아마존, AI 기반 항체 설계·평가 논문 3편 공개

아마존 Bio Discovery 팀이 단일클론항체 개발의 병목인 시간과 비용을 해결하기 위해 AI 기반 항체 설계 및 평가 프레임워크 관련 논문 3편을 공개했다. 기존 모델은 새로운 타겟에서 성능이 저하되는 한계가 있었으나, 이번 연구들은 보편적 예측과 실제 신약 개발 적용 가능성을 높이는 데 초점을 맞췄다.

상대적 결합 강도 예측기 MochiBind

첫 번째 연구는 MochiBind를 제안한다. 절대 결합 친화도 대신 동일 항원에 대한 두 항체 간 상대적 결합 강도를 예측하는 방식이다. ESM-2 단백질 언어 모델을 활용해 구조 입력 없이 서열만으로 임베딩을 생성하고, TrueSkill 알고리즘으로 전역 순위를 집계한다.

• 성능: AlphaBind 데이터셋(TIGIT, PD-1, HER2, SARS-CoV-1 RBD 등) 평가에서 구조 기반 베이스라인 대비 pairwise accuracy 평균 약 10% 우위를 달성했다.
• 효율성: CPU에서 20만 쌍을 약 13초 만에 스코어링하는 빠른 추론 속도를 보였다.

실험실 편차 보정하는 CA-MAP

두 번째 연구는 CA-MAP(Context-aware multi-property antibody predictor)이다. 실험실 간 측정 편차(batch effects)를 해결하기 위해 추론 시 컨텍스트를 활용하는 멀티모달 구조를 채택했다. MAMBA 기반 state space model을 사용하며, 시퀀스, 속성 이름, 수치 값을 각각 인코딩하여 통합한다.

• 배치 효과 대응: simulated batch effect 환경에서 standard fine-tuning은 상관관계가 0.58로 하락한 반면, CA-MAP은 0.99를 유지했다.
• Zero-shot 예측: 학습되지 않은 property도 context를 통해 예측 가능하며, 상관관계를 활용해 비싼 assay를 대체할 가능성을 시사한다.

신약 타겟 대상 Nanobody 설계

세 번째 연구는 소아암 타겟인 Desmoplastic small round-cell tumors의 세포 표면 단백질을 대상으로 한 de novo nanobody 설계다. 구조 정보가 없는 신규 타겟에 대해 에이전트 기반 워크플로우를 통해 hotspot을 추천하고, 생성 모델로 후보를 선별했다.

• 실험 검증: Yeast surface display screening 결과, 116개 후보 중 46개가 strong binder로 식별되었으며 무관한 단백질에 대한 결합은 0건으로 특이성을 확인했다.
• Lab-in-the-loop: 실험 데이터를 다음 설계 사이클의 학습 데이터로 활용하는 폐쇄 루프 워크플로우를 적용했다.