peptide를 지원한다.

Achievement

Figure 2. Per-residue Ramachandran plots for the top-2 9-mer ensemble generation test results: ERPFGMHtG (top) and NNlAQ

1. 빠른 sequence 조건 ensemble 생성: 단일 GPU에서 1,000-conformer ensemble을 12-25초에 생성(Rosetta 대비 80-1,200배 빠름)하며 0.52의 Ramachandran cosine similarity를 달성해 고처리량 스크리닝을 가능케 함.
2. Ensemble 기반 sequence 설계: ϕ,ψ-backbone distribution 조건화만으로 residue identity의 약 90%(12-mer는 100%)를 복원, 정적 단일 구조가 아닌 conformational ensemble 분포로부터 sequence 추론이 가능함을 입증.
3. Native D-amino acid 지원: 39-type vocabulary(20 L + 19 D)로 명시적인 chirality-aware 설계 없이도 학습만으로 올바른 mirror-image backbone 선호도가 나타남을 확인.

How

Figure 1. CPGEN consists of an encoder and decoder (A), and joint denoiser (B). The encoder predicts per-residue latent

• Stage 1 (VAE): Atom37 표현의 all-atom 좌표와 sequence를 8개의 pair-bias attention transformer layer로 인코딩하여 per-residue latent z∈R^{n×8}(diagonal Gaussian)로 압축, decoder는 z와 Cα 좌표로부터 39-type sequence logit과 all-atom 좌표를 재구성.
• Stage 2 (Flow matching denoiser): Cα 좌표와 latent variable의 joint space에서 flow matching을 수행하며, sequence s, 참조 Cα 좌표 x_ref, per-residue ϕ,ψ-backbone distribution R∈R^{n×36×36} 중 하나를 multi-modal classifier-free guidance로 조건화.
• 데이터셋: Rosetta 기반 conformer sampling으로 약 7,000개의 heterochiral sequence(39종 아미노산 포함)에 걸쳐 약 7M개의 conformer를 생성하여 학습에 사용.
• 평가: sequence 조건 생성 시 target ϕ,ψ-backbone distribution과의 Ramachandran cosine similarity 측정, ϕ,ψ-distribution 조건 생성 시 residue identity 복원율(recovery rate) 측정, D-amino acid 포함 sequence에 대한 mirror-image backbone 분포 검증(12-state 클러스터 결정 경계 분석 포함).

Originality

• La-Proteina의 partially latent flow matching framework를 linear protein에서 heterochiral cyclic peptide로 최초 확장한 시도로, cyclic topology와 D-amino acid를 동시에 다룸.
• 단일 정적 구조가 아닌 conformational ensemble 분포(ϕ,ψ-backbone distribution)를 조건 신호로 사용하는 multi-modal classifier-free guidance를 도입하여, ensemble 기반 역설계(inverse design)라는 새로운 패러다임을 제시.
• D-amino acid를 post-hoc이 아닌 39-type vocabulary 내 동등한 지위로 통합하여 명시적 chirality-aware 설계 없이도 mirror-image 특성이 자연스럽게 학습됨을 보임.

Limitation & Further Study

• 평가 대상 peptide 길이가 6-12 residue로 제한되어 있어 더 긴 cyclic peptide나 복잡한 macrocycle에 대한 일반화 가능성이 검증되지 않음.
• 학습 데이터가 Rosetta 기반 conformer sampling으로 생성되어, Rosetta 자체의 force field 정확도 한계(reduced accuracy로 언급됨)에 의해 model 성능이 상한선을 가질 수 있으며 실제 실험적(NMR/X-ray) 또는 MD ensemble과의 비교 검증이 부족함.
• ϕ,ψ-backbone distribution 조건화의 sequence recovery율(~90%)이 길이가 늘어남에 따라 감소하는 경향(12-mer 100% 대비)이 있어, 더 긴 서열에서의 확장성에 한계가 있을 수 있음.
• N-methylation 등 다른 nonstandard modification(치료적으로 중요하다고 서두에 언급됨)은 다루지 않아 후속 연구로 확장이 필요함.

Evaluation

총평: La-Proteina framework를 heterochiral cyclic peptide 영역으로 성공적으로 확장하여 ensemble 생성과 ensemble 기반 역설계를 통합한 실용적이고 참신한 워크숍 논문이며, 치료적으로 중요한 D-amino acid를 자연스럽게 처리한 점이 특히 인상적이나 실험적 검증과 긴 서열로의 확장성 검증이 추가되면 더욱 완성도가 높아질 것이다.