단백질 디자인에서의 생성 모델링: 신경망 표현, 조건부 생성 및 평가 기준

Generative Modeling in Protein Design: Neural Representations, Conditional Generation, and Evaluation Standards

생성 모델링은 단백질 연구 분야에서 핵심적인 패러다임으로 자리 잡았으며, 머신 러닝을 구조 예측을 넘어 서열 디자인, 백본 생성, 역방향 폴딩 및 생체 분자 상호 작용 모델링으로 확장하고 있습니다. 그러나 문헌은 표현 방식, 모델 유형 및 작업 정의 측면에서 분산되어 있어, 방법론 간의 비교가 어렵고 적절한 평가 기준을 식별하기 어렵습니다. 본 연구는 단백질 연구 분야의 생성형 인공지능에 대한 체계적인 종합적인 분석을 제공하며, (i) 서열, 기하학적 및 다중 모드 인코딩을 포괄하는 기초 표현, (ii) SE(3) 등방성 확산, 플로우 매칭 및 하이브리드 예측-생성 시스템을 포함하는 생성 아키텍처, (iii) 구조 예측 및 de novo 디자인부터 단백질-리간드 및 단백질-단백질 상호 작용까지의 작업 설정을 중심으로 구성됩니다. 본 연구는 방법론을 단순 나열하는 것을 넘어, 가정, 조건부 메커니즘 및 제어 가능성을 비교하고, 누수(leakage)를 고려한 데이터 분할, 물리적 타당성 검사 및 기능 중심 벤치마크를 강조하는 평가 우수 사례를 종합합니다. 결론적으로, 우리는 다음과 같은 중요한 과제들을 제시합니다: (1) 구조적 동역학과 고유 불규칙 영역 모델링, (2) 효율성을 유지하면서 대규모 어셈블리로 확장, (3) 이중 용도 생물 보안 위험에 대한 견고한 안전 프레임워크 개발. 본 연구는 건축 기술의 발전과 실용적인 평가 기준, 그리고 책임감 있는 개발 고려 사항을 통합하여, 예측 모델링에서 신뢰할 수 있고 기능 중심적인 단백질 엔지니어링으로의 전환을 가속화하는 것을 목표로 합니다.

Generative modeling has become a central paradigm in protein research, extending machine learning beyond structure prediction toward sequence design, backbone generation, inverse folding, and biomolecular interaction modeling. However, the literature remains fragmented across representations, model classes, and task formulations, making it difficult to compare methods or identify appropriate evaluation standards. This survey provides a systematic synthesis of generative AI in protein research, organized around (i) foundational representations spanning sequence, geometric, and multimodal encodings; (ii) generative architectures including $\mathrm{SE}(3)$-equivariant diffusion, flow matching, and hybrid predictor-generator systems; and (iii) task settings from structure prediction and de novo design to protein-ligand and protein-protein interactions. Beyond cataloging methods, we compare assumptions, conditioning mechanisms, and controllability, and we synthesize evaluation best practices that emphasize leakage-aware splits, physical validity checks, and function-oriented benchmarks. We conclude with critical open challenges: modeling conformational dynamics and intrinsically disordered regions, scaling to large assemblies while maintaining efficiency, and developing robust safety frameworks for dual-use biosecurity risks. By unifying architectural advances with practical evaluation standards and responsible development considerations, this survey aims to accelerate the transition from predictive modeling to reliable, function-driven protein engineering.