본문으로 건너뛰기

분자 발견: 생성형 설계와 개발성 예측

📍 현재 위치: 2부 · 발견과 개발, 학습됨 — 5장. 이전 장 표적과 개념은 학습을 사용해 분자가 어디서 출발해야 하는가 를 결정했습니다. 어떤 표적, 어떤 모달리티, 어떤 대략적 포맷인지를요. 이제 포맷은 고정되었고 — IgG 단일클론항체, mAb-A(단일클론항체, 즉 "mAb"는 약으로 대량 생산되는 단일하고 균일한 Y자 모양 면역 단백질입니다. IgG는 그 가장 흔한 부류로, 거의 모든 치료용 항체가 속하는 항체 유형입니다) — 질문은 어떤 정확한 서열 을 전진시킬 것인가, 그리고 그 서열이 아직 열두 장이나 떨어져 있는 공장을 살아남을 수 있는가로 바뀝니다.

분자는 배치로 태어나기 한참 전에 아미노산 문자열로 태어납니다. 아미노산은 ~20개의 화학적 구성 단위로, 특정 순서(서열)로 사슬을 이루면 접혀서 단백질이 됩니다. 수백 또는 수천 개의 후보 결합체를 들여다보는 항체 발견 팀이 내리는 그 서열의 선택은, 이 책의 나머지가 씨름하게 될 대부분을 조용히 못 박아 버립니다. 아름답게 결합하지만 응집하는 후보(그 분자들이 더 큰 종으로 뭉쳐 덩어리를 이루는 것 — 덩어리는 활성을 잃고 면역계를 자극할 수 있으므로 안전성·품질 결함입니다)는 생산 바이오리액터에서 당신과 싸우고, 폴리싱 컬럼을 막으며, SEC(크기 배제 크로마토그래피) 고분자량 게이트에서 — 뭉친 응집 단백질을 잡아내는 순도 시험에서 — 실패할 것입니다. 탈아미드화 핫스팟을 가진 후보는 공정이 숨 쉴 때마다 전하 변이체 프로파일을 표류시킬 것입니다. 발견 팀은 거의 결코 공장을 보지 못합니다 — 그러나 그 서열 결정은 공장의 첫 번째이자 가장 되돌릴 수 없는 입력입니다. 이 장은 서열로부터 공장을 보려 하고, 점점 더 공장이 좋아할 서열을 설계 하려 하는 기계학습에 관한 것입니다.

여기는 또한 1장의 소규모 데이터 천장이 잠시 들리는 곳이기도 합니다. 서열은 저렴하고, 분석은 그렇지 않지만, 어떤 측정된 속성을 가진 서열은 완전한 GMP 배치보다 훨씬 더 많습니다. 발견은 척추에서 진정으로 거대한 모델 — 수억 개의 천연 서열로 학습된 단백질 언어 모델 — 이 발판을 가진 유일한 구석입니다. 우리가 다시 돌아올 함정은, 공장 이 신경 쓰는 그 속성이 정확히 여전히 소규모 데이터인 것이라는 점입니다.

쉽게 말하면

채용을 생각해 보세요. 결합 선별은 면접입니다. 그것은 후보가 핵심 업무(표적에 들러붙기)를 할 수 있음을 알려 줍니다. 개발성 예측(developability prediction) 은 신원 조회입니다. 이 후보가 실제로 매일 출근할 수 있는가 — 끈적한 덩어리로 녹아내리지 않고, 화학적 손상을 입지 않으며, 면역계를 자극하지 않는가? 당신은 값싼 신원 조회(이력서, 즉 서열을 읽기)를 수천 명의 지원자에게 비싼 현장 면접(단백질 제작, 분석 수행) 이전 에 돌리며, 그래서 애초에 떨어질 운명이던 누군가를 개발하느라 1년을 결코 낭비하지 않습니다. 생성형 설계(generative design) 는 다음 단계입니다. 문을 걸어 들어온 지원자만 선별하는 대신, 직무 기술서를 너무도 정밀하게 적어서 이상적 후보를 제안 한 다음 그들을 검증할 수 있게 하는 것이죠.

이 장에서 다루는 내용​

  • 발견에서 제조 가능성으로의 이양: 왜 하나의 서열이 제조 결정인가
  • 서열 특징, 고전적 결함 모티프 뒤의 화학, 그리고 점수 계산식
  • 지도 학습 과제로서의 개발성 예측, 그리고 그것을 정직하게 만드는 학습과 검증
  • 이 분야를 정박시키는 생물물리학적 가이드라인(Therapeutic Antibody Profiler, Jain 패널)과 그 실제 지표
  • 단백질 언어 모델과 구조 모델 — 항체에 도달하는 기반 모델의 물결, 그리고 임베딩을 유용하게 만드는 수학
  • 생성형 항체/단백질 설계, 성숙도와 증거 등급을 가진 이름 붙은 도구들, 그리고 어디까지가 실제이고 어디부터가 열망인지
  • CDR 서열을 CQA와 연결된 결함 점수로 바꾸는 실행 가능한 developability.py
  • 하나의 개발성 예측의 해부, 필드별로, 그리고 미해결의 레이블 희소성 문제
  • GMP/CMC 관점: 왜 발견 모델은 결코 아무것도 결정하지 않으면서도 모든 것을 형성하는가

발견의 누구도 지켜보지 않는 이양​

이 다섯 권짜리 시리즈는 제조 결과가 상류에서 못 박힌다고 줄곧 주장합니다. 그 어디서도 여기보다 더 문자 그대로인 곳은 없습니다. 단일클론항체는 중쇄와 경쇄(Y자 모양으로 조립되는 두 쌍의 단백질 가닥 — 동일한 긴 "중쇄" 두 개와 동일한 짧은 "경쇄" 두 개)에 걸쳐 대략 1,300개의 아미노산입니다. 각 사슬은 가변 영역(Y자의 끝으로, 항체마다 다르며 결합을 담당함)과 불변 영역(나머지로, 같은 부류의 항체들이 공유함)을 가집니다. 가변 영역 — 그리고 그 안에서 결합 표면을 형성하는 여섯 개의 상보성 결정 영역(complementarity-determining regions, CDRs) — 은 발견이 자유를 갖고 대부분의 결함이 사는 곳입니다. 불변 영역은 선택된 아이소타입(불변 영역 서열을 정하는 항체 하위 부류 — 여기서는 IgG의 한 아형인 IgG1)에 의해 대체로 고정됩니다. CDR은 결합 에 대한 선택 압력이 빚어내는 수십 개 남짓의 잔기로, 누군가 더하지 않는 한 제조 가능성 에 대한 압력은 전혀 없습니다.

그것이 문제의 전부입니다. 디스플레이 캠페인(파지, 효모, 또는 포유류), 형질전환 동물/단일 B 세포 경로, 또는 하이브리도마는 친화도(결합 강도 — 항체가 표적을 얼마나 단단히 붙잡는가)를 최적화합니다. 이것들은 모두 잘 결합하는 항체를 찾아 정련하는 서로 다른 실험실 방법일 뿐이며, 공통의 맥락은 그 하나하나가 오직 결합 만을 선택하고 다른 것은 선택하지 않는다는 점입니다. 친화도가 최적화된 CDR은 흔히 방향족 및 소수성(물을 밀어내는) 잔기가 풍부합니다(그것들은 좋은 결합 접촉을 만듭니다) — 그리고 바로 그 같은 잔기들이 응집(aggregation) 과 점도(viscosity) 를 일으키는데, 이 둘은 고농도 피하주사 항체를 가장 자주 죽이는 두 속성입니다(피하, 즉 피부 아래로 들어가는 용량은 작은 약 1–2 mL 주사에 들어맞아야 하고, 이는 단백질 농도를 ~100 mg/mL 이상으로 — 자기 회합이 주사기나 충전 라인이 밀어낼 수 있는 한계 너머로 점도를 높이는 영역으로 — 몰아갑니다) [1][2]. 발견 팀의 보상 함수와 공장의 보상 함수는 그저 다른 것이 아니라, 가장 중요한 축에서 대립 합니다. 개발성 예측은 공장의 보상 함수를 발견 루프에 일찍, 전산으로, 그 어느 것도 비싸지기 전에 집어넣기 위해 존재합니다.

구체적으로, 우리의 러닝 예제에서: WCB-CHO-001 뒤에 있고 궁극적으로 BATCH-2026-001이 되는 리드 서열은 세포주가 만들어지기도 전에 개발성 선별을 통과해야 했습니다. 출하 증명서의 모든 CQA는 그 선별까지 거슬러 올라갑니다. BATCH-2026-001의 SEC_HMW_pct 1.287과 SEC_monomer_pct 98.611(examples/datasets/hplc_results.csv에서 그대로 읽은 값)은, 부분적으로, 수년 전에 내려진 서열 선택에 대한 평결입니다 — 발견 선별이 예측하려 했던 응집 경향이, 이제 실제로 출하된 로트에서 측정된 것이죠. 벌거벗은 숫자는 그 규격 창이 없으면 평결이 아닙니다. SEC_HMW_pct 1.287%는 0.0–3.0% 규격 안에 넉넉히 들어가고(출하 증명서의 PASS), 전하 변이체 분포(CEX_acidic_pct 21.551, CEX_basic_pct 10.452, 산성 분율은 10.0–30.0% 창 안)는 그 선별이 표시했거나 통과시킨 PTM 핫스팟의 공정 중 메아리입니다. 발견은 이것들을 측정하지 않습니다. 그것에 베팅 합니다.

서열 특징: 해석 가능한 뼈대, 그리고 수학​

어떤 딥 모델보다 앞서, 어느 화학자라도 알아볼 만하고 어떤 감사라도 받아들일 특징 계층이 있습니다. 이것들은 서열로부터 직접 계산되고, 저렴하며, 특정 제조 실패 모드에 대응됩니다. 네 가지 계열이 중요하고, 각각은 구체적인 공식을 지닙니다.

소수성(Hydrophobicity). GRAVY(grand average of hydropathy, 친수성도의 총평균), 즉 잔기 전체에 걸친 Kyte-Doolittle 친수성도의 평균으로 요약됩니다. 각 잔기에 표로 정리된 Kyte-Doolittle 친수성도 지수 — 아미노산별 표준 척도로, 양수는 물을 밀어냄(소수성, 예: Ile +4.5, Val +4.2)을, 음수는 물을 좋아함(친수성, 예: Arg -4.5)을 뜻함 — 를 부여하고, 합한 뒤, 길이로 나눕니다. 순소수성 CDR은 "끈적합니다". 그것은 자기 회합을 선호하고, 이는 하류에서 HMW 응집체(SEC HMW_pct 속성)로, 그리고 피하주사 용량이 요구하는 고농도에서 상승한 점도 로 나타납니다. 서열 수준 평균은 바닥입니다. 구조 모델은 그것을 공간 응집 경향(spatial aggregation propensity, SAP) — 각 원자의 용매 접근 가능 표면적으로 가중된 이동 공간 창에 걸친 측쇄 소수성의 합 — 으로 정련하게 해 주며, 이는 끈적한 패치 를 평균 내어 지워 버리는 대신 국소화합니다. SAP은 측정된 응집을 가장 잘 추적하는 지표이지만, 구조가 필요합니다. 서열 GRAVY는 이미 명백한 위반자들을 갈라냅니다 [1][2].

순전하와 등전점(Net charge and isoelectric point). 이온화 가능한 잔기(전하를 띨 수 있는 아미노산)로부터 Henderson-Hasselbalch 관계 — 주어진 산성도에서 하나의 기가 얼마나 전하를 띠는지에 대한 표준 화학 규칙 — 를 통해 추정됩니다. (배경 용어 둘: pH 는 용액이 얼마나 산성인지를 재며, 낮은 pH는 산성입니다. pKa 는 특정 기가 절반만큼 전하를 띠는 pH입니다.) 각 산성 기에 대해 pH에서의 음전하 분율은 1을 1 더하기 10의 (pKa 빼기 pH) 제곱으로 나눈 값이고, 각 염기성 기에 대해 양전하 분율은 1을 1 더하기 10의 (pH 빼기 pKa) 제곱으로 나눈 값이며, 순전하는 양전하의 합에서 음전하의 합을 뺀 것으로, N-말단과 C-말단이 각자의 pKa 항을 기여합니다. 순전하가 0을 가로지를 때까지 pH를 쓸어 가면 등전점(isoelectric point, pI) 이 나옵니다. 제형 pH에서의 전하는 콜로이드 안정성을 좌우하고(전하의 극단은 응집과 점도 모두를 몰아갈 수 있습니다), 동형체 간 전하의 분포 는 문자 그대로 CEX 분석의 판독값입니다 — 모든 배치의 CEX_acidic_pct / CEX_main_pct / CEX_basic_pct 삼중항이죠. TAP은 여기에 두 가지 구조 유래 전하 지표를 더합니다 — 양표면 전하와 음표면 전하의 패치(PPC/PNC) 및 Fv 전하 대칭성(Fv는 가변 단편, 즉 Y자의 결합 끝부분) — 왜냐하면 표면의 어디에 전하가 있는지가, 순총합만이 아니라, 고농도에서의 점도를 예측하기 때문입니다 [1].

번역후수식(post-translational-modification, PTM) 결함 모티프. 짧은 서열 패턴 — 정규 표현식(regex, "이 텍스트 패턴과 일치"를 위한 간결한 표기법. 예: N[GS]는 "N 다음에 G 또는 S가 오는 것"을 뜻함)으로 포착됨 — 으로, 거기서 화학이 자발적으로 일어나 하나의 분자를 이질적인 집단으로 바꿉니다. 각 아미노산은 한 글자 코드를 가집니다(N = 아스파라긴 "Asn", G = 글리신 "Gly", D = 아스파르트산 "Asp", C = 시스테인, M = 메티오닌, W = 트립토판, P = 프롤린 등). 아래 패턴은 그 코드로 쓰여 있습니다:

  • N-G / N-S(정규식 N[GS]) — 아스파라긴 탈아미드화(deamidation): Asn이 Asp/isoAsp가 되어 음전하를 더함 → 산성 전하 변이체(보관 수명에 걸쳐 CEX_acidic_pct를 끌어올림). Asn 뒤에 오는 Gly는 골격에 고리형 숙신이미드 중간체를 형성할 유연성을 주는데, 그래서 N-G가 정통 핫스팟입니다.
  • D-G / D-T / D-S / D-H(정규식 D[GTSH]) — 아스파르트산의 isoAsp로의 이성질화(isomerization): 전하와 효력 표류로 가는 또 다른 경로.
  • N-X-S/T (X는 Pro 아님)(정규식 N[^P][ST]) — CDR 내의 N-연결 당화 시퀀(glycosylation sequon): 이질적인 당형, 변경된 청소율, 결합 영역에서의 품질 악몽. 이것은 비정상적(aberrant) 시퀀임에 유의하십시오. 항체가 원하는 당쇄는 보존된 Fc 아스파라긴(N297)에 자리하며 세포 배양 공정이 통제하도록 지어진 CQA입니다. CDR 안의 새 시퀀은 의도되지 않은, 흔히 이질적으로 점유된 자리로, 결합을 무디게 하고 청소율을 옮길 수 있습니다 — 정확히 잘못된 위치에 있기에 품질 결함입니다.
  • M / W(정규식 [MW]) — 메티오닌/트립토판 산화(oxidation): 전하와 안정성 변화로, 흔히 공정 및 보관 의존적. Met과 Trp를 하나의 일률 벌점으로 묶는 것은 의도적인 보수적 단순화입니다 — Met 산화는 빈도가 높고 표면 노출/과산화물 구동이며, Trp 산화는 더 드물고 빛 및 라디칼 구동으로 흔히 CDR에서 더 중대합니다. 상용 도구는 용매 접근성으로 둘을 따로 가중합니다.
  • 홀수 시스테인 수 — 짝지어지지 않은(자유) 시스테인: 분자 간 이황화물을 형성하는 반응성 티올 → 폴리싱 단계가 쉽게 분리할 수 없는 공유결합 HMW 응집체. 선별은 이것을 C의 개수를 2로 나눈 나머지 로 벌점화하여 모델링하므로, 짝수(짝지어진) 개수는 비용이 없고 홀수(짝지어지지 않은) 개수는 전체 벌점을 치릅니다.
  • D-P(정규식 DP) — 산에 약한 Asp-Pro 결합 → LMW 종으로의 단편화(fragmentation)(SEC LMW_pct 속성).

정확한 위치의 화학이 개수보다 더 중요합니다. 구조화된 골격 가닥에 묻힌 핫스팟은 유연한 CDR 루프에 노출된 같은 모티프보다 훨씬 덜 약합니다. 그래서 구조 인식 도구는 모티프의 용매 접근성을 가중합니다. 서열 정규식은 보수적인 첫 통과입니다 — 그것은 의도적으로 과도하게 표시하는데, 책상에서의 오경보는 비용이 없고 놓친 핫스팟은 공장에서 발견되는 전하 변이체 표류라는 비용을 치르기 때문입니다.

면역원성 위험(Immunogenicity risk). 환자의 면역계가 약물을 외부 물질로 보고 공격할 가능성입니다. 방아쇠는 T 세포 에피토프 입니다. 항체의 짧은 단편(펩티드)으로, 면역계가 MHC 클래스 II 라 불리는 세포 표면 단백질 위에 제시할 수 있는 것이죠. 단편이 거기에 제시되면 면역 T 세포가 그것을 인식하여 몸이 약을 무력화하는 항약물 항체 를 만들도록 규합할 수 있습니다 — 그래서 강하게 제시되는 단편을 많이 만들어 내는 서열은 결함입니다. 이것은 그 자체로 하나의 ML 하위 분야입니다. 신경망 펩티드-MHC 결합 예측기(NetMHCIIpan이 정통입니다)는 서열을 겹치는 15-잔기(15-mer) 창으로 훑고 각각을 HLA 대립유전자(MHC 단백질의 인간 유전적 변이) 패널에 대해 점수화하여, 창마다 제시 가능성을 반환합니다 [3]. 설계적 대응은 탈면역화(deimmunization) 입니다. 결합을 보존하면서 예측된 에피토프를 돌연변이시키는 것이죠.

이 특징들을 명시적으로 유지하는 요점은 향수가 아닙니다. 이 책이 거듭 돌아오는 규제 자세 아래 — 제품 품질에 닿는 그 무엇에든 잠긴, 설명 가능한 모델 — 에서, 그 메커니즘을 화학자가 이름 댈 수 있는 해석 가능한 특징은 미미하게 더 정확한 블랙박스보다 더 가치 있는데, 당신이 그것을 방어 할 수 있기 때문입니다. 다음 절의 딥 모델은 더 정확함으로써 그 자리를 얻습니다. 그것들은 설명할 의무를 대체하지 않습니다.

학습 과제로서의 개발성 예측​

이를 지도 학습으로 틀 짓고 나면 어려움이 정확해집니다. 입력 은 서열(또는 그것으로부터 유도된 구조 모델)입니다. 표적 은 측정된 개발성 속성입니다. 응집 대용으로서의 소수성 상호작용 크로마토그래피(HIC) 머무름 시간, 150 mg/mL에서 측정된 점도, 가속 안정성 응집 속도, 분석 패널 합격/불합격이죠. 모델 은 회귀기 또는 분류기입니다 — 역사적으로는 위의 공학적 특징 위의 랜덤 포레스트나 그래디언트 부스팅 모델, 점점 더 단백질 언어 모델 위의 학습된 표현이죠.

레이블은 어떻게 만들어지며, 왜 그것이 병목인가. 단일 점도 레이블은 공짜 데이터가 아닙니다. 그것은 여러 주에 걸친 습식 실험실 캠페인입니다. 후보를 발현하고(일시적 트랜스펙션, 여러 날), 정제하고(Protein A 더하기 폴리싱, 여러 날), 치료 강도로 농축하고(이 단계 자체가 가장 끈적한 후보에서 실패하여 데이터셋을 편향시킵니다), 150 mg/mL에서 콘앤플레이트 또는 미세유체 점도를 측정해야 — 데이터 포인트당 수십 밀리그램의 순수 단백질을 소모하며 — 합니다. HIC 머무름은 더 저렴하며, 단지 예산상의 이유가 아니라 기계론적 이유로 이 분야의 표준 응집 대용입니다. 머무름은 자기 회합을 일으키는 바로 그 표면 노출 소수성에 의해 좌우되고, 그것이 정확히 PSH와 SAP이 구조로부터 계산하려는 것입니다 — 그래서 긴 HIC 머무름과 뜨거운 소수성 패치는 하나의 근저 결함에 대한 두 판독값입니다. 가속 안정성(40도 섭씨에서 여러 주, 그다음 SEC)은 가장 관련 있지만 가장 느립니다. 그래서 레이블은 비싸고, 시끄럽고, 대용입니다 — 이 세 속성이 평범한 딥러닝을 부적합하게 만들고 아래의 검증 규율을 타협 불가로 만듭니다.

정밀 검토를 견디는 학습과 검증. 레이블 집합이 작고(수백, 수백만이 아니라) 후보들이 연관되어 있기 때문에, 검증은 모델이 편향과 싸우는 것보다 더 강하게 낙관주의와 싸워야 합니다:

  • 단일 분할이 아닌 교차 검증. 수백 개의 레이블로는 단일 홀드아웃은 동전 던지기입니다. k-겹 CV가 바닥이고, 겹별 분산은 평균과 함께 보고됩니다 — 정확도가 겹에 걸쳐 거칠게 흔들리는 모델은 선별에 넣을 모델이 아니기 때문입니다.
  • 그룹화/스캐폴드 분할. 무작위 분할은 누출됩니다. 같은 친화도 성숙 계통의 두 후보는 한 잔기만큼 다르므로, 무작위 분할은 거의 중복인 것들을 양쪽에 두어 점수를 부풀립니다. 생식세포계열 가족(germline family) 이나 캠페인 으로 분할하면 — 통째 계통을 한쪽에 두면 — 다음의 진정으로 새로운 분자에서 모델이 어떻게 거동할지에 대한 유일하게 정직한 추정이 나옵니다.
  • 올바른 형태에 맞는 올바른 지표. 개발성 분류는 순위 를 신경 씁니다(최고를 전진시키고, 최악을 떨어뜨림). 그래서 AUROC(모델이 무작위로 고른 진짜 나쁜 후보를 무작위로 고른 진짜 좋은 후보보다 위에 매길 확률 — 0.5는 동전 던지기, 1.0은 완벽)와 스피어만 상관(모델의 순서가 측정된 순서와 얼마나 잘 맞는가)이 원시 오차보다 더 중요합니다. 실패가 드문 불균형한 "이것이 실패할 것인가" 분류기에는, 유병률 기준선(무기술 모델이 받는 점수로, 실제로 실패하는 분율과 같음) 대비 AUPRC(정밀도-재현율 곡선 아래 넓이)가 정직한 숫자인데, 정확히 이 모음의 하류 출하 예측기가 보고하는 그대로입니다. 그리고 분류는 결국 하나의 결정으로 끝나므로, 게이트는 마침내 순위가 아니라 임계값 입니다. 어디서 자르느냐는 재현율(고치면 되는 결함 때문에 강한 결합체를 결코 버리지 않기)과 정밀도(애초에 떨어질 운명이던 후보에 희소한 습식 실험실 자리를 결코 쓰지 않기) 사이를 맞바꿉니다 — 출하 예측기가 명시하는 것과 같은 두 작동점 선택이죠.
  • 반드시 이겨야 하는 기준선. PLM 임베딩 모델은 그룹화 분할에서 값싼 공학적 특징 모델을 이겨야 하며, 그렇지 않으면 그것은 아무것도 아닌 것에 복잡성을 사는 것입니다 — 이 모음이 1D-CNN이 PLS 소프트 센서를 이기지 못하고 검약성에서 지는 곳에 적용하는 것과 같은 "네 매개변수를 벌어라" 규율이죠.

세 가지가 이 과제를 진정으로 어렵게 만들며, 그것들은 책 전체가 맴도는 바로 그 세 가지입니다:

  1. 레이블은 소규모 데이터이고 비싸다. 치료 농도에서 측정된 점도는 수십 밀리그램의 정제 단백질을 필요로 합니다 — 만 개의 후보에 그것을 돌릴 수 없습니다. 가장 큰 공개 생물물리학 패널은 임상 단계 항체로 낮은 수백 개대를 셉니다(기초가 된 Jain 등의 조사는 임상 단계 mAb 137개를 십여 개 분석에 걸쳐 분석했습니다) [2]. 산업 데이터셋은 더 크지만 독점적입니다. 성능을 앞으로 밀어붙인 최근의 앙상블 딥러닝 점도 연구는 정확히 대규모 내부 점도 데이터를 모음으로써 그렇게 했고, 그것은 정확히 대부분의 팀에 없는 자산입니다 [4].
  2. 속성들이 상관되어 있고 다목적이다. 응집을 고치려 소수성을 줄이면 친화도가 망가질 수 있습니다. PTM 핫스팟을 생식세포계열화하면 전하가 옮겨갈 수 있습니다. 단일 스칼라 "개발성"은 없습니다. 파레토 표면이 있고, 실제 선별은 위험의 벡터 를 보고하는데, 그래서 이 분야는 하나의 불투명한 숫자보다 해석 가능한 축별 플래그로 끌립니다.
  3. 분포가 이동한다. 한 회사의 역사적 항체로, 또는 이미 선택을 살아남은 임상 단계 분자로 학습된 모델은 서열 공간의 편향된 표본입니다 — 그리고 새로운 서열을 제안하는 생성형 모델은 설계상 예측기를 그 학습 분포 밖으로 밀어냅니다. 천연 후보를 점수화한 예측기는 그것이 가장 필요로 하는, 공학적으로 만든 것들에서 신뢰할 수 없을 수 있습니다.

가장 강력한 현재 증거는 연구 등급이지만 실재합니다. PROPERMAB(연구)는 항체 개발성 속성 — HIC 머무름과 고농도 점도 포함 — 을 서열 및 구조 유래 특징 더하기 단백질 언어 모델 임베딩으로부터 인 실리코로 예측하는, 습식 실험실 분석 이전에 후보를 분류하기 위해 명시적으로 만들어진 발표된 프레임워크(Regeneron)입니다 [5]. ACeT 맥락 임베딩 트랜스포머 연구(연구, 프리프린트)는 비싼 후기 단계 종점 — 고농도 점도, 생체 내 청소율, HIC 머무름, 심지어 임상 진행 — 을 값싼 초기 분석 패널로부터 예측하며, 빠른 분석으로부터 느린 분석을 예보하도록 학습합니다 [6]. 그리고 해석 가능 ML 점도 감소(연구)는 모델이 고점도를 예측 할 뿐만 아니라 책임 있는 잔기를 가리킬 수 있어, 예측을 구체적인 돌연변이 지시로 바꿀 수 있음을 보였습니다 [7]. 이 중 어느 것도 GMP 배포 시스템이 아닙니다 — 그것들은 발견 단계 도구입니다 — 그러나 발견은 정확히 그것들이 속하는 곳이고, 그 결과는 공장의 길이만큼 전파됩니다.

학습 집합을 신뢰할 만하게 만드는 것은 통계적이 아니라 시맨틱입니다. 위의 모든 방어는 레이블된 패널 자체가 깨끗하다고 가정합니다 — "점도" 열이 모든 행에서 같은 농도의 같은 분석을 뜻하고, 그 옆에 앉은 후보가 실제로 측정된 그 후보이며, 거의 중복인 두 서열이 같은 계통을 공유한다고 알려져 있다고요. 그 어느 것도 CSV가 보장하지 않습니다. 그것은 데이터가 2–4권이 짓는 방식대로 시맨틱하게 정박될 때 보장됩니다. 그 작업에서 나온 세 갈래가 이 과제에 곧장 내려앉습니다:

  • 열 이름이 아니라 의미로 당겨지는 특징. 위의 정직한 그룹화 분할은 "생식세포계열 가족"과 "캠페인"이, 부주의한 내보내기가 이름을 바꿀 수 있는 자유 텍스트가 아니라, 타입이 있고 해소 가능한 사실로 기록될 때에만 작동합니다. 개발성 특징이 깨지기 쉬운 스프레드시트 헤더 대신 그 온톨로지 IRI(Internationalized Resource Identifier, 국제화 자원 식별자 — 하나의 개념에 대한 전 세계적으로 고유한 웹 이름)에 키잉되면, 이름이 바뀌거나 순서가 바뀐 열은 조용히 잘못 예측하는 대신 큰 소리로 실패합니다 — 데이터 장이 짐을 지우는 것과 같은 FAIR(찾을 수 있고·접근 가능하고·상호운용 가능하고·재사용 가능한) 및 식별자 규율로, 4권의 식별자와 단위 및 클래스와 분류에 정박합니다.
  • 계보 에지가 곧 그룹화 키입니다. 그룹화/스캐폴드 분할이 죽이려 존재하는 누출은 이 책의 나머지가 배치 그룹화 교차검증으로 죽이는 바로 그것입니다. 학습/시험 절단을 가로지르는 거의 중복이죠. 여기서 그룹화 키는 친화도 성숙 계통이고 — 그 계통은 정확히 4권이 모델링하는 derivedFrom 식 계보 에지, 모든 변이체를 그 부모에 뿌리내리는 관계와 계보 척추입니다. 출처 그래프(PROV-O / bp:derivedFrom 계보)는 "통째 계통을 한쪽에 두기"를 추측이 아니라 질의 로 만듭니다 — 배치 하나 빼기(leave-one-batch-out)의 계통 하나 빼기 유사물이죠.
  • 같은 출하 게이트 형태로 검증된 학습 집합. 이 책이 CQA를 감사하는 출하 게이트 — 4권 출하 게이트의 SHACL(Shapes Constraint Language, 형태 제약 언어) 형태 — 는 닫힌 세계 완전성 점검입니다. 모든 필수 값이 존재 하고, 단일하며, 타입이 있고, 범위 안에 있는가? 출하 로트 대신 학습 테이블을 향하면, 동일한 형태가 단 한 번의 적합 전에 모델의 입력이 완전하고 허용 가능함을 보장하여, 평범한 검증이 솜씨로 보고하는 누락된 행이나 범위 밖 레이블을 잡아냅니다. 측정값이 그것을 생산한 실행과는 구별되는 것 — 클래스와 분류의 BFO 연속체/발생체 구분 — 이야말로, 둘이 하나의 특징 행으로 조인될 때 점도 값 이 분석 발생 과 뒤섞이지 않게 하는 것입니다.

그래서 이 장은 특징을 해석 가능하고 이름 붙은 채로 유지합니다. 감사 가능한 특징은 또한 시맨틱하게 주소 지정 가능한 특징이고, 화학자가 그것을 방어하게 하는 같은 속성이 지식 그래프가 그것을 조인하게 합니다.

증거

개발성 ML은 압도적으로 (연구) 성숙도입니다. 동료심사 또는 프리프린트로, 회고적 항체 패널에서 입증되었고, GMP 결정에 박혀 있지 않습니다. Jain 등의 생물물리학 조사 [2]와 TAP 가이드라인 [1]은 독립 동료심사 이며 이 분야의 가장 많이 인용되는 정박점입니다. PROPERMAB [5]와 앙상블 점도 연구 [4]는 독점 학습 데이터에서 자체 저자 동료심사 이므로, 그 대표 정확도는 독립적으로 재현 가능하지 않습니다. ACeT [6]는 프리프린트 입니다(아직 동료심사 아님). 이 공간의 모든 "우리는 X를 Y 정확도로 예측한다"는 주장은 달리 보이기 전까지는 모델과 데이터셋에 특정한 것으로 다루십시오.

이 분야를 정박시키는 생물물리학적 가이드라인​

학습된 모델 그 어느 것보다 앞서, 이 분야는 학습 집합이 필요 없는 두 개의 기준점에 표준화되었고, 그것들이야말로 발견 팀이 첫날에 개발성 분류를 돌릴 수 있는 이유입니다.

Jain 등 의 조사는 경험적 기반암입니다. 임상 단계 단일클론항체 137개(그중 48개는 승인됨)를 십여 개 생물물리학 분석에 통과시킨 것이죠 — 자기 상호작용, 교차 상호작용, HIC, 가속 안정성 응집, 발현 역가 등 [2]. 그 가치는 모델이 아니라 잣대 입니다. 실제로 임상에 도달한 분자들이 각 축에서 어디에 떨어지는지를 보여 줌으로써 "정상"이 어떻게 생겼는지를 알려 주고, 이 장 전체가 기대는 대표 상관관계 — 표면 소수성이 응집과 HIC 머무름을 추적하고, 전하 비대칭이 자기 회합과 점도를 추적한다는 것 — 를 확립합니다. 거의 모든 학습된 모델이 이를 그라운드 트루스로 인용합니다.

Therapeutic Antibody Profiler (TAP) 는 그 상관관계들을 투명한, 가이드라인 기반의 선별로 바꿉니다 [1]. 항체 구조 모델로부터 다섯 개의 지표 — 총 CDR 길이, 표면 소수성(표면 소수성 패치 점수, PSH), 양전하 패치(PPC), 음전하 패치(PNC), 그리고 구조적 Fv 전하 대칭성 매개변수 — 를 계산하고, 각각에 대해 후보를 임상 단계 항체가 펼친 분포에 비추어 위치시키며, 황색 또는 적색 꼬리에 든 그 무엇이든 표시합니다. 적합된 가중치 벡터도 독점 학습 집합도 없습니다. "모델"은 임상 단계 참조 분포 그 자체이며, 정확히 그래서 감사자가 그것을 받아들이고 그래서 그것이 연구, 독립 동료심사 로 남습니다. 그것은 이 장이 싣고 가는 장난감 선별의 개념적 부모입니다 — 같은 형태(구조/서열 → 해석 가능 지표 → 참조 대비 플래그)로, 훨씬 더 높은 충실도로요.

기반 모델의 물결이 항체에 도달하다​

발견을 이 책의 나머지와 다르게 만드는 것은, 여기서는 데이터가 — 한 번쯤은 — 거의 크다는 점입니다. 두 모델 계열이 현재의 물결을 이끕니다.

단백질 언어 모델(protein language models, PLMs). 수억 개의 천연 단백질 서열에 자기 지도로 학습된 PLM(ESM 계열이 정통 예로, 마스크드 언어 모델링 — 한 잔기를 가리고, 맥락으로부터 그것을 예측 — 으로 2억 5천만 개 서열에 걸쳐 학습됨)은 진화적으로 그럴듯하고 잘 접히는 서열이 군집하고 이상한 것들이 두드러지는 표현을 학습합니다 [8]. 두 가지 용도가 따라옵니다. 첫째, 서열에 대한 모델의 유사가능도(pseudo-likelihood) — 마스크드 언어 모델의 경우, 각 잔기를 가리고 나머지를 보이게 했을 때 그 잔기의 예측 확률의 로그 합(마스크드 마지널 유사가능도이지, IgLM 같은 자기회귀 인필링 모델이 계산할 참 결합 가능도가 아님) — 그 자체가 부드러운 개발성 신호입니다. 천연처럼 보이는 서열은 더 잘 발현하고 더 잘 거동하는 경향이 있어서, 낮은 유사가능도는 황색 플래그이고, 단일 점 돌연변이의 효과는 그 점수의 변화로 읽힐 수 있습니다. 둘째, 그리고 더 강력하게, 학습된 임베딩(embeddings) — 모델의 내부 잔기별 활성화 벡터, 일반적으로 서열에 걸쳐 평균 풀링되어 하나의 고정 길이 벡터가 됨 — 은 훌륭한 특징입니다. 손으로 만든 특징 대신 PLM 임베딩을 먹인, 수백 개의 레이블된 항체로 학습된 작은 회귀기(릿지 또는 그래디언트 부스팅 모델)는 흔히 그룹화 분할에서 공학적 특징 모델을 이깁니다. 기반 모델이, 작은 레이블된 집합이 결코 감당할 수 없었던 표현 학습을 해 둔 것이죠. 이것이 전이 학습(transfer learning) 이고, 바이오프로세스 소규모 데이터에 대한 단연 가장 중요한 우회로이며, 가장 잘 통하는 곳에 적용된 것입니다 — 그리고 그것은 정확히 PROPERMAB이 자신의 특징 집합에 접어 넣는 자산입니다 [5].

발견 팀이 이것들에 실제로 손을 뻗을 수 있는 이유는 이 물결이 압도적으로 열려 있기 때문입니다. ESM 계열, AlphaFold2, ProteinMPNN, RFdiffusion, IgLM은 모두 열린 가중치와 실행 가능한 코드를 내놓으며, 이 책의 동반 모음이 취하는 것과 같은 오픈소스 자세입니다 — 여기서는 표준 라이브러리 developability.py, 하류에서는 scikit-learn과 PyTorch, 고정 시드와 모든 출력 숫자를 재현하는 run_all이죠. 그 PLM이 생산하는 임베딩은 오픈소스 분석 스택을 먹이는 또 하나의 특징 벡터일 뿐입니다 — 3권 분석 장이 돌리고 지식 그래프 층이 열 위치가 아니라 정체성으로 다루는 PCA/PLS/ML 화학계량학이죠. 여기 장난감 선별은 의도적으로 해석 가능 특징 계층에서 멈춥니다. 실제 PLM을 임베딩하는 것은 다른 아키텍처가 아니라 의존성 하나와 GPU 하나의 거리이며, 그래서 장난감이 임베딩 단계에서 멈추더라도 흐름 SEQUENCE → FEATURES → RISK → CQA는 충실합니다.

구조 예측 모델(Structure prediction models). AlphaFold2와 그 후속작들은 고품질 구조 예측을 일상으로 만들었고 [9], 항체 특화 예측기가 뒤따랐습니다. 예측된 구조는 공간적 개발성 지표 — 위의 SAP과 표면 전하 패치, 서열만으로는 볼 수 없는 것들 — 를 풀어 줍니다. 특히 항체에 대한 함정은 CDR-H3 루프입니다. 그것은 가장 다양하고, 가장 기능적으로 중요하며, 예측하기 가장 어려운 영역입니다(낮은 예측 신뢰도 점수가 정확히 거기에 군집합니다). 그래서 구조 기반 점수는 그것이 가장 중요한 바로 그곳에서 가장 불확실합니다. 잘못 예측된 CDR-H3에서 계산된 SAP은 그 숫자만 한 크기의 오차 막대를 가진 숫자입니다.

생성형 설계: 어디까지 실제이고, 어디부터 아닌가​

최전선은 선별 에서 제안 으로 옮겨 갑니다. 디스플레이 캠페인에서 걸어 들어온 결합체를 점수화하기보다, 생성형 모델은 후보를 씁니다. 세 계열을, 이름 붙은 도구와 정직한 성숙도와 함께:

  • 항체 언어 모델(연구, 독립 동료심사). IgLM 은 5억 5천 8백만 개 면역글로불린 가변 서열로 학습된 자기회귀 인필링 모델입니다. 그것은 주변 스캐폴드와 사슬/종 태그에 조건화하여 새로운 CDR을 샘플링하며, 생성된 라이브러리는 순진한 무작위화보다 인 실리코 개발성에서 더 나은 점수를 받습니다 [10]. 이것은 가장 성숙한 생성형 항체 프리미티브입니다. 발표되었고, 재현 가능하며, 직접적으로 항체 형태를 띱니다.
  • 역접힘(Inverse folding)(연구, 독립 동료심사). ProteinMPNN 은 원하는 골격을 받아 거기로 접힐 서열을 설계하며, 벤치마크 골격에서 천연 서열을 물리 기반 설계보다 훨씬 더 자주 복원합니다(천연 서열 복원율 52.4 퍼센트 대 Rosetta의 32.9 퍼센트) [11]. 항체에 대해서는 파라토프를 건드리지 않고 고정된 결합 루프의 골격을 더 나은 개발성 쪽으로 재표면화 하는 데 쓰입니다.
  • 구조 생성 확산(Structure-generating diffusion)(연구, 독립 동료심사). RFdiffusion 은 잡음 제거 확산 과정으로 단백질 골격 — 표적에 대한 신생(de novo) 결합체 포함 — 을 생성하고, 그것을 하류 역접힘 모델이 서열화합니다 [10]. 그것은 신생 결합체에 대해 진정한 습식 실험실 성공을 가지지만, 특히 신생 항체 는 신생 미니 결합체보다 여전히 더 어렵고, CDR-H3 문제가 여기서도 뭅니다.

약속은 닫힌 루프입니다. 동시에 고친화도이면서 고개발성인 후보를 제안한 다음, 생존자를 실험적으로 검증하는 것이죠. 정직한 상태는 연구에서 파일럿 입니다. 신생 결합체와 공학적 항체에 대한 실재하는, 발표된 습식 실험실 성공이 있고, 잘 자금이 모인 여러 생명공학 기업이 이 방법들 위에 세워져 있지만, 발표된, 독립적으로 재현된 "개발성 설계로 임상에 간 항체를 설계했다"는 이야기는 여전히 얄팍합니다 — 대부분의 임상행 주장은 벤더 자체보고 또는 보도자료 한정 입니다. 더 나쁘게는, 생성된 서열이 정확히 그것들을 채점하기로 되어 있는 예측기를 스트레스 테스트합니다 — 이 장의 미해결 과제 절이 정면으로 다루는 바로 그 악순환이죠. 우리는 생성형 설계를 이 장에서 가장 흥미롭고 가장 덜 정착된 부분으로 다룹니다 — 유망하고, 부분적으로 실재하며, 아직 일상은 아니고, GMP 결정과는 천 리 밖입니다.

발견에서 제조 가능성으로의 이양을 그린 히어로 다이어그램: 왼쪽에서 결합 선별이 색칠된 CDR 문자열로 표시된 수많은 후보 항체 서열을 만들어 내고; 중앙의 인 실리코 개발성 깔때기가 해석 가능한 특징(소수성 GRAVY, 순전하, PTM 결함 모티프 N-G와 D-G와 자유 시스테인, 면역원성 에피토프)과 단백질 언어 모델 임베딩을 계산하여 각 후보를 점수화하고; 거부된 끈적하고 핫스팟이 가득한 서열이 장미색으로 떨어져 나가는 동안 초록색 생존자가 전진하고; 오른쪽에서 살아남은 각 속성이 화살표로 러닝 예제의 하류 제조 CQA에 대응됩니다 — 소수성은 SEC HMW 응집체로, PTM 핫스팟은 CEX 전하 변이체로, 자유 시스테인은 공유결합 HMW로, 모두 BATCH-2026-001로 수렴하며; 생성형 설계 루프가 깔때기로부터 다시 호를 그리며 재선별될 새 서열을 제안합니다. 척추를 보는 발견의 렌즈: 결합 선별이 인 실리코 개발성 깔때기를 후보 서열로 가득 채우고; 값싼 해석 가능 특징과 단백질 언어 모델 임베딩이 어떤 단백질도 만들어지기 전에 그것들을 분류하며; 살아남은 각 속성은 러닝 예제의 출하된 배치의 특정 하류 CQA에 대한 이른 베팅이고; 생성형 루프가 채점할 새 후보를 제안합니다. 저자가 AI의 도움을 받아 직접 제작한 그림입니다.

실행 가능한 개발성 선별​

이 장을 위한 예제 모음의 기여는 examples/platform/ml/developability.py 입니다 — CDR 서열을 받아, 위의 해석 가능한 특징을 계산하고, 그것들을 축별 플래그를 가진 결함 점수로 굴려 모으는 예시적 이지만 완전히 실행 가능한 선별로, 모든 플래그가 제조 CQA와 연결됩니다. 그것은 의도적으로 단순하고 투명합니다. 상용 도구는 손으로 설정한 가중치를 산업 분석 데이터에서 학습된 계수로 대체하고 PLM 임베딩과 구조 특징을 더하지만, 흐름 — SEQUENCE → FEATURES → RISK → CQA — 은 정확히 충실합니다. 서열들은 러닝 예제의 mAb-A 계열에 대한 그럴듯한 IgG CDR-H3 문자열입니다. 그것들은 실제 치료 서열이 아닙니다.

핵심은 서열을 화학으로 바꿉니다. 순전하는 이온화 가능 잔기에 걸친 Henderson-Hasselbalch 합이고, GRAVY는 평균 Kyte-Doolittle 친수성도이며, 결함은 정규식 모티프 적중으로, 각각 그것이 위협하는 CQA로 주석되어 있습니다:

# examples/platform/ml/developability.py
PKA_POS = {"K": 10.5, "R": 12.5, "H": 6.0}
PKA_NEG = {"D": 3.9, "E": 4.1, "C": 8.3, "Y": 10.1}

def net_charge(seq: str, pH: float = 7.4) -> float:
    """Henderson-Hasselbalch net charge of a peptide at a given pH."""
    pos = 1.0 / (1.0 + 10 ** (pH - N_TERM_PKA))
    neg = 1.0 / (1.0 + 10 ** (C_TERM_PKA - pH))
    for aa, pk in PKA_POS.items():
        pos += seq.count(aa) * (1.0 / (1.0 + 10 ** (pH - pk)))
    for aa, pk in PKA_NEG.items():
        neg += seq.count(aa) * (1.0 / (1.0 + 10 ** (pk - pH)))
    return round(pos - neg, 3)

# Each liability motif carries its chemical risk AND its CQA consequence.
LIABILITY_MOTIFS = {
    "deamidation_NG":   (r"N[GS]",    "Asn deamidation -> acidic charge variant"),
    "isomerization_DG": (r"D[GTSH]",  "Asp isomerization -> acidic/charge variant"),
    "n_glycosylation":  (r"N[^P][ST]","N-linked glycosylation sequon"),
    "oxidation_MW":     (r"[MW]",     "Met/Trp oxidation -> charge/stability"),
    "free_cysteine":    (r"C",        "unpaired Cys -> covalent HMW aggregate"),
    "fragmentation_DP": (r"DP",       "Asp-Pro acid-labile -> LMW fragment"),
}

위험 모델은 해석 가능한 가산 점수 입니다. 각 모티프 적중은 그 심각도에 맞춰진 손으로 설정한 벌점을 더합니다 — 탈아미드화 자리당 2점(전하 변이체), 이성질화 자리당 1.5점, 산화 경향 잔기당 1점, 당화 시퀀당 3점, 단편화 자리당 3점, 그리고 2로 나눈 나머지 트릭을 통해 홀수(짝지어지지 않은) 시스테인 개수에 일률 4점이죠. 순소수성 CDR은 GRAVY의 5배(응집/점도)를 더하고, 2를 넘는 전하 크기는 전하 극단 항을 더합니다. 가중치는 의도적으로 읽기 쉽습니다 — 상용 모델은 그것들을 산업 분석 데이터에 적합된 계수로 대체하겠지만, 가산성이 요점입니다. 최종 숫자에 대한 모든 기여가 하나의 이름 붙은 화학 메커니즘으로 추적 가능하며, 그것이야말로 점수를 단지 정확한 것이 아니라 감사 가능하게 만듭니다.

선별은 그다음 세 후보를 점수화합니다. mAb-A 리드 CDR-H3(N-G 탈아미드화 자리를 지님), 그 자리를 제거하기 위해 N→Q를 돌연변이시킨 생식세포계열화 변이체 v2, 그리고 인위적인 소수성 거부체죠. python developability.py를 실행하면 정확히 이것이 출력됩니다:

Antibody developability screen (illustrative)
====================================================

mAb-A_CDRH3_lead  (11 aa)
  GRAVY=-0.955  net_charge(pH7.4)=-1.028  liability_score=3.0
  motifs: {'deamidation_NG': 1, 'oxidation_MW': 1}
  - PTM hotspot -> acidic charge-variant drift (CEX)

mAb-A_CDRH3_v2  (11 aa)
  GRAVY=-0.955  net_charge(pH7.4)=-1.028  liability_score=1.0
  motifs: {'oxidation_MW': 1}
  - no high-severity liability detected (illustrative)

sticky_reject  (12 aa)
  GRAVY=+0.875  net_charge(pH7.4)=+0.974  liability_score=8.38
  motifs: {'oxidation_MW': 4}
  - HYDROPHOBIC CDR -> HMW aggregate / viscosity risk

ASSERT ok: germlining the N-G site lowers the liability score (3.0 -> 1.0).

발견 과학자처럼 읽으십시오. 리드는 탈아미드화 핫스팟 하나를 지니며, CEX 전하 변이체 표류 로 표시됩니다 — 출하 증명서에서 CEX_acidic_pct가 되는 바로 그 속성이죠. N→Q 생식세포계열화는 모티프를 제거하고 점수를 3.0에서 1.0으로 떨어뜨리며, 스크립트는 그 개선을 어서트(assert) 하여 주장이 조용히 썩을 수 없게 합니다. 책상에서의 서열 편집 하나가, 단 하나의 세포가 트랜스펙션되기도 전에, 예측된 제조 위험을 낮추는 것이죠. 소수성 거부체는 8.38로 가장 높은 점수를 받으며, HMW 응집체 / 점도 로 표시됩니다 — SEC_HMW_pct 속성과 피하주사 용량을 여과 불가능하게 만들었을 하류 점도죠. 점수는 예시적입니다. 서열에서 CQA로의 매핑 이 진짜 교훈이며, 그것은 모든 상용 개발성 도구가 훨씬 더 높은 충실도로 구현하는 같은 매핑입니다.

하나의 개발성 예측의 해부​

이 시리즈의 서명은 단일 레코드를 풀어 보는 것입니다. 개발성 예측은 결코 그저 하나의 숫자가 아닙니다 — 이 시리즈의 모든 산물처럼, 그 가치는 그 숫자와 함께 여행하는 것에 있습니다. 선별이 내보내는 레코드는 서열, 모든 해석 가능한 특징, 축별 플래그, 모델과 그 학습 출처, 그리고 — 결정적으로 — 각 플래그가 예측하는 하류 CQA 를 묶어, 발견 결정이 그것이 형성한 배치까지 앞으로 추적될 수 있게 합니다.

mAb-A_CDRH3_lead에 대한 하나의 개발성 예측 레코드를 풀어 보는 해부 신분증: 후보와 모델 developability.py illustrative v0를 이름 짓는 남색 헤더; CDR-H3 서열 ARDNGYWLFDY와 그 길이를 담은 입력 블록; GRAVY -0.955, pH 7.4에서의 순전하 -1.028, 그리고 모티프 적중 사전 탈아미드화 N-G와 산화 M-W를 나열한 특징 블록; 결함 점수 liability_score 3.0과 그 축별 플래그를 담은 초록색 코어; 각 플래그를 러닝 예제의 하류 CQA에 대응시키는 청록색 대조 패널 — PTM 핫스팟을 CEX 산성 전하 변이체 21.551 퍼센트로, 여기서는 조용한 소수성 축을 SEC HMW 1.287 퍼센트로, 역시 조용한 자유 시스테인 축을 공유결합 HMW로 — 가 BATCH-2026-001을 가리키며; 그리고 항체 패널에 대한 trained_on, 단백질 언어 모델로부터의 embeddings_from, 세포주 개발로의 advances_to, 그리고 모델이 자문적이며 결코 출하 결정이 아니라는 주석을 기록한 보라색 관계 패널을 보여주는 그림. 하나의 개발성 예측을, 온전히 풀어서: 그것을 먹인 서열, 그것을 설명하는 해석 가능한 특징과 모티프 적중, 초록색 코어로서의 결함 점수와 축별 플래그, 각 플래그를 BATCH-2026-001의 실제 하류 CQA에 대응시키는 대조 행들, 그리고 그 학습 데이터, PLM 임베딩, 자문 전용 범위를 기록하는 출처. 저자가 AI의 도움을 받아 직접 제작한 그림입니다.

필드별로, 그 카드는 이 장의 논증을 싣고 있습니다.

  • name — 후보 식별자, mAb-A_CDRH3_lead. 그것은 이 예측을 WCB-CHO-001이 되는 계통에 묶는 실입니다. 안정적인 이름이 없으면, 발견의 베팅은 그것을 시험한 배치까지 추적될 수 없습니다.
  • sequence와 length — CDR-H3 문자열 ARDNGYWLFDY와 그 길이, 11개 잔기. 이것은 예측의 계약 입니다. 선별은 자신이 보지 않은 잔기에 대해서는 아무것도 주장하지 않으며, 길이는 모든 잔기별 특징을 한정합니다. 검토자는 이 하나의 입력으로부터 모든 하류 필드를 재계산할 수 있습니다.
  • gravy = -0.955 — 해석 가능한 소수성 증거. 음수는 Kyte-Doolittle 척도에서 순친수성을 뜻하므로 서열 평균 응집 플래그는 발화하지 않습니다 — 그러나 이것은 그 지표의 바닥이지, 완전한 무혐의가 아닙니다. 이 CDR은 방향족이 풍부하며(11개 잔기 중 4개가 W/Y/F — 친화도 선택이 선호하고 응집이 두려워하는 바로 그 잔기들), Kyte-Doolittle은 Trp와 Tyr를 친수성으로 점수화하여, 구조 유래 SAP이라면 평균 내어 지우는 대신 국소화할 바로 그 방향족 끈적함을 과소평가합니다. 여기서 조용한 GRAVY는 "서열 평균에서는 명백한 것이 없다"는 뜻이지 "응집 위험이 없다"는 뜻이 아니며 — 그래서 이 장은 서열 GRAVY가 마지막 말이 되도록 결코 두지 않습니다. 화학자는 Kyte-Doolittle 지수를 합하고 11로 나누어 그 숫자를 감사할 수 있습니다. 그 숫자가 신뢰할 만한지 는 정확히 서열 특징 절이 앞서 제기한 SAP 대 GRAVY 논점이며, 이제 러닝 예제에 살아 있게 자리합니다.
  • net_charge_74 = -1.028 — 제형과 관련된 pH 7.4에서의 순전하, Henderson-Hasselbalch 합에서 나옴. 그 크기는 전하 극단 임계값을 잘 밑돌므로, 전하 극단 항은 아무것도 기여하지 않습니다 — 그러나 그 부호 는 공장이 측정할 산성 쪽으로 기운 전하 변이체 프로파일을 예고합니다.
  • motif_hits — 사전 {'deamidation_NG': 1, 'oxidation_MW': 1}: 실제 정규식 적중과 개수. 이것이 설명가능성의 코어입니다 — "위험"이 아니라, 어느 모티프인지, 몇 개 인지, 따라서 어느 메커니즘 인지죠. 탈아미드화 자리 하나와 산화 경향 잔기 하나, 각각 이름 붙은.
  • liability_score = 3.0 — 초록색 코어, 가산 합산: 탈아미드화 적중에서 2점 더하기 산화 적중에서 1점. 그 스칼라는 표제이지만, 그것은 가장 덜 실행 가능한 필드입니다. 팀이 행동에 옮기는 것은 플래그입니다.
  • flags — 사람이 읽을 수 있는 축별 평결, 여기서는 PTM hotspot -> acidic charge-variant drift (CEX). 각 플래그는 발견 과학자가 검토에 들고 갈 수 있고 규제 당국이 나중에 읽을 수 있는 하나의 문장입니다.
  • 대조 패널 — 이 장을 시리즈의 일부로 만드는 행들. 각 플래그는 그것이 출하된 배치에서 예측한 측정된 CQA를 가리킵니다: PTM 핫스팟은 CEX_acidic_pct = 21.551에, (여기서는 조용한) 소수성 축은 SEC_HMW_pct = 1.287에 대비하여, (역시 조용한) 자유 시스테인 축은 공유결합 HMW에 대비하여. 이것이 개발성 베팅을, 공장이 마침내 돌아갈 때, 반증 가능한 예측으로 바꾸는 것입니다.
  • 관계 패널 — 항체 패널에 trained_on(Jain 집합 같은 잣대이지, 이 분자가 아님), 단백질 언어 모델로부터 embeddings_from, 세포주 개발로 advances_to, 그리고 상존하는 범위: 자문 전용. 발견 모델은 분류하고 제안합니다. 그것은 결코 출하하거나, 설정점을 정하거나, 규제 당국이 핵심이라 부를 그 무엇도 결정하지 않습니다.

미해결 과제: 예측기와 설계자가 정확히 중요한 곳에서 어긋난다​

여기서 정직한 미해결 문제는 이 분야 전체가 알면서도 누구도 닫지 못한 악순환이며, 생성형 설계가 더 좋아질수록 정확히 더 날카로워집니다. 개발성 예측기는 존재하는 항체로 학습됩니다 — 임상 단계 분자, 내부 역사적 패널 — 이는 잘 거동하도록 이미 선택을 살아남은 서열 공간의 표본입니다. 생성형 설계자(IgLM, RFdiffusion 더하기 ProteinMPNN, 그 외)는 정확히 아직 존재하지 않는 서열을, 흔히 친화도-개발성 트레이드오프를 탈출하기 위해 의도적으로 천연 분포에서 멀리, 제안하려고 존재합니다. 그래서 생성형 모델은 그것을 채점해야 할 예측기가 학습 지원이 가장 적고 가장 신뢰할 수 없는 정확히 그 영역에서 가장 가치 있는 후보를 생산합니다. 예측기는 "괜찮아 보인다"고 말합니다. 그것이 "괜찮다"는 뜻인지 "내가 학습받은 그 무엇과도 같지 않다"는 뜻인지는 점수만으로는 알 수 없습니다 — 그리고 설계자가 더 창의적일수록, 예측기의 침묵은 더 자신 있게 틀릴 수 있습니다.

그 순환은 이름 붙일 가치가 있는 방식으로 자기 강화적입니다. 예측기의 개발성 점수를 최대화하도록 학습된 생성형 모델은, 충분한 자유가 주어지면, 예측기의 사각지대를 악용하도록 학습할 것입니다 — 아름답게 점수받지만 끔찍하게 거동하는 서열을 생산하는, 단백질 설계판 적대적 예제죠. 예측기와 설계자는 습식 실험실이 심판하기엔 너무 느린 군비 경쟁에 빠집니다.

세 가지 부분적 방어가 있지만, 어느 것도 완전하지 않습니다:

  • 불확실성 추정. 예측기가 점수만이 아니라 교정된 신뢰도 — 앙상블의 분산, 가우시안 과정 사후 분산, 등각 구간 — 를 보고하게 하여, 분포 밖 후보가 "나는 이런 것을 본 적이 없다"고 스스로 표시하게 하십시오. 그러나 두 가지 주의가 뭅니다. 작은 생물물리학 데이터셋에서의 교정 자체가 신뢰할 수 없고(예측기를 동기 짓는 바로 그 데이터 희소성이 신뢰도 추정을 약화시킵니다), 등각 구간의 커버리지 보장은 새 후보가 교정 집합과 교환 가능(exchangeable) 하다고 가정하는데 — 생성형 설계자는 이를 구성상 위반하므로, 순진한 구간은 정확히 그것이 단속하기로 되어 있는 새로운 서열에서 가장 신뢰할 수 없습니다. 더 방어 가능한 분포 밖 신호는 흔히 무딘 것입니다. 임베딩 공간에서 학습 다양체까지의 후보 거리(또는 분포 이동을 인식하는 등각 변형)이죠.
  • 능동 학습. 당신이 감당할 수 있는 그 몇 안 되는 습식 실험실 분석을, 모델이 가장 불확실해하는 후보에 쓴 다음, 재학습하십시오. 이것이 원칙에 맞는 루프이고, 공정 개발에서의 베이지안 최적화를 이끄는 것과 같은 데이터 효율성 논리입니다 — 가장 편리한 레이블이 아니라 가장 정보적인 레이블을 사라 — 그러나 각 주기는 발현-정제-분석에 여러 주가 들어서, 당신은 수백이 아니라 한 줌의 주기를 얻습니다.
  • 물리 정박 특징. 학습된 소수성 상관보다 구조 모델로부터의 SAP을 선호하고, 블랙박스 임베딩보다 기계론적 전하 패치 항을 선호하십시오. 메커니즘은 분포 밖으로 일반화하는데, 그것이 왜 인지를 부호화하기 때문이지, 단지 학습 집합에서 무엇이 상관되었는지 가 아니기 때문입니다 — 이 책 어디서나 이기고 이 모음의 하이브리드 디지털 트윈이 하류에서 구현하는 것과 같은 하이브리드 모델링 본능이죠.

미해결의 핵심은 남습니다. 새로운 서열에 대한 개발성 예측을 정착시키는 유일한 것은 단백질을 만들어 측정하는 것이고, 그것은 예측이 피하려 했던 바로 그 비싼 단계입니다. 발견 ML은 평결이 아니라 더 잘 정렬된 대기열을 사 줍니다.

이 장이 모델 모음에 더하는 것​

이 장은 examples/platform/ml/에 한 모듈을 기여합니다:

  • developability.py — 예시적인 서열 특징 → 결함 점수 선별. 그것은 CDR 서열로부터 GRAVY, Henderson-Hasselbalch 순전하, 그리고 PTM/응집 결함 모티프를 계산하고; 그것들을 축별 플래그를 가진 해석 가능한 가산 결함 점수로 굴려 모으며; 모든 플래그를 하류 제조 CQA(HMW 응집체, 전하 변이체, 단편화)와 연결하고; 탈아미드화 핫스팟을 생식세포계열화하면 예측된 위험이 낮아진다(3.0에서 1.0으로)고 어서트하여, 중심 주장이 CI로 검사 가능하게 합니다. 그것은 이 모음의 하류 모델에 대한 발견 단계의 북엔드입니다. soft_sensor_pls.py가 실행 중에 CQA를 예측하는 곳에서, developability.py는 그 CQA에 대한 경향 을 서열로부터, 수년 더 일찍, 예측합니다.

이 모듈은 의도적으로 의존성이 가볍고(표준 라이브러리만), 그래서 어디서나 실행되며, 의도적으로 투명하여 메커니즘이 감사 가능합니다 — 두 선택 모두 모델의 출력이 품질 결과를 형성할 때면 언제나 해석가능성이 미미한 정확도를 이긴다는 규제 자세를 반영합니다.

왜 중요한가​

발견은 제조의 어려움이, 거의 전적으로 공짜로, 결코 공장을 보지 않는 사람들에 의해 만들어지는 곳입니다. 응집 경향이 있거나 핫스팟이 가득한 후보를 서열 단계에서 잡아내는 개발성 모델은, 애초에 실패할 운명이던 분자를 둘러싸고 지어진 세포주, 공정, 분석 패키지의 비용을 절약합니다 — 그리고 그것은 경로를 바꾸는 유일한 비용이 문자열 편집인 때에 그렇게 합니다. 서열을 제대로 잡으면 이 책의 하류 절반 전체가 더 쉬운 일을 합니다. 잘못 잡으면 가장 정교한 소프트 센서나 하이브리드 디지털 트윈도 결코 전진해서는 안 되었던 분자를 그저 계측하고 있을 뿐입니다. 척추에서 가장 이른 학습은 분자를 바꾸는 가장 저렴한 곳이고, 틀리기에 가장 비싼 곳입니다.

CMC와 GMP 관점​

이 책에서 가장 야심 찬 ML이 왜 여기서 돌아가는지를 정밀히 말할 가치가 있는데, 그 답은 규제적이지 기술적이지 않기 때문입니다. 개발성 모델은 연구 도구 입니다. 그 출력은 분류이자 제안이고, 과학자가 검토하며, 그것은 결코 출하 결정이나 설정점이나 배치 기록에 닿지 않습니다. 그러므로 그것은 제조 장들을 구속할 EU/PIC/S GMP(Good Manufacturing Practice, 우수 제조 관리 기준 — 약이 실제로 어떻게 제조되는지에 대한 법적 구속력 있는 규칙) 부속서 22 초안과 FDA 모델 신뢰성 프레임워크의 잠긴 모델 규율 바깥에 전적으로 자리합니다 [12][13] — 형식적 검증 프로토콜도, 모든 재학습에 대한 변경 관리도, 모든 추론에 대한 사람의 개입 승인도 없습니다. 그 자유야말로 생성형 모델과 거대 PLM이 발견 벤치에서 돌아갈 수 있게 하는 것이며, 바이오리액터에서는 금지된 것이죠.

그러나 베팅은 사라지지 않습니다. 미뤄질 뿐입니다. 개발성 결정은 분자가 전진하는 순간 그 분자의 CMC(Chemistry, Manufacturing, and Controls, 화학·제조·관리 — 제품이 어떻게 만들어지고 통제되는지를 정의하는 규제 서류의 일부) 이야기의 일부가 됩니다. 서열과 그 알려진 결함은 관리 전략 에 입력됩니다 — 예를 들어 표시되었으나 보존된 탈아미드화 자리는 QC 출하 장이 결국 시행할 CEX 전하 변이체 규격 구간의 정당화가 되고, 그 구간에 대한 구조-기능 근거는 검토자가 읽는 한 절입니다. 발견 모델의 출력 은 결코 규제 신청서에 없습니다. 그 결과 는 신청서 도처에 있습니다. 거래는 뚜렷하고 깨끗합니다. 모델은 아무것도 결정하지 않기에 자유롭고, 그것은 — 수년 뒤, 실제 로트에서 — 공장이 측정하는 바로 그 CQA에 의해 채점됩니다.

실제 현장에서는​

실제로, 항체 발견 팀은 이미 개발성 분류를, 발표된 생물물리학 가이드라인에 정박하여, 일상적인 인 실리코 게이트로 돌립니다. Therapeutic Antibody Profiler (TAP)(연구, 독립 동료심사)는 항체 구조 모델로부터 다섯 개의 개발성 지표를 계산하고 임상 단계 항체가 펼친 범위 밖의 후보를 표시합니다 — 독점 학습 집합이 필요 없는, 투명한 가이드라인 기반 선별이죠 [1]. 임상 단계 항체 137개를 십여 개 분석에 걸쳐 본 Jain 등 의 생물물리학 조사는 "정상"이 도대체 어떻게 생겼는지를 알려 주는 경험적 기반암이며, 거의 모든 학습된 모델이 그라운드 트루스로 인용합니다 [2]. 학습된 후속작들 — 서열/구조/PLM 임베딩 속성 예측을 위한 PROPERMAB(연구, 자체 저자 동료심사) [5], 대규모 점도 데이터에 대한 앙상블 딥러닝(연구, 자체 저자 동료심사) [4], 초기 패널로부터 후기 종점을 예보하는 ACeT 맥락 임베딩 트랜스포머(연구, 프리프린트) [6], 해석 가능한 점도 감소 ML(연구) [7] — 은 학습 데이터가 존재하는 곳에서 정확도를 더 높이 밀어붙입니다. 생성형 플랫폼(연구에서 파일럿) — IgLM, ProteinMPNN, RFdiffusion 및 그 위에 세워진 사업들 [8][9][10][11] — 은 실재하며 신생 결합체와 공학적 항체를 제안하고, 진정한 습식 실험실 성공을 가지지만 독립적으로 재현된 개발성 설계 임상 이야기는 거의 없습니다(대부분의 임상 주장은 벤더 자체보고 또는 보도자료 한정).

거버넌스 현실은 이 이야기의 차분한 부분이며, 그것이 발견이 이 책에서 가장 야심 찬 ML이 실제로 돌아가는 곳인 이유입니다. 앞 절이 펼쳤듯, 개발성 모델은 규제 당국이 핵심이라 부를 그 무엇도 결정하지 않으므로 부속서 22 초안과 FDA 모델 신뢰성 프레임워크 바깥에 자리합니다 [12][13] — 그 베팅은 그저 미뤄질 뿐, 수년 뒤 QC 출하 장이 측정하는 바로 그 CQA에 의해 채점됩니다. ISPE Pharma 4.0 현실은 여기서도 유지됩니다. 파일럿은 군집하고, 상용 배포는 드물며, 가치는 어떤 자율적 결정이 아니라 분류와 제안에 있습니다.

핵심 용어​

  • CQA(중요 품질 속성) — 약이 안전하고 효과적이려면 그 규격 안에 머물러야 하는 측정 가능한 제품 속성(예: SEC 단량체, 전하 변이체). 1장에서 정의됨.
  • CDR(상보성 결정 영역) — 항체의 결합 표면을 형성하는 가변 영역 루프. 발견이 자유를 갖고 대부분의 결함이 사는 곳.
  • SEC / CEX / HIC — 분석용 크로마토그래피 분석법: SEC(크기 배제)는 응집체와 단편 함량을 재고, CEX(양이온 교환)는 전하 변이체 분포를 재며, HIC(소수성 상호작용)는 응집 대용으로 쓰이는 머무름 시간을 보고함.
  • CMC / GMP — CMC(화학·제조·관리)는 제품이 어떻게 만들어지고 통제되는지를 정의하는 서류 절이고, GMP(우수 제조 관리 기준)는 약이 어떻게 제조되는지에 대한 구속력 있는 규칙 집합. 개발성 모델은 아무것도 결정하지 않기에 둘 다의 바깥에 자리하며, 그 베팅은 나중에 CMC 관리 전략에 입력됨.
  • 개발성(Developability) — 결합체가 실제로 제조되고 투여될 수 있는지를 결정하는 속성들의 묶음(응집, 점도, 안정성, PTM 결함, 면역원성).
  • 결함 모티프(Liability motif) — 자발적 화학이 이질성을 만들어 내는 짧은 서열 패턴(예: N-G 탈아미드화, D-P 단편화, 짝지어지지 않은 시스테인). 각각 특정 CQA에 대응됨.
  • GRAVY — 친수성도의 총평균. 서열의 평균 Kyte-Doolittle 소수성으로, 끈적한 CDR / 응집 대용.
  • SAP(공간 응집 경향) — 이동 표면 창에 걸친 구조 유래 소수성 점수. 서열 평균 GRAVY가 놓치는 끈적한 패치를 국소화하며, 측정된 응집의 최고 예측기.
  • PTM(번역후수식) — 하나의 분자를 이질적 집단으로 바꾸는 잔기의 화학적 변화(탈아미드화, 이성질화, 산화, 당화).
  • 탈면역화(Deimmunization) — 결합을 보존하면서 항약물 항체 위험을 줄이기 위해 예측된 T 세포 에피토프를 돌연변이시키는 것.
  • 단백질 언어 모델(PLM) — 수억 개의 천연 서열에 자기 지도로 학습된 모델(예: ESM). 소규모 데이터 속성 예측을 위한 서열 유사가능도와 전이 가능한 임베딩을 공급함.
  • 전이 학습(Transfer learning) — 대규모 코퍼스 모델의 학습된 표현을 작은 레이블된 과제의 특징으로 사용하는 것. 핵심 소규모 데이터 우회로로, 발견에서 가장 효과적.
  • 생성형 설계(Generative design) — 기존 서열을 선별하기만 하는 대신 새로운 서열을 샘플링하거나 설계하는 것(IgLM 같은 항체 언어 모델, ProteinMPNN 같은 역접힘, RFdiffusion 같은 확산).
  • Therapeutic Antibody Profiler (TAP) — 다섯 개 지표에서 임상 단계 범위 밖의 후보를 표시하는, 가이드라인 기반의 구조 유래 개발성 선별.
  • 분포 밖 문제(Out-of-distribution problem) — 생성형 모델이 정확히 개발성 예측기가 학습 지원을 갖지 못한 곳에서 가장 가치 있는 후보를 제안하는 실패 모드.
  • 자문 전용 범위(Advisory-only scope) — 발견 모델은 분류하고 제안하지만 결코 규제 결정을 내리지 않으며, 그 베팅은 나중에 측정된 CQA에 의해 채점됨.
  • 시맨틱 정박(Semantic grounding) — 특징을 스프레드시트 열이 아니라 그 온톨로지 IRI(전 세계적으로 고유한 웹 이름)에 키잉하여, 이름이 바뀐 입력이 큰 소리로 실패하고 지식 그래프가 그것을 조인할 수 있게 하는 것. 4권의 FAIR/식별자 규율.
  • 계보 그룹화 분할(Lineage-grouped split) — derivedFrom 출처 에지(PROV-O 계보)를 교차검증 그룹화 키로 사용하는 것. 배치 하나 빼기(leave-one-batch-out)의 계통 하나 빼기 유사물로, 친화도 성숙의 거의 중복이 학습/시험 절단을 가로지르지 못하게 함.
  • SHACL 검증 학습 집합(SHACL-validated training set) — 출하 게이트의 닫힌 세계 완전성/범위 형태를 학습 테이블에 적용하여, 적합 전에 모델의 입력이 존재하고, 단일하며, 타입이 있고, 규격 안에 있음을 보장하는 것.

다음 이야기​

이제 한 서열이 개발성 게이트를 살아남았습니다. 베팅은 놓였지만, 아직 어떤 단백질도 존재하지 않습니다. 다음 장 세포주 개발: 기계학습으로 클론 순위 매기기는 선택된 서열을 생산 세포로 바꾸고 첫 번째 습식 실험실 소규모 데이터 벽을 본격적으로 마주합니다. 수천 개의 클론 중, 어느 소수가 고생산이고, 안정적이며, 품질이 일관될 것인가 — 그리고 그중 어느 것이 WCB-CHO-001이 되기 한참 전에, 학습이 어떻게 희소하고 시끄러운 초기 선별 데이터로부터 그것들의 순위를 매기는가.