evolverebiosciences.com

이 이메일 도메인이 관측된 논문 2건

arXiv:2608.11475v2q-bio.QM

Boltz-1의 트렁크-디퓨전 경계 전반에서 생물학적 정보 프로빙 및 제어하기

Probing and steering biology across Boltz-1s trunk-diffusion boundary

AlphaFold3 계열 구조 예측기는 서열과 문맥을 처리하는 표현 트렁크(trunk)와 원자 좌표를 생성하는 확산 모듈(diffusion module)을 결합한 구조를 가진다. 생물학적 정보가 이러한 구조적 경계를 넘어가면서 어떻게 변화하는지는 아직 잘 이해되지 않고 있다. 본 연구에서는 선형 프로브, 희소 오토인코더(SAE), 인과적 개입을 사용하여 Boltz-1의 Pairformer 트렁크와 확산 모듈에서 얻은 잔기별 활성화를 분석한다. 트렁크에서는 기하 정보(이차 구조, 무질서)와 서열 화학 정보(아미노산 종류, 신호 펩타이드, 이황화 결합 주석)가 모두 선형적으로 디코딩 가능하다. 확산 모듈에서는 두 정보가 갈라진다. 이차 구조는 여전히 동등하게 디코딩되는 반면, 서열 화학 정보는 선형적으로 접근하기가 훨씬 어려워진다. 이어서 트렁크의 단일 표현(single representation)을 편집하여 디코딩 가능한 방향이 모델을 조향할 수 있는지 시험한다. 나선(helix)과 코일(coil) 방향은 예측 구조를 용량 의존적으로 변화시키지만, 동일한 단백질에서 예측력이 높은 베타 가닥 방향(홀드아웃 F1 =0.78)은 조향한 어떤 층에서도 가닥 함량의 측정 가능한 증가를 일으키지 않는다. 나선 또는 코일 방향을 제거해도 해당 구조는 사라지지 않는다. 따라서 우리가 시험한 지점에서는 선형 디코딩 가능성이 인과적 영향을 의미하지 않았다. 동일한 프로브는 DSSP 레이블에 비해 SwissProt 주석에 대해서도 현저히 낮은 점수를 받는데, 이는 모델이 올바르게 예측한 비주석 잔기가 거짓 양성으로 처리되기 때문이며, 따라서 이러한 점수는 하한값이다. 마지막으로, 레이블이 이미 존재하는 경우에는 지도 학습 프로브가 개별 SAE 특징보다 높은 점수를 기록한다.

arXiv:2608.27754v2q-bio.QM

Boltz-1 희소 오토인코더의 효율적인 자동 해석 가능성을 향하여

Towards Efficient Auto-Interpretability of Boltz-1 Sparse Autoencoders

희소 오토인코더(SAE)는 생물학 및 기타 분야의 AI 모델이 지닌 초인적 능력을 설명함으로써 이러한 모델을 과학적 발견의 엔진으로 만들 수 있다. 본 연구는 잠재 변수가 유용하려면 세 가지를 알아야 한다고 가정한다. 즉, 그것이 일관적인지, 기술될 수 있는지, 그리고 그 기술이 예측력을 갖는지이다. 이 질문들은 흔히 혼동된다. 본 연구는 이들을 하나의 파이프라인으로 조립하고 몇 가지 실용적인 혁신을 보고한다. 첫째, 시드 간 사전 안정성은 조사에 자원을 투입할 가치가 있는 잠재 변수의 우선순위를 정한다. 둘째, 침입자 탐지 과제는 잠재 변수를 활성화하는 예시들이 인식 가능한 패턴을 공유하는지를 묻는다. 셋째, 별도의 단계에서 후보 생물학적 기술을 제안하고, 이를 in silico로 검증할 수 있는 반증 가능한 예측으로 변환한다. Boltz-1 Pairformer 트렁크에 적용했을 때, 안정성 우선순위화는 약 4.4배 적은 잠재 변수 평가와 5.2배 낮은 측정 LLM 비용으로 해석 가능한 잠재 변수를 찾아내면서 그중 절반 이상을 회복한다. 그러나 본 연구의 설정에서 LLM 판정자는 일관된 잔기 정체성에 크게 편향되어 있으며, 높은 아미노산 정체성 정밀도를 가진 특징을 선택하는 단순한 필터가 안정성 임계값 방식보다 성능이 우수함을 확인하였다. 이 더 단순한 방법은 추가 SAE 시드가 필요 없다는 부가적 이점이 있지만, 이것이 진정으로 유용한 휴리스틱을 반영하는지 아니면 LLM 판정자의 한계를 반영하는지는 여전히 불확실하다.