바이러스 과를 아우르는 무표지 인간 B 세포 레퍼토리로부터 광범위 중화 항체 발굴을 위한 멀티모달 추론
Multimodal reasoning for broadly neutralizing antibody discovery from label-free human B cell repertoires across virus families
한국어 초록
인간의 자연 면역 레퍼토리로부터 광범위 중화 항체(broadly neutralizing antibody, bnAb)를 발굴하는 것은 bnAb의 극단적인 희소성, 병원체 전반에 걸친 세포 기원에 대한 불완전한 이해, 그리고 출현하는 바이러스 위협에 걸쳐 일반화되지 못하는 기존 전산 도구의 한계로 인해 면역학 분야의 근본적인 난제로 남아 있습니다. 본 연구에서는 이러한 장벽을 극복하기 위해 멀티모달 추론(multimodal reasoning)을 지속적 메타학습(continual meta-learning) 및 습식 실험(wet-lab) 피드백과 통합한 폐루프(closed-loop) AI 시스템인 ImmuneAgent를 제시합니다. 백신 접종자 또는 감염자 코호트의 자연 BCR 레퍼토리를 스크리닝하는 데 적용했을 때, 본 시스템은 동일한 클로닝 예산에서 평가된 최신 시퀀스 기반 중화 예측 모델이나 동시 폴딩(cofolding) 모델을 크게 능가하며 약 55%의 중화 항체 발굴률(클로닝된 110개 후보 중 60개)과 약 11%의 bnAb 수율(110개 중 12개)을 달성했습니다. ImmuneAgent가 발굴한 5개의 항체는 치명적인 인플루엔자 공격 접종에 대해 임상 단계 치료제인 MEDI8852와 대등하게 100%의 생체 내(in vivo) 보호 효과를 나타냈습니다. 또한 본 시스템은 bnAb 활성의 세포 및 구조적 결정 요인을 복원하여 FCRL5+CD27+ 비정형 기억 B 세포를 보존된 bnAb 저장소로, 소수성 계면 농축을 교차 바이러스 구조 시그니처로 규명했습니다. 이는 미접촉 항원으로 일반화되어 항원 특이적 선별 없이도 인간 메타뉴모바이러스(hMPV) 교차 중화 항체 및 인간 유두종바이러스(HPV) 중화 항체를 발굴하는 성과로 이어졌습니다. 이러한 결과는 ImmuneAgent가 출현하는 바이러스 위협에 대응하여 신속하게 치료용 항체를 발굴할 수 있는 일반화 가능한 프레임워크임을 입증합니다.
원문 초록
Discovering broadly neutralizing antibodies (bnAbs) from human natural immune repertoires remains a fundamental challenge in immunology, hindered by: the extreme rarity of bnAb, incomplete understanding of their cellular origins across pathogens, and the inability of existing computational tools to generalize across emerging viral threats. Here we present ImmuneAgent, a closed-loop AI system that integrates multimodal reasoning with continual meta-learning and wet-lab feedback to overcome these barriers. Applied to screen the natural BCR repertoires from vaccinated or infected cohorts, the system achieves a ~55% neutralization antibody discovery rate (60 of 110 cloned candidates) and a ~11% bnAb yield (12 of 110), substantially outperforming a state-of-the-art sequence-based neutralization predictor or cofolding models evaluated at the same cloning budget. Five ImmuneAgent-discovered antibodies conferred 100% in vivo protection against lethal influenza challenge, comparable to the clinical-stage therapeutic MEDI8852. The system recovered the cellular and structural determinants of bnAb activity and identified FCRL5+CD27+ atypical memory B cells as a conserved bnAb reservoir and hydrophobic interface enrichment as a cross-viral structural signature, which generalized to unseen antigens, discovering human metapneumovirus (hMPV) cross-neutralizing and human papillomavirus (HPV)-neutralizing antibodies without antigen-specific sorting. These results validate that ImmuneAgent is a generalizable framework for rapid therapeutic antibody discovery against emerging viral threats.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
AbICL: In-Context Learning for Antigen-Specific Antibody Affinity Ranking
Assay2Mol: large language model-based drug design using BioAssay context
Geo-ORBIT: A Federated Digital Twin Framework for Scene-Adaptive Lane Geometry Detection
에이전틱 신경망 구조 탐색
Agentic Neural Architecture Search
신경망 구조 탐색(NAS) 방법은 점점 더 효율적으로 발전해 왔지만, 여전히 도메인 전문 지식이 필요하고 새로운 과제마다 다시 구축해야 하는 수작업 설계 탐색 공간 안에서 동작한다. 대규모 언어 모델(LLM)은 개방형 코드 공간에서 아키텍처를 작성할 수 있으나, LLM 기반 설계와 NAS 기반 탐색 사이에 작업을 어떻게 분담해야 하는지는 불분명하다. 우리는 이 둘을 결합하는 방법을 제안한다. LLM이 먼저 시드 아키텍처를 설계한 뒤 이를 슬롯형 아키텍처로 분해한다. 슬롯형 아키텍처는 이름이 붙은 교체 가능한 모듈 슬롯을 가진 골격으로, 과제별로 제한된 탐색 공간을 정의하며, 기존 NAS 알고리즘이 수작업 없이 이를 탐색한다. 우리는 이를 각 단계를 별도로 평가할 수 있는 3단계 파이프라인인 AgentNAS로 구현한다. 분류, 밀집 회귀, 분할, 다중 레이블 태깅을 포괄하는 NAS-Bench-360과 Unseen NAS의 17개 과제에서 AgentNAS는 과제별 전문가 설계를 포함한 공개된 기준선을 11개 과제에서 능가한다. 광범위한 제거 연구는 LLM이 강력한 아키텍처를 빠르게 찾지만 곧 정체되며, 이 시점에 NAS로 전환하면 추가 이득을 얻음을 보여 주어 두 접근법이 상호 보완적임을 시사한다. 다섯 개의 LLM을 이용한 실험은 시드 아키텍처 설계가 모든 LLM에서 효과적인 반면, 사용 가능한 탐색 공간을 구성하려면 최소 수준의 모델 능력이 필요함을 보여 준다. 코드는 https://github.com/alroimfebruary/AgentNAS 에서 이용할 수 있다.
불균형 최적 전송을 통한 가변 크기 설계를 위한 생성적 분자 모핑
Generative Molecular Morphing for Flexible-Size Design via Unbalanced Optimal Transport
생성적 분자 설계의 성공은 모델이 높은 보상을 갖는 샘플 쪽으로 얼마나 잘 조향될 수 있는지에 달려 있다. 많은 분자 특성이 본질적으로 분자 크기와 연관되어 있으므로, 특성과 원자 수의 결합 분포를 정확히 포착하는 것이 필수적이다. 그러나 현재의 확산 및 플로 기반 모델은 원자 수를 고정하므로 이 복잡한 관계를 탐색하는 능력이 근본적으로 제한된다. 이를 해결하기 위해 기하 그래프에 기반한 조건부 및 비조건부 3D 분子 설계용 가변 크기 생성 모델 Morph를 소개한다. 크기를 동적으로 조절함으로써 Morph는 스캐폴드와 같은 기존 구조적 사전 정보를 매끄럽게 통합할 수 있고 특성 조향을 크게 향상시킨다. Morph가 현재의 고정 크기 최첨단 모델과 대등한 성능을 보이면서 샘플링 유연성을 크게 높임을 보인다. 또한 기존 모델이 실패하는 영역에서의 분포 외 생성을 시연하여, 분자 설계를 위한 생성 모델링의 향상으로 가는 길을 연다.
URSA: 실용적 역합성 평가를 위한 화학 인식 벤치마크
URSA: Chemistry-Aware Benchmark for Utilitarian Retrosynthesis Assessment
표적 분자에 대한 반응 경로를 찾는 합성 계획은 신약 개발에서 가장 중요하고도 어려운 과제 중 하나이다. 최근 전문화된 딥러닝 역합성 시스템과 범용 대규모 언어 모델이 모두 발전하였으나, 유연하고 화학적으로 해석 가능한 벤치마킹 프로토콜이 없어 객관적인 비교는 여전히 어렵다. 본 연구에서는 URSA(Utilitarian RetroSynthesis Assessment) 평가 프레임워크를 도입한다. 이 프레임워크는 상업적으로 구입 가능한 출발 물질로의 수렴과 같은 형식적 관점뿐 아니라, 전문 화학자가 반응과 경로를 평가하는 방식을 모방한 화학적 타당성 관점에서도 합성 경로를 벤치마킹할 수 있게 한다. 본 연구는 일상적인 약물 설계 업무의 현실적인 과제를 대표하며 합성 경로가 공개되지 않은 새롭고 다양한 표적 분자 집합에서, 합성 계획 과제에 대한 기존의 종단간 역합성 솔루션과 LLM을 포괄적으로 평가한다. LLM은 고수준의 전략적 계획을 지원할 수 있고 OOD 집합에서는 SOTA 성능까지 달성하지만, 추정 실행 비용과 화학적으로 타당한 경로 해결 가능성에 대한 파레토 프런티어는 전적으로 전문화된 역합성 계획기로 구성된다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.