AMix-1: 테스트 시각 확장 가능한 단백질 기반 모델을 위한 길

우리는 베이지안 플로우 네트워크(Bayesian Flow Networks)를 기반으로 구축하고 체계적인 학습 방법론으로 강화된 강력한 단백질 기초 모델인 AMix-1을 소개한다. 이 모델은 사전 학습 확장 법칙, 잠재적 능력 분석, 컨텍스트 내 학습 메커니즘, 테스트 시 확장 알고리즘을 포함한 다각적인 학습 전략을 바탕으로 설계되었다. 강력한 확장성을 보장하기 위해 예측 가능한 확장 법칙을 수립하고, 손실 관점에서 구조적 이해의 점진적 발현을 규명함으로써, 최종적으로 17억 파라미터 규모의 강력한 모델을 구현하였다. 이 기반 위에서, 다중 서열 정렬(MSA) 기반의 컨텍스트 내 학습 전략을 개발하여 단백질 설계를 통합적 프레임워크로 통합하였으며, AMix-1은 MSA 내에서 깊은 진화적 신호를 인식하고 구조적·기능적으로 일관된 단백질을 지속적으로 생성할 수 있다. 본 프레임워크를 통해 야생형 대비 최대 50배의 활성 증가를 보이는 개선된 AmeR 변이체를 성공적으로 설계하였다. 단백질 공학의 경계를 확장하기 위해, AMix-1에 진화 기반 테스트 시 확장 알고리즘을 도입하여, 가상 환경에서의 유도 진화를 실현하였으며, 검증 예산이 증가함에 따라 상당한 확장 가능한 성능 향상을 달성하였다. 이는 차세대 ‘랩-인-더-루프(Lab-in-the-loop)’ 단백질 설계의 기반을 마련하는 중요한 성과이다.