EpiCoCo: De Novo Epitope Generation via MHC-Context Co-Modeling and Contrastive Affinity Guidance

Motivation

• Known: 기존 연구들은 peptide-MHC(pMHC) 결합을 모델링할 때 MHC를 고정된 template로 취급하며, 1D sequence 기반(DPLM-2 등) 혹은 rigid structural embedding 기반(PepFlow, PepMimic 등) 접근을 사용해왔다. 또한 대부분의 생성 모델은 binder 데이터만을 이용한 Positive-Only Learning으로 학습되어 왔다.
• Gap: MHC를 고정된 template으로 취급하는 기존 방식은 binding 과정에서 필수적인 induced-fit(구조적 co-adaptation)을 반영하지 못하며, Positive-Only Learning은 non-binder로부터의 discriminative signal을 무시하여 decision boundary가 불명확해지고 false-positive rate가 높아지는 문제가 있다.
• Why: 특정 환자의 MHC allele에 정확히 결합하는 고친화도 에피토프를 de novo로 설계하는 것은 암 neoantigen 백신 등 정밀 면역치료 개발의 핵심 병목이며, MHC-에피토프 co-adaptation과 negative 정보를 활용한 판별 신호를 통합하는 것은 생성물의 구조적 타당성과 결합 특이성을 동시에 담보하는 데 필수적이다.
• Approach: pMHC 복합체 전체를 하나의 동적 co-adaptive system으로 취급하는 joint E(3)-equivariant diffusion model을 제안하고, 연속적인 affinity label을 Affinity Soft Prompting(ASP)으로 학습에 반영하며, 추론 시에는 high-/low-affinity 분포 간 gradient 차이를 이용하는 Contrastive Affinity Guidance(CAG)로 생성 궤적을 고친화도 manifold로 유도한다.

Achievement

Figure 3. Visual analysis of pMHC co-modeling and generalization. (a) Sequence motif comparison between reference and ge

1. 결합 자유에너지 개선: EpiCoCo는 평균 binding free energy -45.20 REU를 달성하여 기존 state-of-the-art 대비 23% 개선을 보였다.
2. 구조적 타당성 유지: 평균 0.89 plDDT로 가장 높은 구조적 신뢰도를 유지하면서 고친화도 결합을 달성했다.
3. Negative-informed generation 능력: non-binder 데이터만으로 학습했음에도 고친화도 binder를 발견할 수 있는 능력을 보여, contrastive learning paradigm의 강건성과 일반화 능력을 입증했다.

How

Figure 2. Overview of the EpiCoCo framework. The model treats the pMHC complex as a dynamic, co-adaptive system via a jo

• pMHC 복합체를 joint 상태 Zt = [Xt, Ht]로 정의하고, Cartesian 좌표와 아미노산 특징에 variance-preserving diffusion을 적용하는 E(3)-equivariant graph diffusion model을 구축
• 학습 시 forward process가 전체 복합체(에피토프+MHC)에 동시에 Gaussian noise를 주입하여 구조와 서열을 함께 코디네이션하도록 학습
• 연속적인 binding affinity scalar s를 soft prompt 형태(Affinity Soft Prompting, ASP)로 Fourier positional encoding 및 정규화하여 노이즈 예측 네트워크에 주입
• 추론 시 AlphaFold3로 예측한 Apo-MHC 구조를 scaffold로 삼아 ZT = M ⊙ ZAF3 + (1-M) ⊙ ϵprior 형태로 초기화하고 reverse diffusion을 통해 에피토프와 MHC 구조를 함께 co-adapt 시킴
• Contrastive Affinity Guidance(CAG)에서 high-affinity와 low-affinity 조건 각각에 대한 예측 noise의 차이(ϵ_shigh − ϵ_slow)를 이용해 조합된 guidance signal ε̃_CAG = ε_shigh + γ(ε_shigh − ε_slow)를 구성, 이를 통해 생성 궤적을 고친화도 manifold로 밀어내고 저친화도 후보를 배제

Originality

• MHC를 정적 조건이 아닌 에피토프와 함께 co-adapt하는 동적 entity로 취급하여 joint E(3) graph 상에서 구조-서열을 동시 생성하는 최초의 프레임워크 제안
• 이산 IC50 라벨을 binary 분류로 단순화하지 않고 연속적인 affinity scalar를 soft prompt로 학습에 통합하는 Full-Spectrum Affinity Learning 전략 제시
• Classifier guidance 계열 아이디어를 확장하여 high-/low-affinity 두 분포의 gradient 차이를 활용하는 Contrastive Affinity Guidance(CAG)라는 추론 시 대조적 유도 메커니즘을 새롭게 설계

Limitation & Further Study

• CAG의 guidance scale γ에 대한 민감도(Figure 5)가 존재하여 하이퍼파라미터 튜닝에 따라 성능 변동 가능성이 있어 실제 적용 시 견고한 자동 튜닝 전략이 필요
• 결합 자유에너지(REU)와 plDDT 등 in silico 지표에 의존하고 있어 실제 wet-lab 검증(실험적 결합 친화도, 면역원성 등)이 추가로 요구됨
• MHC class I(예: HLA-E) 중심의 검증에 집중되어 있어 class II MHC나 다양한 allele에 대한 일반화 가능성은 추가 검증이 필요
• Apo-MHC 구조 예측(AlphaFold3 등)에 의존하는 초기화 방식이 예측 오차에 따른 downstream 생성 품질 저하 가능성을 내포

Evaluation

총평: pMHC co-adaptation과 negative-informed contrastive guidance를 결합한 참신하고 기술적으로 탄탄한 프레임워크로, 계산 면역치료 분야의 de novo 에피토프 설계에 의미 있는 진전을 제시하나 실험적 검증 확대가 향후 과제로 남는다.