Flexibility-Aware Geometric Latent Diffusion for Full-Atom Peptide Design

Motivation

• Known: 기존 diffusion 기반 펩타이드/분자 설계는 원본 구조 공간에서 직접 diffusion을 수행하는 방식(EDM, GeoDiff, DiffDock 등)과 latent space로 인코딩 후 diffusion을 수행하는 방식(GeoLDM, PepGLAD, dyMEAN 등)으로 나뉘며, 각각 구조 분포 학습과 효율적 표현에서 강점을 보여왔다.
• Gap: 기존 equivariant encoder는 고정된 기하학적 처리 방식을 사용해 펩타이드 결합 인터페이스의 local flexibility와 scale variation을 제대로 포착하지 못하고, 서열-구조 결합을 정적으로 처리하는 latent 모델은 선형 prior 가정 하에서 conformational 변화를 표현하지 못하며, 기존 diffusion 모델은 timely geometric feedback이 없어 sampling trajectory가 물리적으로 타당한 에너지 경관에서 벗어나는 문제가 있다.
• Why: 펩타이드는 유연하고 얕은 결합 인터페이스에 적합한 치료 후보물질로서 중요성이 커지고 있으나, 그 강하게 결합된 sequence-structure 관계와 conformational flexibility를 동시에 다루는 설계 프레임워크의 부재가 실제 신약 개발 응용에서 설계 품질과 결합 친화도(binding affinity)를 제한하는 핵심 병목이다.
• Approach: FlexEGNN을 통해 flexibility에 민감한 equivariant 구조 인코딩을 수행하고, SSBIM과 nonlinear latent-variable kernel로 서열-구조 간 동적 상호작용을 반영하는 연속적인 latent conformational manifold를 형성한 뒤, TDEG 메커니즘으로 확산 과정에서 노이즈 단계에 따라 물리적 제약을 점진적으로 강화하여 물리적으로 타당한 full-atom 구조로 샘플링을 유도한다.

Achievement

Figure 3. ∆G of models under different peptide characteristics on PepBench.

1. FlexEGNN 기반 flexibility-aware 구조 인코딩: 학습 가능한 flexibility-modulation 및 channel-modulation 메커니즘을 통해 local flexibility와 spatial scale에 따라 상호작용 강도를 적응적으로 조절하는 equivariant encoder를 제시했다.
2. 서열-구조 양방향 결합 latent space (SSBIM): nonlinear latent mapping과 결합하여 multimodal conformational 분포를 포착하고 연속적이고 현실적인 conformational manifold를 형성했다.
3. 시간 의존적 에너지 유도 diffusion (TDEG): 고노이즈 단계에서는 다양성을 촉진하고 노이즈가 감소함에 따라 물리적 제약을 점진적으로 강화하여 exploration과 convergence를 균형있게 조절했다.
4. 다중 벤치마크 실험 검증: PepBench 등 여러 peptide design 과제에서 binding affinity(∆G)와 design success rate 개선을 입증했다.

How

Figure 2. (a) Overall architecture of PepFGLD. (b) The detail of Flex-VAE. (c) The detail of TDEG.

• Full-atom geometric graph Ga와 channel-augmented residue graph Gaa를 정의하여 원자 및 잔기 수준의 구조를 표현.
• FlexEGNN에서 학습 가능한 flexibility-modulation 메커니즘으로 local flexibility 및 spatial scale에 따라 상호작용 강도를 적응적으로 조정하고, multi-channel geometric representation에 channel modulation을 적용해 sequence semantics와 conformational state에 따른 coordinated update를 수행.
• Flex-VAE 구조를 통해 SSBIM(Bidirectional Sequence-Structure Interaction Module)과 nonlinear latent-variable kernel을 결합, sequence와 구조 정보를 latent space에서 상호 반영하도록 인코딩.
• TDEG 메커니즘을 diffusion process에 통합하여 noise level에 따라 물리적 에너지 기반 guidance의 강도를 시간 의존적으로 조절, high-noise 단계에서는 weak constraint로 exploration을 촉진하고 low-noise 단계에서는 constraint를 강화해 convergence를 유도.
• PepBench 등 벤치마크에서 receptor-conditioned peptide generation task에 대해 ∆G, success rate 등의 지표로 평가하고 ablation study를 통해 각 모듈의 기여도를 분석.

Originality

• 기존 static equivariant encoder와 달리 local flexibility와 spatial scale에 반응하는 학습 가능한 modulation 메커니즘을 도입한 FlexEGNN을 제안하여 flexibility-aware 구조 인코딩이라는 새로운 관점을 제시했다.
• 서열-구조 관계를 정적 결합이 아닌 양방향 상호작용(SSBIM)과 nonlinear latent mapping으로 모델링하여 conformational manifold의 표현력을 향상시켰다.
• Diffusion 과정에 시간 의존적 에너지 guidance(TDEG)를 결합하여 noise schedule에 따라 exploration과 physical feasibility 간 균형을 명시적으로 제어하는 방식은 기존 latent diffusion 프레임워크(GeoLDM, PepGLAD 등)에서 다루지 않은 참신한 결합이다.

Limitation & Further Study

• FlexEGNN, SSBIM, TDEG 등 여러 모듈이 결합된 복잡한 파이프라인으로 인해 계산 비용 및 학습 안정성에 대한 상세한 분석이 부족할 수 있다.
• 에너지 함수의 구체적 정의와 그 물리적 타당성에 대한 검증이 제한적이며, 특정 force-field나 energy model에 대한 의존성이 일반화 성능에 영향을 줄 수 있다.
• 벤치마크(PepBench 등)에 국한된 평가로, 실제 wet-lab 검증이나 다양한 receptor class에 대한 일반화 가능성은 추가 검증이 필요하다.
• 후속 연구로는 에너지 guidance의 이론적 수렴성 분석, 더 다양한 receptor-peptide 시스템에 대한 실험적 검증, 계산 효율성 개선 등이 필요하다.

Evaluation

총평: 펩타이드의 유연성이라는 핵심 문제를 체계적으로 분석하고 이를 encoder, latent space, diffusion process 세 단계 모두에서 일관되게 다룬 견고한 프레임워크로, full-atom peptide design 분야에서 실질적인 성능 개선을 보여주는 의미 있는 연구이다.