엔비디아, 단백질 설계 모델 RFD4 공개
최근 30일 조회수 — 좋아요 —핵심 요약
RFD4-Proteina는 보상 기반 탐색으로 유망한 단백질 후보에 연산을 집중하지만 구체적 성능 수치는 공개되지 않았다.

엔비디아가 워싱턴대 의대 단백질설계연구소와 공동 개발한 오픈 모델 RFD4-Proteina로 항암 표적 PD-L1에 결합하는 단백질 후보를 설계하는 절차와 여러 설계 과제의 실험 검증 결과를 공개했다. RFD4-Proteina의 핵심은 생성 과정에서 후보를 한 번 뽑고 끝내지 않고, 보상 기반 추론 시점 탐색(reward-guided inference-time search)으로 가능성이 높은 후보에 연산을 집중하는 데 있다.1
단백질 설계는 서열이 길어질수록 탐색 공간이 폭발한다. 아미노산 8개로 이뤄진 서열만 해도 조합이 250억 개를 넘고, 100개짜리 서열의 경우 가능한 조합 수가 관측 가능한 우주의 원자 수보다 많다. 전수 탐색이 불가능한 만큼 어떤 후보를 더 탐색할지 판단하는 방식이 중요하다.1
RFD4-Proteina는 자연계 단백질에서 학습한 패턴을 바탕으로 아미노산 서열과 모든 원자의 구조를 함께 설계한다. 추론 중에는 생성 궤적을 디노이징해 구조를 만들고, 설계안을 채점한 뒤 유망한 중간 상태만 남겨 분기한다. 보상 함수에는 분자 기하, 상호작용, 별도 예측 모델의 신뢰도 등을 넣을 수 있다. 이를 통해 사용자가 정한 목표에 더 잘 맞는 후보를 골라 실험 대상으로 넘긴다.1
구조 생성 뒤 ProteinMPNN 같은 별도 모델로 서열을 역설계하던 단계도 없앴다. RFD4-Proteina는 명시적인 단백질 골격 좌표와 잠재 표현, 학습된 서열·원자 변수를 결합하며, 오토인코더 디코더가 서열과 원자 단위 구조를 동시에 출력한다. 잔기 단위 잠재 표현을 써 원자 단위 표현보다 메모리 부담을 줄였고, 샘플링 단계는 이전 Proteina-Complexa의 약 400회에서 60회로 감소했다. OF3와 tmol 같은 평가 도구도 CUDA로 가속한다.1
사용자는 학습·추론과 샘플링 코드를 직접 제어할 수 있는 오픈 모델이나, HTTP 인터페이스로 빠르게 배포하는 NIM 마이크로서비스를 선택할 수 있다. 다만 공개 자료는 PD-L1 결합체 설계법과 실험 검증 결과를 소개한다고 밝힐 뿐, 제공된 내용에는 후보별 성공률이나 결합력 같은 구체적인 실험 수치가 담기지 않았다. 따라서 실제 성능의 크기나 기존 설계법 대비 우위는 이 자료만으로 판단하기 어렵다.1
Footnotes
읽기 목록은 이 브라우저에 저장됩니다.
출처
- Design Proteins with RFD4-Proteina Using Reward-Guided Inference-Time Search | NVIDIA Technical Blog — NVIDIA Technical Blog
이 글은 위 출처를 근거로 자동 생성된 뒤 발행됐습니다. 원문을 함께 확인해 주세요. 교차 보도 없이 단독 출처로 작성됐습니다.