PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.03098v1cs.AI

단백질 발현 극대화를 위한 예측기 유도 잠재 공간 코돈 최적화

Predictor-Guided Latent Space Codon Optimization for Maximizing Protein Expression

mRNA 번역 효율과 단백질 발현을 개선하기 위해 동의 코돈을 선택하는 과정인 코돈 최적화(Codon optimization)는 치료용 단백질 생산과 mRNA 백신에서 핵심적이지만 여전히 어려운 문제로 남아있습니다. 설계 공간이 이산적이고 조합적으로 방대하여 그래디언트(gradient) 기반 방법을 적용하기 어려우며, 기존 도구들은 실제 발현량을 제대로 포착하지 못하는 휴리스틱 대리 지표(예: 코돈 적응 지수 또는 GC 함량)에 의존합니다. 본 논문에서는 시퀀스를 사전학습된 mRNA 언어 모델의 잠재 공간(latent space)으로 매핑하여 이 이산적인 문제를 연속적인 문제로 재구성함으로써 효율적인 그래디언트 기반 탐색을 가능하게 하는 잠재 공간 코돈 최적화(Latent-Space Codon Optimization, LSCO)를 소개합니다. LSCO는 네 가지 구성 요소를 결합합니다: 불확실성을 인식하는 예측기 기반의 데이터 중심 발현 목표, 구조적 안정성을 위한 최소 자유 에너지(Minimum-Free-Energy) 정규화기, 단백질-코돈 역번역 모델의 자연성 사전 분포(prior), 그리고 단백질 충실도를 위한 제약 디코딩입니다. 실제 습식 실험(wet-lab) 항체 발현 데이터셋에서 LSCO는 적절한 생물리학적 특성을 유지하면서 예측된 발현량 측면에서 단순 빈도 기반 기준선뿐만 아니라 최신 딥 생성 모델 기준선을 능가합니다.

arXiv:2606.17327v1q-bio.BM

열역학적 하드웨어에서의 에너지 효율적인 코돈 최적화

Energy-efficient codon optimization on thermodynamic hardware

연산을 위한 증가하는 에너지 수요는 점점 더 지속 불가능해지고 있습니다. 열역학적 컴퓨팅(thermodynamic computing)은 물리적 열적 변동을 억제하는 대신 연산 자원으로 활용하여, 확률적 및 조합적 작업에 대해 자릿수(order-of-magnitude) 수준의 에너지 절감 효과를 제공합니다. 연산 최적화와 샘플링에 크게 의존하는 제약 연구개발(R&D)은 자연스러운 응용 분야입니다. 본 연구에서는, 우리가 아는 한, 프로토타입 측정에 기반한 에너지 추정치와 함께 열역학적 하드웨어에 매핑된 최초의 구체적인 제약 응용을 제시합니다. 우리는 약물 개발에서 일상적으로 해결되는 조합 문제인 mRNA 코돈 최적화를 이징 모델(Ising model)로부터의 샘플링으로 축소하여, 열역학적 샘플링 유닛(TSU)에서 직접 실행 가능하게 만들었습니다. SARS-CoV-2 스파이크 단백질에 대해 세 가지 접근 방식(Potts 샘플링, 이징 샘플링, 유전자 알고리즘 기준선)을 벤치마킹한 결과, 모두 비슷한 최적화 품질(점수 ~234-240)을 달성했지만, 검증된 하드웨어 모델에 기반한 에너지 추정치에 따르면 TSU가 기존 GPU보다 약 10e6배 더 적은 에너지를 사용하여 이 문제를 해결할 수 있는 것으로 나타났습니다. 모든 코드는 오픈 소스 라이선스 하에 공개되었습니다.