구조를 더 잘 맞히는 AI에서
실험 데이터를 만들고 검증하며
캠페인을 운영하는 AI로

717개 discovery-grade ligand-bound structure와 완전 공개형 기준선

OpenBind consortium은 OpenFold3 계열 기반의 완전 공개형 OpenBind-0(OB0)와 fragment-to-hit/lead progression을 담은 717개 ligand-bound structure를 공개했다. source에 따르면 OB0는 PDB를 2025년 6월까지 사용하고 code, weights, training recipe를 Apache 2.0으로 공개한다.

diffusion 과정의 chemical steering을 통해 “정확한 pose이면서 PoseBusters-valid”인 joint success rate가 48% → 61%로 올라갔다. 그러나 더 중요한 것은 평균 향상보다 target별 failure pattern이다.

다음 경쟁축은 어떤 실험데이터를 어떤 순서로 만들 것인가

IsoDDE와 OpenDDE 이후의 Drug Design Engine은 단순 model update loop보다 active-data flywheel을 포함할 가능성이 높다.

즉 model capacity뿐 아니라 training distribution의 빈 공간을 어떤 실험으로 메울지 결정하는 data acquisition policy가 core algorithmic problem이 된다.

511개 AI-designed/predicted antibody를 동일조건에서 독립 검증

AIntibody는 29개 조직이 제출한 511개 AI-designed/predicted antibodies를 동일 실험조건에서 독립적으로 합성·측정했다. affinity maturation, HCDR3 cluster 내 affinity ranking, out-of-library CDR design의 세 문제를 평가했다.

일부 그룹은 100 pM 미만의 developable antibody를 만들었지만 성과는 task 사이에서 안정적으로 이전되지 않았다. 특히 affinity ranking에서는 한 모델을 제외하면 random clone selection보다도 나빴고, out-of-library CDR design 역시 매우 불안정했다.

DockQ와 medicinal objective 사이의 간극

IsoDDE가 antibody–antigen structure prediction에서 높은 DockQ를 보여도 이것이 곧바로 sequence design → affinity improvement → developability 성공으로 이어진다고 볼 수 없다.

차세대 antibody module에는 구조정확도뿐 아니라 \(K_D\), \(k_{\mathrm{off}}\), aggregation, polyreactivity, expression, thermal stability를 함께 최적화하는 multi-objective design layer가 필요하다는 것이 source의 핵심 시사점이다.

새 folding network가 아니라 전문도구의 orchestration

source에 따르면 Anthropic은 Claude Opus 4.8과 Mythos Preview가 공개 protein-design, sequence-design, co-folding model을 스스로 조합해 15개 target에 대한 binder campaign을 수행했다고 보고했다. Adaptyv Bio와 Twist Bioscience가 1,320개 design을 실제 합성·측정했고, 354개가 binder였으며 15개 target 중 14개에서 성공했다.

multi-target 설정 hit rate는 22.6–26.7%, target별 24시간 집중실행은 35.1%였고, source는 일반 공개 protein-design campaign의 10–15%보다 높다고 정리한다.

specialist foundation model 위에 goal-driven reasoning layer가 올라간다

핵심은 Claude가 새로운 structure model을 만든 것이 아니라 target 조사 → epitope 선택 → structure generation → sequence design → co-folding → iterative optimization → candidate selection을 orchestration했다는 점이다. 이는 “AI가 분자를 예측한다”에서 “AI가 discovery campaign을 운영한다”로의 이동이다.

co-folding failure에서 정답을 맞히는 orthogonal prediction

AF2Dock은 AlphaFold-Multimer/OpenFold 구조의 template module을 docking module로 교체하고 전체 모델을 flow-matching objective로 end-to-end fine-tuning한다. unbound monomer structure를 입력으로 사용해 복잡한 MSA 없이 structure-based protein–protein docking을 수행한다.

PINDER-AF2와 antibody/nanobody benchmark에서 평균 success rate는 일반 co-folding AF-M·AF3보다 낮았지만, co-folding이 실패한 target을 맞히는 orthogonal prediction을 생성했다. nanobody에서는 비교한 structure-based docking 방법 중 가장 좋은 성능을 보였다고 source가 요약한다.

따라서 antibody–antigen처럼 MSA가 약하고 interface uncertainty가 큰 문제에서는 서로 다른 inductive bias를 가진 generator의 ensemble/consensus reasoning이 중요한 방향이 된다.

receptor backbone이 맞아도 ligand pose와 FEP starting structure는 틀릴 수 있다

253개 human GPCR complex, 74개 family를 이용한 training-cutoff-aware 연구에서 Boltz는 receptor transmembrane backbone을 상당히 정확히 예측했지만 ligand pose 평균 RMSD는 5.95 Å, top-1 pose success는 37.15%, top-5는 44.66%에 그쳤다.

특히 allosteric ligand를 orthosteric pocket에 잘못 배치하는 실패가 반복됐다. 반면 Boltz가 실패한 84개 사례에 Glide와 IFD-MD를 적용하면 45/84(53.57%)를 native-like pose로 복구했고, refinement는 downstream FEP+ 성능도 상당수 회복시켰다.

source는 Boltz-2의 개선이 새 training set에 포함된 구조에서 주로 나타났고 완전한 unseen subset에서는 Boltz-1x 대비 유의한 개선이 나타나지 않았다고 정리한다. 따라서 IsoDDE형 시스템의 핵심 검증질문은 RMSD 자체보다 “예측구조가 medicinal-chemistry decision과 FEP/lead optimization의 starting structure로 충분한가?”이다.

OpenBind-0가 architecture race를 data/coverage problem으로 다시 정의한다

이번 주기에서 source가 가장 중요한 연구적 사건으로 보는 것은 OpenBind-0다. EV-A71에서 새 training data가 모델을 크게 개선하지만, training distribution과 멀고 구조적으로 유연한 RdRp에서는 여러 co-folding model이 거의 실패한다.

즉 최신 AI 신약설계의 큰 문제를 “architecture 경쟁”이 아니라 “AI-ready experimental data와 OOD coverage 부족”으로 다시 정의한다는 해석이다.

좋은 output보다 discovery loop를 성공적으로 운영하는 능력

AIntibody와 Anthropic 연구는 또 다른 전환을 보여준다. retrospective benchmark score보다 prospective experimental loop가 점점 더 중요한 평가단위가 된다.

IsoDDE 자체의 새 official generation이 아니라 주변 frontier가 빠르게 움직인다

첨부 source는 IsoDDE 자체에는 이번 최근 기간에 2026년 2월 10일 기술보고서를 대체하는 새로운 공식 논문·모델 release가 확인되지 않았다고 명시한다. 공식 공개 기준점은 여전히 protein–ligand generalisation, binding affinity, blind-pocket identification, antibody–antigen modelling을 제시한 2026년 2월 IsoDDE 보고서다.

Pearl과 SeedFold에서도 이 기간에 기존 공개본을 대체할 만큼 중요한 신규 공식 model generation은 확인되지 않았다는 것이 source의 검색범위다. 반대로 OpenBind-0, prospective antibody benchmarking, agentic protein design, physics–AI hybridization 쪽에서 frontier가 빠르게 이동하고 있다.

Post-IsoDDE는 closed-loop experimental intelligence의 문제다

다음 세대 Drug Design Engine의 차별화는 하나의 co-folding score에서 나오기보다 어디서 모델이 모르는지 탐지하고, 어떤 physics tool을 호출하고, 어떤 실험을 먼저 수행하며, 그 결과를 어떤 training data로 되돌릴지 결정하는 능력에서 나올 가능성이 높다.