APCyc: 특성 기반의 자동 고리화 기술을 이용한 순환 펩타이드 설계

APCyc: Property-Informed Design of Cyclic Peptides via Automated Cyclization

순환 펩타이드는 현대적인 약물 개발 분야에서 유망한 치료 물질로, 종종 향상된 안정성과 결합 친화력을 제공합니다. 그러나 새로운 순환 펩타이드의 설계는 여전히 어려운 과제이며, 기존 방법은 약물의 특성에 적합한 고리화 패턴과 연결 부위를 파악하는 동시에 약물 관련 특성을 제어해야 합니다. 특히, 선형 펩타이드 데이터로 주로 학습된 최근 생성 모델은 순환화에 특수한 제약을 제대로 반영하지 못할 수 있다는 문제가 있습니다. 이러한 한계를 해결하기 위해, 우리는 목표 물질에 대한 정보를 활용하여 새로운 순환 펩타이드를 생성하는 프레임워크인 APCyc를 소개합니다. APCyc는 고리화를 명시적으로 모델링하고, 여러 가지 필수적인 물리화학적 특성을 동시에 최적화합니다. 확장된 잔기 어휘와 고리화 부위 및 연결 유형 정보를 명시적으로 인코딩함으로써, APCyc는 순환화에 대한 지식을 학습하고, 베이지안 후류 가이드를 활용하여 다양한 특성 목표를 만족하는 순환 펩타이드 생성 과정을 안내합니다. 실험 결과는 우리 모델이 표적 물질에 따라 달라지는 고리화 선호도를 학습하며, 순환 펩타이드 설계에서 효과적이고 제어 가능한 다중 특성 최적화를 가능하게 한다는 것을 보여줍니다. 이 논문의 소스 코드는 https://github.com/HKUSTGZ-ML4Health-Lab/APCyc 에서 확인할 수 있습니다.

Cyclic peptides represent a promising class of therapeutic compounds in modern drug discovery, often offering improved stability and binding affinity. However, the de novo design of cyclic peptides remains challenging because methods must identify pocket-adaptive cyclization patterns and linkage sites while simultaneously controlling drug-relevant properties. This challenge is particularly pronounced for recent generative models trained predominantly on linear peptide data, which may fail to capture cyclization-specific constraints. To address the limitation, we introduce APCyc, a target-aware de novo cyclic peptide generation framework that explicitly models cyclization and jointly optimizes multiple essential physicochemical properties. By using an expanded residue vocabulary and explicitly encoding cyclization-site and linkage-type information, APCyc learns cyclization-aware representations and leverages Bayesian posterior guidance to steer sampling toward cyclic peptides satisfying multiple property objectives. Experimental results demonstrate that our model learns target-dependent cyclization preferences, and enables effective and controllable multi-property optimization for cyclic peptide design. The source code of this paper is available at https://github.com/HKUSTGZ-ML4Health-Lab/APCyc.