더 큰 Cofolder가 아니라
더 잘 일반화하는 설계 엔진

“누가 더 큰 cofolder인가”로는 지형이 보이지 않는다

첨부 자료가 포착한 핵심 변화는 새로운 IsoDDE 본체 논문보다 IsoDDE가 던진 네 가지 문제—OOD generalization, affinity, cryptic pocket, prediction→design 전환—를 공개 연구들이 빠르게 분해해 검증하기 시작했다는 점이다. 특히 2026년 8월 초에는 pure neural cofolding의 scale-up만이 아니라 물리-ML 하이브리드, conformational state-space, structure-predictor-guided inverse design, agentic hit-to-lead가 동시에 부상했다.

따라서 이번 업데이트를 읽는 가장 좋은 방법은 “IsoDDE와 비슷한 모델을 찾는 것”이 아니다. 각 연구가 IsoDDE 이후 어떤 질문을 독립적인 실험 가설로 바꾸었는지를 보는 것이다.

네 개의 렌즈

OOD에서 explicit physics를 다시 넣는다

Petrosyan et al.의 Overcoming the accuracy-generalization tradeoff in docking and scoring for prospective virtual screening은 2026년 8월 3일 bioRxiv에 공개되었다. 핵심은 pure neural cofolding이 아니라 diffusion pose proposal → physical energy refinement → ML ranking의 하이브리드 구조이다.

연구진은 protein sequence와 ligand similarity를 동시에 엄격히 제한한 split에서 generalization을 평가한다. 첨부 자료에 따르면 Runs N’ Poses의 가장 어려운 영역에서 기존 cofolding 모델들이 25% 이하로 내려가는 반면 DODock은 50% 이상을 유지한다. 더 중요한 것은 retrospective benchmark만이 아니다. PCSK9 blind prediction이 이후 결정된 crystal structure와 약 1.2 Å RMSD로 일치했고, CD73·IRAK4·FXIa·IL-17A에 대한 실제 prospective screen도 수행했다.

IsoDDE와의 차이

IsoDDE가 하나의 대규모 통합 Drug Design Engine 내부에서 generalization을 끌어올리는 방향이라면, DODock은 학습으로 proposal을 만들되 OOD에서는 명시적 physics를 다시 집어넣는다. 따라서 두 개의 경쟁 가설이 생긴다. 충분히 큰 foundation model이 물리를 암묵적으로 습득할 수 있는가, 아니면 OOD에서는 explicit physics가 여전히 필수인가.

다만 저자들이 Deep Origin 소속이고 아직 preprint 단계이므로 독립 재현이 필요하다는 점을 첨부 자료는 분명히 적는다.

Source · DOI 10.64898/2026.08.03.742480

Affinity에서 ‘거대 end-to-end encoder’가 유일한 답인가

8월 10일 공개된 RAVEN: Randomized Atomistic Views with Ensemble Neural Reservoirs는 흥미로운 반례를 제시한다. 학습 가능한 대형 graph encoder 하나에 모든 것을 맡기지 않는다. 여러 개의 독립적으로 초기화된 frozen atomistic graph encoder, 788차원의 explicit physicochemical interaction fingerprint, heterogeneous regressors를 결합한다.

평가는 similarity-isolated PDBbind split과 CASF-2016 protected subset을 사용한다. IsoDDE·Boltz-2·FLOWR.ROOT의 흐름이 더 풍부한 learned molecular representation을 향한다면, RAVEN은 randomized structural views와 explicit chemistry가 데이터가 제한된 affinity task에서 강한 inductive bias가 될 수 있다는 주장이다.

이 결과가 재현된다면 affinity 연구의 중심 질문이 parameter count 하나에서 위 세 축의 조합으로 이동할 수 있다. 그러나 아직 arXiv preprint이고 prospective affinity ranking이 없다는 점은 중요한 한계이다. benchmark generalization과 실제 medicinal-chemistry ranking을 같은 것으로 볼 수는 없다.

Source · arXiv:2608.09099

구조예측의 목표 자체를 바꾼다

8월 3일 공개된 Chakravarty et al.의 Expanding Protein Structure Prediction into Conformational State Space는 직접적인 새 모델보다 향후 연구문제를 재정의하는 논문이다. 저자들은 단백질 예측의 목표를 단일 좌표 예측에서 상태·population·transition·context dependence의 공동 추론으로 바꿔야 한다고 주장한다.

기존의 단일 최적 구조에서 다음과 같은 조건부 상태 공간으로 이동한다.

ligand, ion, pH, membrane, binding partner 등이 energy landscape 자체를 바꾼다는 점을 전면에 둔다. 첨부 자료는 이 논문을 BioEmu류 ensemble generation과 IsoDDE류 cofolding 사이를 잇는 이론적 다리로 해석한다.

IsoDDE가 induced fit과 cryptic pocket에서 강한 결과를 보이더라도, 장기적으로 Drug Design Engine이 예측해야 할 것은 ‘정답 구조 한 장’이 아니라 ligand-conditioned free-energy landscape일 가능성이 크다는 것이 첨부 자료의 해석이다. affinity와 kinetics를 함께 다루려면 특히 중요하다.

Source · arXiv:2608.02866

pocket을 ‘연다’는 것과 ligand 없이 pocket을 ‘찾는다’는 것은 다르다

7월 7일 Communications Biology에 발표된 The influence of ligands on AlphaFold3 prediction of cryptic pockets는 AF3가 cryptic-site 형성에 필요한 conformational change를 상당 부분 생성할 수 있음을 보여준다고 첨부 자료는 요약한다.

16개 주요 사례에서 ligand를 제공했을 때 AF3의 predicted conformational distribution이 bound-state PDB distribution과 대체로 일치했고, ligand가 없을 때는 closed/unbound state가 우세했다. 저자들은 correct binding mode를 얻기 위해 single prediction보다 ensemble sampling이 중요하다고 결론짓는다.

이 구분은 IsoDDE의 blind-pocket 주장을 평가할 때 결정적이다. “주어진 ligand가 cryptic pocket을 열 수 있는가?”와 “ligand 없이도 어디에 ligandable cryptic pocket이 있는지 발견하는가?”는 별도 benchmark로 분리해야 한다.

또한 ligand identity 자체가 predicted ensemble을 크게 바꾼다는 결과는 향후 pocket benchmark가 단일 receptor structure 기준이어서는 부족함을 보여준다. cryptic pocket 문제는 static detector보다 context-conditioned conformational landscape 문제로 재정의될 가능성이 있다.

Source · Communications Biology s42003-026-10596-z

Structure predictor의 gradient가 분자 설계의 경사면이 된다

7월 21일 공개된 DBMol은 IsoDDE의 prediction→design 철학과 특히 밀접하다. 초기 molecule을 놓고 structure prediction model의 gradient를 이용해 pocket interaction과 predicted affinity를 최적화한 뒤, flow-matching model이 그 연속 최적화 결과를 chemically valid한 discrete molecule로 projection한다.

Boltz-2 affinity proxy를 직접 optimization signal로 사용하며, 자기평가 편향을 줄이기 위해 AF3 기반 held-out evaluation도 추가한다.

핵심 변화는 predictor가 단순 evaluator가 아니라 chemical search의 differentiable energy landscape 역할을 하게 된다는 점이다. 다만 생성 molecule의 우수성은 여전히 대부분 computational evaluator에 의해 판단되므로 prospective synthesis와 assay가 다음 검증 단계로 남는다.

Source · arXiv:2607.19237

공개 연구에서 가장 IsoDDE-like한 generation + affinity backbone

7월 6일 Nature Communications에 출판된 FLOWR.ROOT는 하나의 SE(3)-equivariant flow-matching backbone 안에서 pocket-conditioned 3D ligand generation, pharmacophore conditioning, scaffold hopping, fragment growing/replacement를 다룬다. 동시에 \(pIC_{50}\), \(pK_i\), \(pK_d\), \(pEC_{50}\) affinity head와 confidence head를 공동 학습한다.

첨부 자료에 따르면 약 15억 ligand conformations와 약 250만 protein–ligand complex를 이용한 단계적 pretraining 뒤 curated co-crystal refinement와 LoRA 기반 project adaptation을 수행한다.

저자들은 affinity를 외부 scorer로 붙이지 않고 generation과 같은 representation에서 학습함으로써 inference-time importance sampling으로 affinity를 직접 steering할 수 있다고 강조한다.

IsoDDE와의 비교

IsoDDE가 structure + pocket + affinity + generative design을 하나의 engine으로 묶는 비전이라면, FLOWR.ROOT는 그중 pocket-conditioned generation + affinity + adaptation을 공개적이고 peer-reviewed된 형태로 보여주는 사례이다. 반면 ligand-free blind pocket discovery나 IsoDDE 수준의 broad biomolecular cofolding까지 제공하는 시스템은 아니다.

Source · Nature Communications s41467-026-74130-9

Antibody prediction에서 antigen-conditioned functional design으로

7월 22일 공개된 AAMFM (Antigen-specific Antibody Multimodal Foundation Model)은 단순 antibody language model이 아니다. antibody sequence·structure representation에 antigen geometry와 epitope annotation을 cross-modal adapter로 직접 조건화한다.

또한 약 3만 개 antibody와 AF3-predicted structure에서 preference signal을 구성해 Calibrated DPO로 functional design을 정렬한다.

IsoDDE가 antibody–antigen structure prediction에서 CDR-H3 generalization을 강조했다면, AAMFM의 질문은 한 단계 뒤집혀 있다. 특히 “antigen 정보를 실제로 쓰는가?”라는 문제를 explicit conditioning으로 다룬다는 점이 중요하다.

다만 AF3가 preference teacher 역할을 하므로 teacher bias가 design model에 전파될 가능성은 별도로 검증해야 한다.

Source · arXiv:2607.20057

Drug Design Engine의 다음 층은 agentic medicinal-chemistry orchestration일 수 있다

8월 11일 공개된 SABLE은 분자 foundation model 자체보다 그 위에 올라가는 decision/orchestration layer이다. LLM이 사용자의 목표를 해석하고 reaction-template 기반 analog enumeration, ADMET prediction, structure-based affinity scoring, Bayesian optimization을 도구로 호출한다.

potency 하나만 최적화하지 않는다. selectivity, PK, safety, synthetic accessibility를 함께 다루며 모든 numerical output의 provenance를 남긴다.

이 연구의 의미는 앞으로 “Drug Design Engine”이 하나의 거대한 neural network일 필요가 없다는 점이다. IsoDDE가 molecular intelligence의 predictive/generative core라면, SABLE류 시스템은 그 위에서 “어떤 molecule을 다음에 만들 것인가?”를 결정하는 agent layer에 가깝다.

아직 computational decision-support 수준이며 실제 DMTA closed loop의 prospective validation은 남아 있다.

Source · arXiv:2608.11483

여덟 연구를 한 줄로 이으면

DODock/DOScore는 OOD에서 explicit physics를 다시 끌어온다. DBMol은 structure predictor를 inverse-design objective로 사용한다. FLOWR.ROOT는 generation과 affinity를 같은 backbone에 묶는다. SABLE은 그 위에 medicinal-chemistry 의사결정 층을 올린다. 첨부 자료는 이들을 연결해 차세대 Drug Design Engine을 다음과 같이 그린다.

이 식은 어느 단일 논문이 완성한 architecture가 아니라 여러 최신 연구를 종합한 해석적 로드맵이다.

IsoDDE 관점에서 특히 주목할 세 가지 축

첫째는 benchmark design의 변화다. similarity-isolated split이 중요해졌지만 결국 신약개발 시스템이 설득력을 얻으려면 prospective prediction, synthesis, assay로 넘어가야 한다. 둘째는 affinity의 역할 변화다. 정확한 scalar prediction을 하는 것만으로는 design engine이 되지 않는다. 그 신호가 molecule search를 안정적으로 steer해야 한다. 셋째는 structure라는 객체의 정의 변화다. pocket이 열리고 닫히고, ligand와 pH와 partner에 따라 state population이 달라진다면 구조예측 모델은 하나의 최적 좌표보다 조건부 ensemble과 transition을 다뤄야 한다.

새 architecture 공개보다 적용 인프라로의 이동이 먼저 보인다

첨부 자료는 공식 IsoDDE 쪽에서 확인된 최신 핵심 기술 공개가 여전히 2026년 2월의 IsoDDE 기술보고서라고 정리한다. 최근 공식 변화 가운데 연구적으로 의미 있는 것은 Google DeepMind–Isomorphic Labs가 7월 16일 발표한 bioresilience program에서 IsoDDE를 신종 감염병 countermeasure 설계에 신속 배치하는 전담 기능을 두었다는 점이라고 서술한다.

이는 새 architecture 공개는 아니지만, IsoDDE가 benchmark 시스템에서 실제 대응형 drug-design infrastructure로 이동하려는 적용 방향을 보여준다는 것이 첨부 자료의 해석이다.

첨부 자료 본문은 bioresilience 항목의 “출처 URL”로 DeepMind 글을 제시하지만 reference list의 [11]은 Isomorphic Labs의 Drug Design Engine 소개 글을 가리킨다. 두 링크가 서로 다르므로 이 게시물은 이를 조용히 하나로 합치거나 교정하지 않고 그대로 구분한다.

같은 로드맵에 놓인다고 같은 수준의 증거가 되는 것은 아니다

FLOWR.ROOT와 AF3 cryptic-pocket 연구는 peer-reviewed publication이고, DODock/DOScore·RAVEN·DBMol·AAMFM·SABLE은 첨부 자료가 preprint로 다룬다. conformational state-space 연구는 성능 모델 하나를 제시하기보다 문제정의를 바꾸는 성격이 강하다.

또한 “prospective”라는 단어도 같은 뜻이 아니다. blind structural prediction의 사후 crystal confirmation, virtual screening의 prospective campaign, 실제 synthesis/assay와 DMTA closed loop는 서로 다른 검증 단계다. 이 차이를 지우면 platform comparison이 과장된다.

affinity도 마찬가지다. 높은 Pearson correlation이 실제 compound prioritization의 hit rate나 FEP-grade ranking을 자동으로 보장하지 않는다. generation model의 chemical validity가 높아도 합성가능성과 assay potency가 보장되는 것은 아니다.

cryptic pocket에서는 ligand-conditioned ensemble과 ligand-free blind discovery를 분리해야 한다. ligand identity가 구조 ensemble을 바꾼다면 어떤 정보를 input으로 주었는지 자체가 benchmark 정의의 일부가 된다.

첨부 자료에 포함된 출처 전체