Cross-Chirality Generalization by Axial Vectors for Hetero-Chiral Protein-Peptide Interaction Design

Motivation

• Known: D-peptide binder는 protease 저항성과 낮은 면역원성 등 치료적 이점이 있으며, 전통적으로 mirror-image display를 통해 발견되지만 D-protein target 합성의 어려움으로 실제 적용이 제한적이다. 최근 machine learning 기반 peptide binder 설계가 발전했지만 대부분 L-L homo-chiral interface에 집중되어 있다.
• Gap: 기존 E(3)-equivariant 기반 peptide 생성 모델들은 chirality를 명시적으로 모델링하지 않아 homo-chiral 복합체 생성에만 국한되며, D-peptide binder 설계를 위한 hetero-chiral(D-L) 생성으로의 일반화가 불가능하다. 유일한 선행 시도인 D-Flow도 실험적(wet-lab) 검증이 부재하다.
• Why: D-peptide binder는 반감기 연장과 면역원성 감소 등으로 치료제 개발에 중요한 잠재력을 가지지만, 이를 생성형 AI로 de novo 설계하고 실험적으로 검증한 사례가 전무했기 때문에, chirality를 다루는 새로운 관점을 제공하는 이 연구는 단백질 설계 분야에서 중요한 의미를 가진다.
• Approach: scalarization 기반 E(3)-equivariant 모델의 polar vector feature에 spatial inversion에 불변인 axial feature를 주입하는 AFI(Axial Feature Injection) 기법을 이론적으로 분석하고, 이를 latent diffusion model에 구현하여 D-peptide binder를 생성하는 PepMirror를 개발했다.

Achievement

Figure 5. The identified D-peptide binder against CD38. Left: Complex structure of D-1412 and CD38 generated by PepMirro

1. AFI(Axial Feature Injection) 제안: E(3)-equivariant model을 chirality에 민감한(SE(3)-equivariant) 모델로 변환하는 plug-and-play 방법을 제시했다.
2. 이론적 분석과 latent space 검증: AFI를 적용한 encoder model의 latent representation을 분석하여, 서로 다른 chirality를 가진 residue가 다르지만 유사한 latent representation을 가짐을 수치적으로 확인했다.
3. PepMirror 프레임워크 구축: AFI 기반의 실험적으로 검증된 de novo D-peptide binder 설계 프레임워크를 제시하고, in silico 벤치마크에서 기존 도구 대비 우수한 성능을 보였으며 wet-lab 검증(CD38 표적 등)을 통해 실효성을 입증했다.

How

Figure 4. Left: t-SNE of 20 types of amino acids including both L and D chirality. As t-SNE cannot keep distance, we plo

• 3D atom coordinates와 atom-type으로 구성된 point cloud graph로 단백질을 표현하고, L-protein target을 spatial inversion하여 D-target으로 변환한 뒤, 생성된 L-peptide binder를 다시 inversion하여 D-peptide binder를 얻는 mirror-image 전략을 채택했다.
• scalarization 기반 E(3)-equivariant model(H(X): invariant scalar feature, V(X): equivariant vector feature)에 spatial inversion에 대해 불변인 axial vector feature(예: commutator feature로 두 벡터 간 각도의 고주파 정보 포착)를 주입하여 chirality-aware하고 spatial inversion에 안정적인 representation을 구성했다.
• 이 AFI 기법을 AFI-EPT라는 encoder에 적용하고 latent diffusion model(PepMirror)의 기반으로 사용하여 homo-chiral 학습 데이터만으로 hetero-chiral 생성 task에 대한 zero-shot generalization을 달성했다.
• t-SNE 및 latent-code distance 분석으로 L/D 아미노산 간 latent representation의 chirality 인식 여부를 검증했다.
• in silico benchmark 비교와 CD38 표적에 대한 wet-lab 실험으로 실제 binder 활성을 검증했다.

Originality

• E(3)-equivariant vector feature에 axial feature를 주입하는 AFI라는 경량화된 방법으로 chirality-awareness를 구현한 점이 기존 SphereNet, ChIRo, ChiENN, GCPNet 등의 chirality-aware 모델과 차별화되며, representation theory 기반의 고비용 모델(Tensor Field Networks, SE(3)-Transformers) 대비 효율적이다.
• homo-chiral(L-L) 데이터만으로 학습하여 hetero-chiral(D-L) 생성이라는 zero-shot generalization 문제로 정식화하고 이론적으로 분석한 점이 독창적이다.
• D-peptide binder de novo 설계를 위한 최초의 wet-lab 검증 생성형 AI 모델이라는 점에서 실험적 실증의 독창성이 있다.

Limitation & Further Study

• wet-lab 검증이 CD38 등 제한된 수의 표적에 대해서만 수행되어 다양한 target class에 대한 일반화 가능성은 추가 검증이 필요하다.
• mirror-image 전략은 spatial inversion과 reflection이 chirality 비교에서는 동일하다는 가정에 의존하는데, 실제 단백질 구조의 복잡한 side-chain 상호작용에서 이 근사가 항상 유효한지는 추가 연구가 필요하다.
• D-Flow 외에 비교 가능한 baseline이 부족하여 성능 비교의 폭이 제한적이며, 향후 다양한 hetero-chiral 설계 태스크(D-D, 복합 chirality 등)로의 확장이 필요하다.
• axial feature injection의 이론적 분석이 특정 scalarization 기반 아키텍처에 국한되어 있어 다른 유형의 equivariant architecture로의 일반화 가능성에 대한 추가 검토가 필요하다.

Evaluation

총평: chirality를 명시적으로 다루지 못했던 기존 equivariant 단백질 설계 모델의 한계를 이론적으로 분석하고 경량화된 방법(AFI)으로 해결하여, D-peptide binder de novo 설계를 wet-lab까지 검증한 최초의 사례로서 이론과 실험 양면에서 높은 완성도를 보이는 연구이다.