ABOPD: 온 정책 증류를 이용한 항체 CDR 설계

ABOPD: Antibody CDR Design via On-Policy Distillation

항체는 중요한 치료 물질이며, 그 보완 결정 영역(CDRs)은 주요 항원 인식 인터페이스를 형성합니다. 최근의 단백질 생성 모델은 생분자 디자인에서 광범위한 능력을 보여주었지만, 훈련 후 하위 작업에 대한 전략은 여전히 제한적입니다. 일반적인 디노이징 훈련은 네이티브 구조를 교란시켜 얻은 잡음 상태에서 수행되는 반면, 재귀적 생성은 모델이 생성한 중간 상태를 통해 진행됩니다. CDR-H3과 같이 유연한 항체 CDR 루프의 경우, 이러한 불일치는 디노이징 경로를 따라 뼈대 변형이 축적되어 항원과 접촉하는 루프의 기하학을 손상시킬 수 있습니다. 우리는 ABOPD라는 항체 디자인 프레임워크를 소개합니다. 이는 온 정책 증류를 기반으로 하며, 모델 자체의 디노이징 경로에서 방문되는 상태를 감독하기 위해 훈련 중에 특권적인 네이티브 형상을 활용합니다. 이러한 세밀한 구조적 감독을 통해 ABOPD는 RAbD CDR-H3 생성에서 구조 복구를 크게 향상시켜 RMSD를 0.42 Å (2.37 Å에서 1.95 Å로 감소) 줄였으며, 감독된 미세 조정 및 오프라인 증류 제어보다 뛰어난 성능을 보입니다. 이는 더 높은 정확도의 단백질 디자인을 위한 경로를 제시합니다.

Antibodies are essential therapeutic molecules, and their complementarity-determining regions (CDRs) form the primary antigen-recognition interface. Recent protein generative models have demonstrated broad capabilities in biomolecular design, yet post-training strategies for downstream objectives remain limited. Standard denoising training operates on noisy states obtained by perturbing native structures, whereas recursive generation proceeds through model-generated intermediate states. For flexible antibody CDR loops such as CDR-H3, this mismatch can allow backbone deviations to accumulate along the denoising trajectory and compromise antigen-facing loop geometry. We introduce ABOPD, an antibody design framework based on on-policy distillation that leverages privileged native geometry during training to supervise states visited along the model's own denoising trajectories. With this fine-grained structural supervision, ABOPD substantially improves structural recovery on RAbD CDR-H3 generation, reducing RMSD by 0.42 Å (from 2.37 Å to 1.95 Å) and outperforming supervised fine-tuning and offline distillation controls, offering a path to higher-fidelity protein design.