De Novo Generation of Odorant Molecules with Targeted Olfactory Receptor Activation Patterns

Motivation

• Known: 기존 odorant 생성 연구는 하나의 수용체에 대한 결합 친화도 최적화나 알려진 odorant와의 유사도 최적화 같은 단일 목표(single-target objective)에 집중해 왔으며, REINVENT 계열의 RL 기반 SMILES 생성기와 augmented memory 등 sample efficiency를 높이는 기법들이 발전해 왔다.
• Gap: 단일 수용체 최적화는 의도치 않은 다른 수용체의 동시 활성화를 무시하여 실제로는 전혀 다른 냄새 지각을 만들어낼 수 있으며, 일부는 활성화하고 일부는 억제해야 하는 다중 수용체 selectivity profile을 직접 타겟팅하는 연구는 거의 없었다.
• Why: Odor perception이 수용체 앙상블 활성화 패턴으로 인코딩된다는 생물학적 메커니즘을 그대로 반영해 분자를 설계하면, 원하는 냄새 지각을 보다 정밀하게 재현하는 향료·조향(fragrance) 분자 설계에 직접적으로 기여할 수 있다.
• Approach: 20개 OR에 대한 panoramic binding matrix를 구축하고 이를 클러스터링하여 대표적인 activation pattern을 발굴한 뒤, pairwise ranking·distribution matching·complexity constraint를 결합한 structured selectivity loss로 RL 기반 SMILES 생성기를 목표 프로파일 쪽으로 유도한다.

Achievement

Figure 4. Training curves comparing three reward formulations across all nine profiles (mean ± std shaded, 3 seeds each)

복잡도가 다른 9개의 target profile에서 18,000회의 oracle call 이내에 높은 predicted selectivity를 달성했으며, 특히 사전분포(prior)에서 드물게 나타나는 broad-spectrum 및 sparse-activator 타겟에서 가장 큰 성능 향상을 보여 profile 복잡도와 최적화 난이도 사이의 "designability gradient"를 규명했다.

How

Figure 2. Training curves (structured loss, mean ± std, 3 seeds)

• ProtBERT로 인코딩한 receptor embedding과 MPNN(다중헤드 attention 포함) 기반 분자 그래프 표현을 cross-attention으로 결합한 dual-stream binding predictor를 M2OR 데이터셋(566개 수용체)으로 학습, 20개 수용체 패널에 대한 fr(m) 오라클로 사용
• 6,000개 분자를 pretrained generator에서 샘플링(유효 분자 5,816개)해 20개 수용체에 대한 binding matrix B∈R^5816×20 구축
• k-means clustering으로 K개의 대표 activation prototype 발굴, temperature-scaled cosine similarity로 soft-assignment 수행
• LSTM 기반 RNN SMILES 생성기를 receptor pocket embedding으로 조건화하고, ON/OFF ranking + response-distribution matching + activation-complexity matching으로 구성된 structured selectivity reward로 RL fine-tuning (augmented memory로 sample efficiency 개선)
• Lagrangian constrained variant를 추가로 탐색하여 단순 profile에서의 가속 가능성과 복잡한 다중 제약 조건에서의 불안정성을 비교 분석

Originality

• Odorant 생성을 단일 수용체 결합 최적화가 아닌 multi-receptor activation profile 매칭 문제로 재구성한 최초 시도 중 하나
• ON/OFF pairwise ranking, distribution matching, complexity 제약을 결합한 structured selectivity objective를 제안해 휴리스틱 reward engineering의 원칙적 대안 제시
• Panoramic profiling과 클러스터링을 통해 자연 발생 activation pattern을 발견하고 이를 생성 타겟으로 활용하는 파이프라인 설계
• 9개 다양한 복잡도의 profile에 대한 체계적 평가를 통해 "designability gradient" 현상을 실증적으로 발견

Limitation & Further Study

• Binding predictor의 검증이 무작위 negative sampling에 기반한 근사적 surrogate metric에 불과하며, 실제 실험적 결합 검증(wet-lab validation)이 이루어지지 않음
• 수용체별 예측 성능 편차가 크고(specialist 수용체는 AUROC>0.91, promiscuous 수용체는 0.58~0.66), 이는 downstream selectivity reward의 신뢰도에 영향을 줄 수 있음
• 평가 대상이 20개 수용체로 제한되어 있어 실제 약 400개 인간 OR 전체의 combinatorial code를 반영하지 못함
• Lagrangian constrained variant는 복잡한 다중 제약 목표에서 불안정한 것으로 나타나 추가적인 최적화 기법 연구가 필요
• 생성된 분자의 실제 냄새 지각(perceptual outcome)에 대한 실험적 후속 검증이 필수적

Evaluation

총평: Odor coding의 combinatorial 특성을 생성 모델 설계에 직접 반영한 참신하고 생물학적으로 잘 동기부여된 접근이나, binding predictor의 검증 한계로 인해 결과 해석에는 신중함이 필요하며 실험적 검증이 뒤따라야 완성도가 높아질 연구이다.