다중 모드 플로우 매칭을 이용한 표면 기반 분자 설계

Surface-based Molecular Design with Multi-modal Flow Matching

치료용 펩타이드는 기존에 치료하기 어려웠던 결합 부위를 표적으로 할 수 있는 잠재력을 가지고 있으며, 최근 딥러닝 생성 모델의 발전으로 특정 단백질 수용체를 위한 완전 원자 펩타이드 공동 설계가 가능해졌습니다. 그러나 단백질-단백질 상호작용(PPI)에서 분자 표면의 중요한 역할은 아직 충분히 연구되지 않았습니다. 이러한 간극을 메우기 위해, 우리는 표면 기반 생성 알고리즘인 SurfFlow라는 새로운 전방향 설계 펩타이드 생성 패러다임을 제안합니다. SurfFlow는 시퀀스, 구조 및 표면을 종합적으로 공동 설계할 수 있도록 다중 모드 조건부 플로우 매칭(CFM) 아키텍처를 사용하여 표면 기하학 및 생화학적 특성의 분포를 학습하고 펩타이드 결합 정확도를 향상시킵니다. 종합적인 PepMerge 벤치마크에서 평가된 결과, SurfFlow는 모든 지표에서 완전 원자 기준 모델보다 일관되게 우수한 성능을 보였습니다. 이러한 결과는 새로운 펩타이드 발견 과정에서 분자 표면을 고려하는 것의 장점을 강조하며, 여러 단백질 모달리티를 통합하여 더욱 효과적인 치료용 펩타이드 발견의 가능성을 보여줍니다.

Therapeutic peptides show promise in targeting previously undruggable binding sites, with recent advancements in deep generative models enabling full-atom peptide co-design for specific protein receptors. However, the critical role of molecular surfaces in protein-protein interactions (PPIs) has been underexplored. To bridge this gap, we propose an omni-design peptides generation paradigm, called SurfFlow, a novel surface-based generative algorithm that enables comprehensive co-design of sequence, structure, and surface for peptides. SurfFlow employs a multi-modality conditional flow matching (CFM) architecture to learn distributions of surface geometries and biochemical properties, enhancing peptide binding accuracy. Evaluated on the comprehensive PepMerge benchmark, SurfFlow consistently outperforms full-atom baselines across all metrics. These results highlight the advantages of considering molecular surfaces in de novo peptide discovery and demonstrate the potential of integrating multiple protein modalities for more effective therapeutic peptide discovery.