Apple SimpleDesign 단백질 설계, 학습 단계 하나를 줄였지만 실험실 검증은 아직 없다

전문화된 파이프라인을 중심으로 발전해 온 분야에서 Apple 연구진은 단일 학습 단계를 사용하는 단백질 모델을 선보였다. Apple SimpleDesign 단백질 설계 시스템은 아미노산 서열과 3차원 구조를 함께 생성한다. 이 시스템의 핵심 주장은 입증된 생물학적 기능이 아니라 아키텍처의 단순성에 있다.

이 구분은 중요하다. SimpleDesign은 200만 개 이상의 서열-구조 쌍으로 학습한 뒤 컴퓨터 벤치마크에서 경쟁력 있는 결과를 냈다. 그러나 연구진은 생성된 단백질에 대한 실험실 합성, 접힘 측정, 결합 시험 또는 기능 분석 결과를 보고하지 않았다.

따라서 이 연구는 모델 설계 측면에서 ESM3와 DPLM2 같은 멀티모달 시스템에 압박을 가하는 한편, 구조적 일관성에서는 기하학 모델이 여전히 강력한 경쟁력으로 남아 있음을 보여준다. 핵심 경쟁은 단순한 엔드투엔드 모델링과 특화된 단백질 아키텍처 사이에 있다. SimpleDesign은 더 단순한 접근법의 신뢰성을 높였지만, 그 신뢰성이 생물학적 현실에서도 유지되는지는 실험으로 판별해야 한다.

Apple의 SimpleDesign 단백질 설계 모델이 바꾸는 점

SimpleDesign은 많은 멀티모달 단백질 모델이 생성에 앞서 사용하는 학습형 구조 토크나이저 단계를 제거한다.

Apple은 이 연구를 2026년 9월 Transactions on Machine Learning Research 게재 논문으로 등록했다. 저자로는 Jiarui Lu, Yuyang Wang, Yizhe Zhang, Jiatao Gu, Navdeep Jaitly, Joshua M. Susskind, Miguel Ángel Bautista 등이 이름을 올렸다.

논문 페이지에 따르면 여러 저자는 Apple 재직 중 이 연구를 수행했다. Lu는 Mila 및 Université de Montréal에도 소속돼 있다. Apple 연구 페이지는 이 프로젝트를 단백질 서열과 구조 공동 설계를 위한 결합 모델로 설명한다.

단백질 서열은 단백질을 구성하는 아미노산의 정렬된 사슬을 뜻한다. 단백질 구조는 이 사슬이 3차원 공간을 어떻게 차지하는지를 설명한다. 서열은 접힘에 영향을 미치고, 원하는 형태는 가능한 서열을 제한하기 때문에 두 양식은 서로 연결돼 있다.

많은 생성 시스템은 이 관계를 별도 단계로 처리한다. 먼저 오토인코더가 구조 정보를 학습된 토큰 또는 다른 잠재 표현으로 압축한다. 이어 두 번째 모델이 이 압축된 공간에서 생성하는 방법을 학습한다.

SimpleDesign은 이 사전 토크나이징 과정을 없앤다. 아미노산 정체성은 이산 변수로, 구조 좌표는 연속 변수로 직접 표현한다. 단일 학습 목표가 손상된 데이터의 두 형태를 모두 복원하도록 모델을 학습시킨다.

서열의 경우 목표는 마스크드 언어 모델링과 유사하다. 일부 아미노산 위치를 가리고, 모델은 교차 엔트로피 손실을 사용해 해당 정체성을 예측한다. 교차 엔트로피는 예측된 범주형 확률이 올바른 아미노산과 얼마나 잘 일치하는지 측정한다.

구조의 경우 모델은 잡음으로 교란된 좌표를 입력받는다. 모델은 이 좌표를 학습 데이터 방향으로 되돌리도록 유도하는 회귀 목표를 학습한다. 회귀는 연속 값을 예측하므로 이산 구조 기호의 어휘보다 좌표에 더 적합하다.

연구진은 이를 직접 데이터 공간 모델링이라고 부른다. 생성 모델이 단백질 구조를 활용하기 전에 별도로 학습된 코드북을 거치도록 만들지 않는다.

추론 과정에서 SimpleDesign은 마스킹된 아미노산 위치와 잡음이 섞인 좌표에서 시작한다. 구조를 노이즈 제거하면서 서열을 점진적으로 드러낸다. 두 과정이 함께 진행되므로 각 양식은 다른 양식에 영향을 줄 수 있다.

이 결합 과정은 여러 구성을 지원한다. 구조를 모르는 상태에서 서열을 제공하면 단백질 접힘과 유사하다. 서열을 모르는 상태에서 구조를 제공하면 주어진 백본과 호환되는 서열을 찾는 역접힘과 유사하다.

양쪽 모두 알려지지 않았을 때 모델은 둘 다 생성한다. 이 무조건적 공동 설계 설정은 시스템이 새로운 서열과 제안된 형태 사이의 일관성을 유지해야 하므로 논문의 핵심 시험 조건이다.

연구진은 주로 AFESM의 필터링된 버전으로 SimpleDesign을 학습시켰다. 전체 AFESM 리소스는 AlphaFold Database의 예측 구조와 ESM Metagenomic Atlas를 결합한다.

원본 컬렉션에는 8억 개가 넘는 예측 구조가 포함돼 있다. 제작자들은 서열 및 구조 유사도를 통해 원시 기록을 그룹화해 약 500만 개의 비단일 구조 클러스터를 만들었다.

SimpleDesign은 이 더 넓은 리소스에서 200만 개 이상의 서열-구조 쌍을 사용했다. 연구진은 또한 정제된 단백질 서열 데이터베이스인 Swiss-Prot를 이용한 추가 미세 조정도 연구했다.

이 세부 사항은 무엇이 바뀌었는지를 보여준다. Apple 팀은 최초의 생성형 단백질 모델이나 서열과 구조를 결합한 최초의 시스템을 내놓은 것이 아니다. 대신 결합 생성에 별도로 학습된 구조 어휘가 반드시 필요하지는 않다는 근거를 제시했다.

이는 AI가 설계한 신약에 관한 헤드라인이 암시하는 것보다 더 제한적인 주장이다. 동시에 기술적으로 의미 있는 주장이다. 학습 단계를 하나 제거하면 정보가 손실되거나 최적화가 불안정해질 수 있는 학습된 인터페이스의 수가 줄어든다.

SimpleDesign 논문은 이 접근법을 보편적 대체재가 아니라 기하학 모델을 보완하는 방식으로 제시한다. 이 프레이밍은 벤치마크 결과를 특화된 대안들과 비교할 때 중요해진다.

단일 단계 접근법이 지금 중요한 이유

직접적인 압박은 학습된 구조 토큰과 별도 최적화 구성요소에 복잡성이 의존하는 멀티모달 단백질 모델에 가해진다.

단백질 생성은 서열 전용 언어 모델링을 넘어섰다. 연구자들은 서열, 구조, 기능, 분자 맥락 또는 이들 특성 가운데 여러 요소를 동시에 조정하는 시스템을 점점 더 원하고 있다.

양식이 추가될 때마다 표현 문제가 생긴다. 아미노산은 본질적으로 이산적이지만, 3차원 좌표는 연속적이며 기하학적이다. 분자 전체를 회전해도 생물학적 정체성은 바뀌지 않아야 하지만, 일반적인 토큰 시퀀스에는 이러한 대칭성이 내장돼 있지 않다.

한 가지 대응은 특화다. 모델은 기하학 신경망, 회전 인식 연산, 구조 토크나이저 또는 작업별 확산 과정을 사용할 수 있다. 이러한 도구는 모델이 분자 기하학을 존중하도록 돕는 가정을 담고 있다.

또 다른 대응은 통합이다. 학습 목표가 양식 간 차이를 보존한다면 범용 아키텍처는 공유 프레임워크를 통해 서로 다른 양식을 처리할 수 있다. SimpleDesign은 이 경로를 따른다.

이러한 시점은 단백질 AI 전반의 진전을 반영한다. 구조 예측 시스템은 신경망이 서열로부터 그럴듯한 3차원 형태를 추론할 수 있음을 보여줬다. 이후 생성 시스템은 이 관계를 역방향으로 활용하고 확장하기 시작했다.

RFdiffusion은 확산 모델이 여러 설계 작업을 위해 단백질 백본을 생성할 수 있음을 입증했다. 공개된 실험에는 결합체, 대칭 조립체, 금속 결합 단백질이 포함됐다.

ESM3는 서열, 구조, 기능 전반을 추론함으로써 언어 모델 경로를 확장했다. 연구진은 알려진 자연 사례와 거리가 먼 형광 단백질을 포함해 일부 출력을 합성했다.

이러한 진전은 멀티모달 생성에 대한 기대를 높였다. 동시에 여러 목표, 표현 및 검증 단계를 갖춘 정교한 시스템도 만들어냈다. SimpleDesign은 이 장치의 일부가 선택 사항인지 묻는다.

Apple의 모델은 MoT로 약칭되는 Mixture-of-Transformer 아키텍처를 사용한다. 이는 토큰을 다수의 독립 전문가 네트워크 사이에서 동적으로 라우팅하는 mixture-of-experts 시스템이 아니다.

대신 MoT는 서열 및 구조 스트림에 양식별 프로젝션, 정규화, 피드포워드 처리를 제공한다. 이후 결합된 토큰 전반에 걸쳐 전역 자기 주의를 수행한다.

이 설계는 각 양식이 특화된 매개변수를 유지하면서 정보를 교환할 수 있게 한다. 서열 스트림은 언어 모델 지식을 보존하고, 구조 스트림은 연속 좌표를 처리할 수 있다.

보고된 두 SimpleDesign 변형 모델은 모두 서열 임베딩과 어텐션 레이어에 공개 ESM2-650M 가중치로 시작했다. 이러한 초기화는 모든 생물학적 패턴이 쌍 데이터 학습만으로 나타나기를 요구하는 대신 단백질 서열에 관한 사전 지식을 모델에 제공한다.

팀은 공유 매개변수를 가진 바닐라 Transformer도 시험했다. 놀랍게도 이 버전 역시 경쟁력을 유지했으며, 일부 지표에서는 MoT를 넘어섰다.

이 절제 실험은 논문의 핵심 메커니즘을 강화한다. 절제 실험은 실제로 성능을 이끄는 요소를 판단하기 위해 하나의 구성요소를 제거하거나 변경한다. 여기서는 특화된 백본이 보고된 성능 향상을 일관되게 설명하지 못했다.

토크나이저 없는 목표는 정확한 Transformer 변형보다 더 중요해 보인다. Apple 연구진은 MoT가 모든 지표를 일관되게 개선하지는 않는다고 명시적으로 밝힌다.

이러한 인정은 SimpleDesign을 AI 연구에서 익숙한 패턴과 구분한다. 새로운 시스템은 종종 개별 개선 요소를 분리하기 어려운 패키지로 제시된다. 이 논문은 학습 정식을 주요 기여로 지목한다.

잠재적 이점은 단순히 더 작은 아키텍처 다이어그램에 그치지 않는다. 다단계 모델은 각 단계 사이의 의존성을 물려받는다. 구조 토크나이저가 미묘한 정보를 버린다면 이후 생성기는 이를 복구할 수 없다.

별도 학습은 목표 간 불일치도 만들 수 있다. 재구성을 위해 최적화된 토크나이저가 생성에 가장 적합한 표현을 자동으로 만들어내는 것은 아니다. 엔드투엔드 학습은 생성 손실이 전체 모델을 형성하도록 한다.

그러나 단순성이 더 낮은 운영 비용을 보장하지는 않는다. 논문은 모든 경쟁 시스템을 대상으로 학습 시간, 추론 속도, 메모리 사용량 또는 에너지 소비를 폭넓게 비교하지 않았다.

단일 단계는 반드시 하나의 추론 연산을 뜻하는 것이 아니라 최적화 파이프라인을 가리킨다. SimpleDesign은 여전히 반복적인 서열 언마스킹과 좌표 노이즈 제거를 통해 생성한다.

구조 스케줄은 비균일 단계를 사용하며 후기 단계의 정제를 강조한다. 서열 스케줄은 더 균등하게 진행된다. 이 결합된 스케줄은 샘플링 중 서로 다른 두 종류의 불확실성을 조정한다.

따라서 SimpleDesign은 특정한 의미에서 더 단순하다. 학습형 구조 토크나이저와 별도 잠재 모델 학습 단계를 제거한다. 반복 생성, 사전학습 초기화, 데이터 필터링 또는 신중한 샘플링 선택까지 없애는 것은 아니다.

이러한 정확한 해석은 연구 도입을 고려하는 팀에 중요하다. 이 연구는 대안적 모델링 레시피를 제시할 뿐, 단백질 생성이 쉬워졌거나 저렴해졌다는 증거는 아니다.

단순한 Transformer와 특화된 기하학의 대결

SimpleDesign의 주된 경쟁은 Apple과 특정 한 기업 사이가 아니라, 범용 Transformer 모델링과 분자 기하학을 위해 명시적으로 설계된 아키텍처 사이에 있다.

이 구분은 벤치마크 결과에서 드러난다. Apple은 SimpleDesign을 멀티모달 단백질 언어 모델 및 기하학적 설계 시스템과 비교했다.

언어 모델 그룹에는 ESM3, DPLM, DPLM2가 포함됐다. 이 시스템들은 때로 이산 구조 표현을 사용하면서 토큰 생성 아이디어를 생물학 영역으로 확장한다.

기하학 그룹에는 MultiFlow, La-proteina, RFdiffusion, FrameFlow 및 관련 방법이 포함됐다. 이 모델들은 더 강한 구조적 가정이나 특화된 생성 동역학을 사용한다.

SimpleDesign는 100개에서 500개 잔기 범위의 단백질을 대상으로 무조건 생성 성능을 평가했다. 보고된 실험에서는 이 길이 범위에 걸쳐 생성된 샘플 100개를 사용했다.

이 연구는 생성된 서열을 다시 접고 예측 결과를 함께 생성된 구조와 비교하는 방식으로 공동 설계 가능성을 평가했다. 구조적 유사성에 기반한 임계값을 충족하면 해당 쌍은 일관된 것으로 집계됐다.

한 기준으로는 자기 일관성 제곱평균제곱근편차, 즉 scRMSD를 사용했다. 이는 모델이 제안한 구조와 다시 접은 서열을 정렬한 뒤 좌표 간 평균 차이를 측정한다.

논문은 이 지표에 2옹스트롬의 임계값을 사용했다. 옹스트롬은 100억분의 1미터로, 분자 거리 측정에 흔히 쓰인다.

두 번째 기준으로는 자기 일관성 TM-score, 즉 scTM을 사용했다. TM-score는 단백질 길이에 대한 민감도를 낮추면서 전반적인 구조 유사성을 평가한다.

연구에서는 이 비교에 0.9의 임계값을 사용했다. 1에 가까운 점수는 전체 접힘 구조가 매우 유사함을 뜻한다.

이 테스트는 유용한 계산적 질문을 던진다. 모델이 서열과 구조를 함께 제안할 때, 독립적인 접힘 시스템도 그 서열이 유사한 형태로 되돌아간다고 예측하는가?

SimpleDesign는 토큰 기반 멀티모달 언어 모델과 비교해 경쟁력 있는 성능을 보였다. 일부 구성에서는 일관성, 신규성, 연속적 구조 다양성의 강력한 조합을 달성했다.

가장 강력하다고 보고된 Transformer 구성은 scRMSD 기준에서 0.62, scTM 기준에서 0.84의 공동 설계 가능성 비율을 기록했다. 이 수치는 정제된 미세 조정 이후 얻어진 것이며, 선택한 샘플링 설정에 따라 달라졌다.

Mixture-of-Transformer 버전은 한 보고된 구성에서 동일한 두 기준으로 각각 0.53과 0.74를 기록했다. 다른 노이즈 설정에서는 일관성과 다양성 간의 절충이 나타났다.

이러한 변형은 중요하다. 생성 모델에는 맥락과 무관한 단일 성능 수치가 드물다. 샘플링 설정에 따라 보수적이면서 내부적으로 일관된 설계를 만들 수도 있고, 일관성은 낮지만 더 다양한 결과를 만들 수도 있다.

MultiFlow는 여러 공동 설계 가능성 측정에서 여전히 더 강한 성능을 보였다. SimpleDesign 저자들은 전반적 선도성을 주장하기보다 이 결과를 인정한다.

특화된 기하학 모델은 공간적 관계에 적합한 가정을 도입한다. 잔기, 좌표, 회전, 디노이징 궤적이 상호작용하는 방식을 명시적으로 구조화할 수 있다.

SimpleDesign는 다른 선택을 한다. 보다 일반적인 C-alpha 좌표 Transformer 형식을 사용한다. C-alpha 좌표는 각 아미노산 잔기의 중심 탄소 원자를 나타내며, 단순화된 단백질 백본 궤적을 제공한다.

이 표현은 곁사슬 원자와 기타 원자 수준의 세부 정보를 생략한다. 완전한 단백질 모델은 화학적 상호작용, 패킹, 분자 기능을 설명하기 위해 더 많은 정보가 필요하다.

SimpleDesign의 장점은 아키텍처의 경제성과 적응성이다. 그 학습 방식은 친숙한 Transformer 블록과 사전 학습된 서열 모델로 작동할 수 있다.

단점은 하드코딩된 구조 가정이 상대적으로 적은 상태에서 중요한 기하학적 행동을 학습해야 한다는 점이다. MultiFlow와의 벤치마크 격차는 특화된 귀납적 편향이 여전히 중요함을 시사한다.

RFdiffusion는 더욱 중요한 역사적 기준점을 제공한다. 단지 컴퓨터 모델로 생성 구조의 점수를 매긴 것이 아니다. 연구진은 여러 과제에 걸쳐 수백 개의 설계를 실험적으로 특성화했다.

RFdiffusion experiments에는 인플루엔자 결합체의 극저온 전자현미경 구조가 포함됐다. 측정된 이 구조는 계산 설계와 매우 밀접하게 일치했다.

그렇다고 RFdiffusion가 모든 공동 설계 벤치마크에서 직접적으로 우월하다는 뜻은 아니다. 이 시스템들은 서로 겹치지만 동일하지는 않은 문제를 겨냥한다. 다만 실용적 단백질 설계를 위한 더 높은 수준의 증거 기준을 제시한다.

ESM3는 또 다른 비교 대상이다. 무조건적 서열-구조 생성에만 한정하지 않고 단백질 서열, 구조, 기능을 함께 추론한다.

연구진은 ESM3 출력의 일부를 합성해 기능하는 형광 단백질을 확인했다. 따라서 동료 심사를 거친 ESM3 study는 멀티모달 생성을 관찰 가능한 생물학적 특성과 연결한다.

SimpleDesign는 아직 이 증거의 경계를 넘지 못했다. 현재의 기여는 결과 분자가 유용한 과제를 수행하는지보다 모델이 어떻게 학습하고 생성할 수 있는지에 관한 것이다.

따라서 경쟁 구도는 나뉜다. SimpleDesign는 아키텍처의 필요성 측면에서 토큰 기반 멀티모달 모델에 압박을 가한다. 기하학 시스템은 구조 충실도와 실험적 성숙도 측면에서 SimpleDesign에 압박을 가한다.

이는 하나의 보편적 승자를 선언하는 것보다 더 건전한 해석이다. 단백질 설계에는 무조건 생성, 백본 구축, 역접힘, 결합체 설계, 기능 조건부 생성 등 여러 과제가 포함된다.

모델은 한 과제에서는 탁월할 수 있지만 다른 과제에는 부적합할 수 있다. 벤치마크 선도성은 학습 데이터, 검증 모델, 샘플링 설정, 성공의 정의에도 좌우된다.

구조 어휘 없이도 이 메커니즘은 작동한다

논문의 가장 강력한 결과는 직접적인 서열-좌표 학습이 두 가지 Transformer 백본에서 여전히 경쟁력을 유지한다는 점이다.

구조 토크나이저는 연속적인 분자 기하학을 이산 기호로 변환한다. 이는 이미 토큰 예측에 효과적인 언어 모델 기법과 구조 정보를 결합하기 쉽게 만든다.

이 압축은 병목을 만든다. 각 구조 토큰은 토크나이저가 선택한 영역이나 패턴을 나타낸다. 학습된 어휘가 보존하지 못한 세부 정보는 생성기가 이용할 수 없게 된다.

SimpleDesign는 이 단계를 건너뛴다. 연속 좌표를 직접 임베딩하고, 노이즈가 섞인 좌표가 그럴듯한 단백질 구조를 향해 어떻게 움직여야 하는지 추정하도록 모델을 학습한다.

동시에 마스킹된 아미노산 위치는 이산 분류 문제가 된다. 따라서 모델은 하나의 목표 안에서 연속적 디노이징과 범주형 복원을 함께 해결한다.

공동 어텐션이 이 연결을 제공한다. 서열 토큰은 대응하는 잔기 또는 먼 잔기의 구조 토큰에 어텐션할 수 있다. 구조 표현도 마찬가지로 관측되거나 예측된 아미노산 정보를 활용할 수 있다.

잔기 인덱스는 두 모달리티의 정렬을 유지한다. 두 입력의 일부가 손상된 상태에서도 모델은 어떤 아미노산 위치가 어떤 백본 좌표에 대응하는지 안다.

이 설정은 2차원 연속체의 학습 상태를 만든다. 한 축은 서열 손상을, 다른 축은 구조 노이즈를 나타낸다.

때로는 서열이 구조보다 더 유용한 정보를 담고 있다. 때로는 구조가 더 강한 신호를 제공한다. 중간 상태에서는 어느 모달리티도 완전하지 않으므로 실제 공동 추론이 필요하다.

이 형식은 전체 아키텍처를 다시 구축하지 않고도 조건부 과제를 지원한다. 구조를 손상시키는 동안 서열을 보이게 유지하면 접힘과 유사한 문제가 만들어진다.

좌표를 보이게 유지하면서 서열을 마스킹하면 역접힘 문제가 만들어진다. 둘 다 손상시키면 공동 생성이 된다.

이러한 유연성은 언어와 비전 분야에서 멀티모달 파운데이션 모델이 지닌 매력과 닮아 있다. 하나의 학습 프레임워크가 여러 방향의 예측을 지원할 수 있다.

그러나 SimpleDesign는 완전한 단백질 파운데이션 모델보다 범위가 좁다. 검증된 생화학적 기능이 아니라 서열과 백본 좌표를 생성한다.

결합 친화도, 촉매 활성, 용해도, 독성, 발현 수율, 안정성을 직접적으로 입증하지는 않는다. 이러한 속성은 그럴듯한 백본을 넘어서는 물리적·생물학적 상호작용에 좌우된다.

이 모델은 구조 헤드를 통해 C-alpha 좌표만 생성한다. 완전한 원자 수준의 세부 정보를 재구성하려면 추가 처리나 모델링이 필요하다.

이 단순화는 일반적인 Transformer가 경쟁력을 유지할 수 있는 이유를 설명하는 데 도움이 된다. 백본 궤적은 전원자 분자 생성보다 덜 까다로운 기하학적 목표다.

데이터 큐레이션도 상당한 기여를 한다. Apple의 절제 연구는 Swiss-Prot 미세 조정이 MoT와 일반 Transformer 변형 모두에서 서열-구조 일관성을 개선함을 보여준다.

같은 미세 조정은 Foldseek 클러스터링 다양성을 낮춘다. Foldseek는 국소적·전역적 유사성을 사용해 구조를 그룹화하며, 쌍별 TM-score와는 다른 다양성 관점을 제공한다.

이는 드러나는 절충을 만든다. 더 정제된 예시는 생성된 서열-구조 쌍이 더 자주 일치하도록 만들 수 있다. 동시에 결과를 더 좁은 구조 패턴 계열로 끌어당길 수도 있다.

SimpleDesign는 TM-score 비교에서는 높은 다양성을 보였지만, 일부 설정에서는 Foldseek 클러스터 다양성이 더 낮았다. 저자들은 이 차이의 일부를 학습 데이터와 크로핑 선택에 기인한다고 설명한다.

DPLM2는 구간별 크로핑과 함께 PDB 및 Swiss-Prot 데이터를 사용한 반면, SimpleDesign의 주요 학습 파이프라인은 달랐다. 따라서 아키텍처만으로 모든 비교를 설명할 수는 없다.

이는 생성 생물학에서 흔한 일이다. 데이터셋 구성은 모델이 접하는 접힘 구조, 서열 계열, 길이, 신뢰도 수준을 결정한다.

예측 구조 역시 이를 생성한 시스템의 가정을 담고 있다. 수백만 건의 계산 예측으로 학습하면 적용 범위는 넓어지지만, 그 기록이 실험 관측치가 되는 것은 아니다.

SimpleDesign의 결과는 논문이 이러한 의존성을 보고한다는 점에서 여전히 유용하다. Mixture-of-Transformer가 일반 Transformer를 보편적으로 능가한다고 주장하지 않는다.

마스킹 생성이 본질적으로 확산 또는 플로우 방식을 이긴다고 주장하지도 않는다. 연구진은 특화된 기하학 모델을 상호 보완적인 것으로 설명한다.

이러한 절제는 실제 진전을 명확히 한다. 직접 학습된 Transformer는 먼저 구조 알파벳을 발명하지 않고도 아미노산과 좌표에 걸친 의미 있는 공동 분포를 학습할 수 있다.

후속 연구가 더 큰 규모에서 이 결과를 재현한다면, 이 접근법은 단백질 모달리티 전반의 실험을 단순화할 수 있다. 연구진은 완전히 별도의 토크나이제이션 파이프라인을 유지하지 않고도 사전 학습된 서열 모델을 조정할 수 있다.

하지만 재현은 실질적인 접근성에 달려 있다. 논문은 방법론적 세부 사항을 제공하지만, 완전한 학습 코드, 모델 가중치, 데이터셋, 생성 산출물의 공개 여부가 팀들이 이를 독립적으로 검증할 수 있는지를 결정한다.

논문은 모델링 아이디어를 이해 가능하게 만들 수 있다. 활용 가능한 연구 공개는 그 아이디어를 연구실, 데이터셋, 다운스트림 목표 전반에서 반증 가능하게 만든다.

컴퓨터 벤치마크는 생물학적 검증이 아니다

SimpleDesign는 접힘이나 기능에 대한 실험실 검사가 아니라 in silico 일관성 검사를 통과했다.

이는 Apple SimpleDesign 단백질 설계를 둘러싼 핵심 불확실성이다. 보고된 모든 성공은 계산 평가에 의존한다.

재접힘은 가치 있는 필터를 제공한다. 생성된 서열이 짝을 이룬 구조와 다른 형태를 취할 것으로 예측되면, 그 설계는 내부적으로 의심스럽다.

그러나 생성 모델과 예측 모델 사이의 일치는 물리적 성공을 보장하지 않는다. 두 시스템 모두 학습 데이터 편향을 공유하거나 유사한 구조 패턴을 선호할 수 있다.

높은 scTM 점수는 예측된 접힘이 의도한 백본과 닮았음을 뜻한다. 그것이 단백질이 살아 있는 세포에서 효율적으로 발현된다는 뜻은 아니다.

유용한 농도에서 서열이 용해성을 유지한다는 사실도 입증하지 않는다. 응집, 분해, 독성, 원치 않는 상호작용, 기능 상실을 드러내지도 않는다.

“설계 가능성”이라는 단어조차 주의가 필요하다. 이 논문에서 이는 재접힘에 기반한 계산 임계값을 설명한다. 연구진이 각 설계를 합성하고 실험적으로 확인했다는 뜻은 아니다.

독립 연구는 바로 이 격차를 검토했다. 한 검증 연구는 AlphaFold2, ESMFold, ProteinMPNN이 설계를 선별하는 데 도움이 될 수 있지만, 실험적 성공을 예측하는 능력은 여전히 제한적이라고 밝혔다.

이 한계가 계산적 스크리닝의 가치를 무효화하는 것은 아니다. 실험실 검증은 비용과 시간이 많이 들기 때문에, 유용한 필터는 합성이 필요한 후보 수를 줄일 수 있다.

위험은 벤치마크 용어가 제품 주장으로 옮겨갈 때 나타난다. “설계 가능”은 “작동한다”는 의미처럼 들릴 수 있지만, 실제 근거는 모델 간의 일치만을 보여줄 수도 있다.

SimpleDesign의 무조건적 과제는 또 다른 한계를 더한다. 이 모델은 특정 표적이나 생물학적 기능 없이 단백질을 생성한다.

그럴듯한 새로운 폴드는 과학적으로 흥미롭다. 그러나 신약 개발에는 일반적으로 관련 단백질은 피하면서 하나의 표적에 결합하는 것처럼 더 구체적인 조건이 필요하다.

효소 공학에는 촉매 기하와 반응 맥락이 요구된다. 치료제 개발에는 안정성, 전달, 면역원성, 제조 가능성, 안전성도 필요하다.

SimpleDesign은 이러한 결과를 보고하지 않는다. 따라서 이를 Apple의 신약 개발 제품이나 의약품으로 가는 직접적인 경로로 제시해서는 안 된다.

RFdiffusion과의 비교는 빠진 층위를 보여준다. RFdiffusion의 Nature 연구에는 발현, 정제, 결합 분석, 구조 측정, 기능 시험이 포함됐다.

이 실험들이 모든 계산 설계를 성공으로 만들지는 않았다. 대신 실패율을 측정하고, 어떤 설계 클래스가 현실 세계의 스크리닝을 통과하는지 식별했다.

한 결합체 캠페인에서 이 연구는 명시된 스크리닝 정의에 따라 19퍼센트의 실험적 성공률을 보고했다. 이 수치는 진전과 난이도를 모두 보여준다.

강력한 설계 시스템도 실험실에서 많은 실패를 낳을 수 있다. 생물학에는 구조 신뢰도 점수만으로 완전히 포착할 수 없는 제약이 존재한다.

ESM3의 형광 단백질 역시 합성과 시험이 필요했다. 연구자들은 형광을 직접 관찰해 모델의 제안을 기능의 증거로 전환할 수 있었다.

SimpleDesign은 현재 그 단계 이전에서 멈춘다. 가장 설득력 있는 후속 연구는 다양한 길이와 구조 계열에 걸쳐 여러 샘플을 합성하는 방식일 것이다.

연구자들은 발현, 단분산성, 열 안정성, 그리고 설계된 백본과의 일치도를 측정해야 한다. 극저온 전자현미경, X선 결정학 또는 핵자기공명은 구조적 정확도를 검증할 수 있다.

기능 조건부 연구는 기준을 한층 높일 수 있다. 모델에 결합 모티프를 보존하거나, 촉매 부위를 지원하거나, 선택한 표적과 상호작용하도록 요구할 수 있다.

부정적 결과도 유익한 정보를 제공할 수 있다. 이는 SimpleDesign의 오류가 백본 기하, 서열 패킹, 곁사슬 재구성, 또는 벤치마크 과신에서 비롯되는지를 밝혀낼 수 있다.

데이터 누출과 신규성도 면밀한 검토가 필요하다. SimpleDesign은 생성된 구조를 알려진 데이터베이스와 비교하지만, 신규성 점수는 참조 범위와 유사성 임계값에 따라 달라진다.

구조는 전체적으로 새로워 보이면서도 익숙한 국소 모티프를 재사용할 수 있다. 반대로 생물학적으로 유용한 설계가 반드시 신규성을 극대화할 필요는 없다.

일부 구성에서 논문이 보여준 더 낮은 Foldseek 다양성은 이러한 모호함을 드러낸다. 연속적인 구조 차이와 국소 폴드 어휘가 항상 같은 이야기를 들려주지는 않는다.

큐레이션된 미세 조정은 또 다른 긴장을 만든다. 이는 계산적 일관성을 개선하지만 더 보수적인 출력을 낳는다. 실험적 성공에 도움이 될 수도 있고, 낯선 구조에 대한 접근을 제한할 수도 있다.

이러한 절충 중 어느 쪽이 중요한지는 체계적인 습식 실험 검증만이 밝혀낼 수 있다. 그때까지 SimpleDesign은 생물학적 결론이 아니라 모델링 가설을 뒷받침한다.

SimpleDesign의 중요성을 보여줄 세 가지 신호

다음 증거는 먼저 재현성을, 다음으로 실험실 성능을, 그리고 마지막으로 유용한 조건부 생성을 검증해야 한다.

첫 번째 신호는 완전한 공개 릴리스다. 연구자들은 논문의 핵심 비교를 재현할 수 있도록 모델 가중치, 추론 코드, 평가 스크립트, 그리고 충분한 데이터셋 문서를 필요로 한다.

독립 팀이 유사한 결과를 재현한다면 이러한 공개는 아키텍처 주장을 강화할 것이다. 큰 차이가 나타난다면 직접 데이터 공간 학습이 보고된 우위를 가진다는 신뢰는 약화될 것이다.

재현은 두 Transformer 변형을 모두 포함해야 한다. 표준 Transformer가 모달리티 특화 MoT 백본과 실제로 경쟁력을 유지하는지 검증해야 한다.

팀들은 동일한 데이터, 단백질 길이, 샘플링 예산, 검증 시스템을 사용해 비교도 다시 실행해야 한다. 이러한 통제가 없으면 데이터셋 결정이 아키텍처 성과처럼 보일 수 있다.

두 번째 신호는 실험적 검증이다. 신뢰할 수 있는 연구는 실험실 결과를 보기 전에 생성 단백질을 선택하고, 전체 성공률을 보고해야 한다.

성공 사례만 선별해 제시하는 방식으로는 일반 성능을 입증할 수 없다. 연구자들은 합성, 발현, 정제, 구조 특성화가 각각 몇 개의 서열에서 이뤄졌는지 공개해야 한다.

시험은 하나 이상의 단백질 길이 또는 토폴로지를 다뤄야 한다. 그렇지 않으면 성공은 학습 분포가 이미 선호한 좁은 영역을 반영할 수 있다.

상당한 비율이 생성된 백본에 가깝게 접힌다면, SimpleDesign의 직접 표현 방식은 강력한 지지를 얻을 것이다. 일치도가 낮다면 현재의 컴퓨터 지표가 물리적 신뢰성을 과대평가한다는 뜻이 될 것이다.

세 번째 신호는 측정 가능한 기능과 연결된 조건부 생성이다. 무조건적 생성은 모델이 광범위한 서열-구조 분포를 학습했는지 시험하지만, 실제 응용에는 제약이 필요하다.

유용한 확장은 활성 부위 모티프를 보존하거나, 분자 표적 주변에 스캐폴드를 구축하거나, 제공된 백본을 위한 서열을 제안하는 방식일 수 있다.

성공에는 구조적 일치 이상이 필요하다. 결합, 촉매 작용, 형광 또는 다른 사전 정의된 기능을 실험적으로 측정해야 한다.

이러한 진행은 중요하다. SimpleDesign의 아키텍처는 여러 조건부 방향에 잘 맞기 때문이다. 이 모델은 이미 다양한 서열 및 구조 손상 수준 전반에서 학습한다.

향후 버전은 기능, 리간드 또는 상호작용 정보를 또 다른 모달리티로 추가할 수 있다. 이는 생물학적 요구가 높아져도 이 미니멀한 접근법이 효과를 유지하는지 시험하게 될 것이다.

그 단계에서의 실패 역시 연구자들에게 무언가를 가르쳐줄 것이다. 직접 좌표 모델링은 무조건적 백본에는 작동하지만 원자 상호작용이나 정밀한 기능 제약에서는 어려움을 겪을 수 있다.

경쟁사의 반응은 간접적 증거를 제공할 것이다. 토큰 기반 모델 개발자들이 직접 좌표 목적 함수를 채택한다면, SimpleDesign은 최고의 벤치마크 시스템이 되지 않더라도 분야에 영향을 미친 셈이 된다.

기하학적 시스템이 우수한 일관성을 유지하면서 파이프라인을 단순화한다면, 더 강한 분자적 가정과 함께 동일한 엔지니어링 이점을 확보할 수 있다.

Apple의 역할도 또 다른 미해결 문제다. 이 회사는 건강, 비전, 언어, 과학 분야에 걸쳐 머신러닝 연구를 발표하지만, 논문 발표가 소비자 제품을 의미하지는 않는다.

이 논문은 Apple 기기, 건강 서비스 또는 신약 개발 프로그램과의 발표된 연관성을 제시하지 않는다. 그러한 용도에 대한 추측은 이용 가능한 증거를 앞서갈 것이다.

근거 있는 결론은 더 흥미롭다. Apple 연구진은 단백질 서열과 구조의 공동 설계가 많은 경쟁 시스템보다 더 적은 학습 단계를 통해 접근될 수 있음을 보여줬다.

이 발견은 하나의 아키텍처 관례에 도전한다. 이는 실험적 단백질 과학을 대체하지 않으며, 특화된 기하학 접근법과의 경쟁을 결론짓지도 않는다.

Apple SimpleDesign 단백질 설계를 평가하는 독자들은 새로운 증거가 나올 때 세 가지 질문을 던져야 한다. 독립 팀이 이를 재현할 수 있는가, 생성된 단백질이 실험실에서 작동하는가, 그리고 모델이 유용한 생물학적 제약을 충족할 수 있는가?

이 답들이 SimpleDesign이 지속 가능한 단백질 공학 방법이 될지, 아니면 우아한 벤치마크 결과로 남을지를 결정할 것이다. 현재로서는 단순성을 경쟁력 있게 만들면서도 아직 부족한 증거를 분명히 드러낸다는 점에서 이 모델은 주목할 가치가 있다.