HyInv Technical Report

이 논문은 역접기 단백질 설계를 위해 구조 보상 강화학습과 두 온도 초안-수정 샘플러를 결합한 소형 모델 HyInv를 발표했다.

이 논문은 한마디로 주어진 단백질 골격에 접히는 아미노산 서열을 빠르고 다양하게 설계하는 소형 역접기 모델 HyInv의 기술 보고서다. 모델은 1.96-million-parameter 그래프 신경망으로, 무작위 순서 자기회귀 사전학습 뒤 구조 보상 강화학습으로 학습됐다. 추론에서는 초안과 수정에 서로 다른 온도를 쓰는 샘플러로 같은 다양성에서 더 높은 scTM을 냈다. 최적화 구현은 402잔기 골격에 128개 서열을 단일 NVIDIA H20 GPU에서 50.6 ms에 설계해 기준 샘플러보다 약 52배 빠르고, 10개 외부 기준선보다 높은 평균 scTM을 기록했다.

핵심 요약

• 연구진은 1.96-million-parameter 골격 조건 그래프 신경망인 HyInv를 무작위 순서 자기회귀 사전학습과 구조 보상 강화학습으로 학습시켰다.
• 초안은 높은 온도로, 수정은 낮은 온도로 나누어 샘플링하는 방식이 같은 다양성에서 refolding TM-score를 높였다.
• BF16 수치 연산의 최적화 구현은 402잔기 골격에 대해 128개 서열을 단일 NVIDIA H20 GPU에서 50.6 ms에 설계해 기준 샘플러보다 약 52배 빠르다.
• 다섯 벤치마크 데이터셋과 일곱 데이터셋-예측기 조합에서 HyInv는 비슷하거나 더 높은 서열 다양성에서 열 개 외부 기준선 모두보다 높은 평균 scTM을 달성했다.
• ProteinMPNN과 ProteinZero V2에 대한 평균 마진은 각각 +0.013과 +0.008이었다.
• 같은 기본 설정으로 de novo 골격, 주머니 제약 라이브러리, 촉매 자리를 보존한 효소 재설계, 루프 재설계를 지원한다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.