BackFlip-2: Predicting directional flexibility in proteins

한 줄 요약: BackFlip-2는 equilibrium protein structure 하나에서 residue별 3×3 anisotropic covariance tensor와 residue-pair dynamic coupling / DCCM을 직접 예측해, scalar RMSF가 버리는 어느 방향으로 움직이는가와 어떤 residue들이 함께 움직이는가를 매우 저렴한 구조 annotation으로 복원하려는 SE(3)-equivariant surrogate입니다.

왜 이 논문을 저장하는가

Protein structure model이나 docking pipeline은 대개 protein을 한 장의 정적 구조로 봅니다. 하지만 실제 binding site에서 중요한 것은 단순히 residue가 얼마나 흔들리는지가 아니라,

• 어느 방향으로 흔들리는가,
• neighboring residue가 같은 방향으로 움직이는가,
• 서로 떨어진 domain이 correlated / anticorrelated motion을 보이는가,
• apo 구조의 motion direction이 functional conformational change와 정렬되는가

입니다.

가장 흔한 cheap descriptor인 RMSF는 이 정보를 거의 모두 압축합니다.

$${\mathrm{RMSF}}_i=\sqrt{\mathrm{tr}({\Sigma }_i)}.$$

여기서 ${\Sigma }_i\in {\mathbb{R}}^{3\times 3}$는 residue $i$의 fluctuation covariance입니다. Trace만 남기면 세 축의 variance와 principal direction이 사라집니다.

BackFlip-2가 흥미로운 이유는 이 covariance 자체를 equivariant target으로 만들었다는 데 있습니다. Protein을 회전시키면 predicted covariance도 같은 방식으로 회전해야 합니다.

$${\hat{\Sigma }}_i(RX+t)=R{\hat{\Sigma }}_i(X)R^{\top }.$$

동시에 residue-pair dynamics는 invariant scalar로 예측합니다. 즉 논문은 protein flexibility를 하나의 scalar regression으로 보지 않고,

$$\boxed{\text{static structure}\to \text{directional local motion}+\text{long-range dynamic coupling}}$$

이라는 representation problem으로 다시 정의합니다.

이 관점은 SBDD에서도 재사용 가치가 있습니다. BackFlip-2 자체가 docking/affinity model은 아니지만, static pocket representation에 cheap dynamics descriptor를 붙일 수 있는 후보이기 때문입니다.

---

Metadata

Field	Value
Paper	Predicting directional flexibility in proteins
Authors	Vsevolod Viliuga, Leif Seute, Matteo Tadiello, Nicolas Wolf, Frauke Gräter, Arne Elofsson
arXiv	2609.08474
Submitted	2026-09-08
Model	BackFlip-2
Input	equilibrium protein backbone frames + amino-acid identity
Main outputs	per-residue covariance, pairwise coupling, DCCM
Main MD sources	ATLAS, mdCATH
Backbone	modified AlphaFold2 Invariant Point Attention encoder
Parameters	965K reported for BackFlip-2
Training	200 epochs; authors report ~4 GPU-hours on one A100
Official code	https://github.com/graeter-group/backflip
Code snapshot inspected	887c6a73b216e3fe2ff9f551ae6e2c983c21b292
Released checkpoints	ATLAS, mdCATH, joint ATLAS+mdCATH variants
Paper license	CC BY 4.0
Repository software license	MIT

Claim boundary: 아래 수치와 biological examples는 저자들이 paper/repository에서 보고한 결과입니다. MD trajectory와의 agreement는 experimental function, ligand binding, affinity, induced fit 또는 long-timescale conformational transition을 자동으로 증명하지 않습니다.

---

Figure guide — 이 두 그림이 핵심 intuition을 잡아준다

Figure A — scalar RMSF보다 covariance가 필요한 이유

Official BackFlip repository asset corresponding to the paper’s directional-covariance comparison. Source: BackFlip repository asset, paper: arXiv:2609.08474. The project repository is MIT-licensed and the paper is CC BY 4.0. No scientific content was modified.

볼 것: MD에서 관찰되는 residue fluctuation은 대체로 spherical하지 않습니다. Equivariant model은 길쭉한 ellipsoid의 orientation까지 따라가지만, non-equivariant head는 방향을 안정적으로 정의할 수 없어 훨씬 isotropic한 prediction으로 수렴합니다.

이 그림이 지지하는 것은 equivariance가 멋있다는 일반론이 아닙니다. target 자체가 coordinate-frame-dependent tensor라면 output transformation law를 architecture에 넣는 것이 정보 보존에 직접 필요하다는 주장입니다.

Figure B — 한 구조에서 RMSF와 long-range coupling을 동시에 얻는다

Official BackFlip repository inference example for ubiquitin (1UBQ). Source: BackFlip repository asset. The upper profile is RMSF derived from the predicted covariance; the matrix is the predicted DCCM. Author-produced visualization, not independent validation.

볼 것: RMSF는 diagonal/local flexibility만 보여주지만 DCCM은 residue pair의 correlated and anticorrelated motion을 보여줍니다. BackFlip-2는 이 둘을 별도의 expensive trajectory generation 없이 동일한 structure-conditioned encoder에서 예측합니다.

논문의 adenylate kinase functional example도 중요합니다. Apo structure에서 LID/NMP-binding domain의 covariance direction과 negative inter-domain coupling이 open→closed motion과 관련된 축을 포착한다고 저자들은 해석합니다. 해당 비교는 paper Figure 3에서 보는 것이 가장 정확합니다: paper PDF.

---

1. Problem: flexibility를 scalar 하나로 줄이면 무엇을 잃는가

MD trajectory에서 residue $i$의 mean-centered displacement를

$$\delta x_i(t)=x_i(t)-⟨x_i⟩$$

라고 하면 가장 기본적인 second moment는

$${\Sigma }_i=⟨\delta x_i\delta x_i^{\top }⟩\in {\mathbb{R}}^{3\times 3}$$

입니다.

이 matrix는 세 가지를 동시에 포함합니다.

1. total amplitude,
2. anisotropy,
3. principal motion direction.

RMSF는

$${\mathrm{RMSF}}_i^2=\mathrm{tr}({\Sigma }_i)$$

이므로 total amplitude만 남깁니다. 두 residue가 RMSF는 같아도 하나는 hinge 방향으로 길게 움직이고 다른 하나는 isotropic하게 흔들릴 수 있습니다.

Protein function이나 pocket adaptation에서는 이 차이가 중요할 수 있습니다. 특히 ligand approach direction, loop opening, domain closure처럼 특정 direction이 필요한 경우 scalar flexibility만으로는 geometry를 충분히 표현하지 못합니다.

BackFlip-2의 첫 번째 연구 질문은 따라서 단순합니다.

정적 구조 하나에서 residue별 covariance tensor를 직접 예측할 수 있는가?

두 번째 질문은 더 어렵습니다.

trajectory 없이 residue-residue dynamic coupling까지 복원할 수 있는가?

---

2. Output contract: local tensor와 pairwise scalar를 분리한다

2.1 Per-residue covariance

Residue $i$에 대해 target은

$${\Sigma }_i\in {\mathbb{S}}_{+}^3$$

입니다. 즉 symmetric positive-semidefinite (SPSD) matrix입니다.

좌표를 $R\in SO(3)$로 회전하면

$${\Sigma }_i^{\prime }=R{\Sigma }_i{R}^{\top }.$$

이것은 invariant scalar target이 아닙니다. Tensor target의 orientation도 prediction의 일부입니다.

2.2 Pairwise coupling

Full cross-covariance ${\Sigma }^{(ij)}$를 그대로 예측하는 대신 paper는 pairwise scalar coupling을

$$C_{ij}=\mathrm{tr}({\Sigma }^{(ij)})$$

형태로 다룹니다.

그리고 normalized form인 DCCM은

$${\tilde{C}}_{ij}=\frac{C_{ij}}{{\mathrm{RMSF}}_i{\mathrm{RMSF}}_j}$$

로 계산합니다.

이 값은 대략 $[-1,1]$ 범위에서

• positive: correlated motion,
• negative: anticorrelated motion,
• near zero: weak linear coupling

을 나타냅니다.

여기서 설계가 깔끔합니다.

• direction이 본질적인 per-residue motion → equivariant matrix,
• pair relation의 signed strength → invariant scalar.

Target의 transformation law에 맞춰 output type을 분리한 것이 architecture의 핵심입니다.

---

3. Input representation: protein backbone을 residue frames로 본다

BackFlip-2는 protein backbone을 residue-wise rigid frame으로 표현합니다.

$$T_i=(x_i,R_i),$$

where

• $x_i$ is a residue position,
• $R_i$ is the residue-local orientation.

Encoder는 modified AlphaFold2 Invariant Point Attention(IPA)을 사용합니다. Paper가 기술하는 main setting은 대략

• node dimension 96,
• pair/edge dimension 64,
• 4 IPA layers,
• backbone frame,
• one-hot amino-acid type,
• positional encoding,
• pair distance features up to 20 Å

입니다.

중요한 점은 backbone frames가 structure generation처럼 update되지 않는다는 것입니다. 여기서는 이미 주어진 equilibrium structure를 읽고 dynamics descriptor를 예측합니다.

따라서 task는

$$\{T_i,a_i{\}}_{i=1}^N\stackrel{f_{\theta }}{\to }\{{\hat{\Sigma }}_i{\}}_{i=1}^N,\{{\hat{C}}_{ij}{\}}_{i,j=1}^N$$

입니다.

---

4. Covariance head: SPSD와 equivariance를 동시에 보장한다

이 paper에서 가장 재사용 가치가 높은 부분입니다.

Encoder가 residue-local invariant/equivariant representation을 만든 뒤 covariance head는 local frame에서 임의의 $3\times 3$ matrix $A_i$를 예측합니다.

그 다음

$${\Sigma }_i^{\mathrm{local}}=A_i{A}_i^{\top }$$

로 둡니다.

이 구성은 자동으로

$${\Sigma }_i^{\mathrm{local}}⪰0$$

을 만족합니다.

마지막으로 residue frame orientation을 이용해 global coordinate로 보냅니다.

$${\hat{\Sigma }}_i=R_i{\Sigma }_i^{\mathrm{local}}{R}_i^{\top }.$$

Global protein rotation $Q$를 적용하면 local covariance는 그대로이고 residue frame이 $Q{R}_i$가 되므로

$${\hat{\Sigma }}_i^{\prime }=(Q{R}_i){\Sigma }_i^{\mathrm{local}}(Q{R}_i{)}^{\top }=Q{\hat{\Sigma }}_i{Q}^{\top }.$$

즉 output equivariance가 구조적으로 보장됩니다.

이 방식은 higher-order irrep network를 반드시 깊게 쌓아야 tensor를 예측할 수 있다는 것과는 다릅니다. Local invariant prediction + known frame transport로 physically valid tensor output을 만들 수 있습니다.

---

5. Pairwise coupling head

Coupling head는 pair embedding을 읽어 scalar $C_{ij}$를 예측합니다. Pairwise coupling은 residue ordering을 바꿔도 대칭이어야 하므로 prediction을 symmetrize합니다.

$${\hat{C}}_{ij}={\hat{C}}_{ji}.$$

이후 predicted covariance에서 얻은 RMSF와 coupling으로 DCCM을 구성할 수 있습니다.

Representation 관점에서 특히 흥미로운 것은 node tensor + dense pair scalar의 조합입니다.

정적 protein model에 가져오면 다음과 같은 feature contract를 만들 수 있습니다.

residue node:
  static geometry
  amino-acid identity
  covariance tensor / derived invariants
 
residue pair:
  distance/orientation
  predicted dynamic coupling
  predicted DCCM

이 구조는 protein-ligand pairformer류 모델에서 dynamics를 별도의 pair channel로 넣는 아이디어와 자연스럽게 연결됩니다.

---

6. Training objective

Paper는 covariance matrix 자체의 discrepancy, scalar amplitude, pair coupling을 하나로 묶어 학습합니다.

핵심 supervision은 대략 다음 세 층입니다.

1. covariance geometry,
2. RMSF / magnitude,
3. DCCM / coupling.

Covariance comparison에는 covariance-matrix distance(CMD) 계열을 사용하고, RMSF MAE와 DCCM MSE를 함께 최적화합니다.

이 multi-objective가 필요한 이유는 matrix loss 하나만으로는 downstream에서 읽기 쉬운 amplitude와 pair correlation 품질을 충분히 통제하지 못할 수 있기 때문입니다.

Paper의 main model은 200 epochs 학습되고, 저자들은 single A100에서 약 4 GPU-hours 수준의 training cost를 보고합니다. Checkpoint selection은 validation loss 기준입니다.

---

7. Data contract: 무엇을 ground truth dynamics로 보는가

ATLAS

ATLAS setting은 paper의 주요 training/evaluation source입니다.

저자 설명 기준:

• 1,390 proteins,
• protein당 3 independent trajectories,
• trajectory당 100 ns,
• CHARMM36m,
• 300 K,
• 2 fs timestep.

Trajectory에서 residue covariance와 cross-residue coupling을 계산해 supervised labels로 사용합니다.

mdCATH

mdCATH는 domain-level MD collection으로 cross-dataset transfer를 보는 데 사용됩니다.

Paper는

• 5,398 domains,
• multiple temperatures,
• 320 K subset을 주요 comparison에 사용,
• total 500 ns-scale trajectories,
• CHARMM22,
• 4 fs timestep

이라는 protocol 차이를 다룹니다.

이 차이는 단순 dataset shift가 아닙니다. Force field, temperature, timestep, domain composition, simulation protocol이 모두 달라질 수 있습니다.

따라서 BackFlip-2가 배우는 target을 더 정확하게 쓰면

protein의 절대적이고 유일한 dynamics

가 아니라

특정 MD protocol과 sub-microsecond observation window에서 정의된 second-order fluctuation statistics

입니다.

이 distinction은 downstream application에서 반드시 유지해야 합니다.

---

8. Evaluation: 하나의 metric으로 tensor prediction을 판단하면 안 된다

Paper는 flexibility를 여러 axis로 나눠 평가합니다.

Metric	무엇을 본다
RMSF Pearson	residue-wise amplitude ranking
RMSF MAE	absolute amplitude error
RMWD	covariance matrix geometry discrepancy
symmetric KL	Gaussian covariance distribution mismatch
ellipsoid IoU / Dice	anisotropic shape + orientation overlap
DCCM Pearson	pair coupling pattern
DCCM MAE	pair coupling absolute error

특히 ellipsoid overlap이 중요합니다. RMSF가 비슷한 두 covariance라도 principal axis가 다르면 directional dynamics prediction은 틀릴 수 있습니다.

---

9. Main result 1: cheap RMSF surrogate를 넘어선다

저자 보고 ATLAS FlexPert split에서 대표 결과는 다음과 같습니다.

Method	RMSF Pearson ↑	RMSF MAE ↓	Params	Inference
MD reference trajectory-vs-trajectory	0.88	0.47	—	$O(10^4)$ s-scale
FlexPert	0.83	0.80	1.2B	~0.4 s
Pegasus	0.75	0.82	11M	~2.5 s
BackFlip	0.84	0.62	321K	≤0.02 s
BackFlip-2	0.87	0.58	965K	≤0.02 s

이 결과의 올바른 읽기는 BackFlip-2가 MD를 대체했다가 아닙니다.

MD trajectory 두 개 사이에도 finite-sampling discrepancy가 존재하고, BackFlip-2는 MD-derived descriptors를 빠르게 근사합니다. 즉 trajectory-level microstates를 생성하는 대신 second-order summary statistics를 amortize한 것입니다.

De novo protein subset에서도 저자들은 BackFlip-2가 기존 cheap predictors보다 더 높은 RMSF agreement를 보고합니다. 이 결과는 training-set memorization만으로 설명하기 어려운 signal을 주지만, de novo set 하나가 모든 structural OOD를 보장하는 것은 아닙니다.

---

10. Main result 2: ensemble model과 비교하면 trade-off가 보인다

AlphaFlow-style split에서 paper가 보고한 대표 값은 다음과 같습니다.

Method	RMWD ↓	Sym. KL ↓	RMSF r ↑	RMSF MAE ↓	DCCM r ↑	DCCM MAE ↓	Inference
BackFlip-2	0.88	0.67	0.89	0.35	0.80	0.16	≤0.02 s
AFMD-T	0.84	0.60	0.93	0.25	0.89	0.12	~8,200 s
BBFlow	0.93	0.65	0.93	0.42	0.86	0.16	~160 s
DynaProt	1.18	0.91	0.87	—	0.66	—	~0.02 s

BackFlip-2는 covariance quality에서 훨씬 비싼 ensemble methods와 경쟁력이 있지만, DCCM coupling은 AFMD-T/BBFlow보다 약합니다.

이 trade-off가 중요합니다.

• 필요한 것이 cheap annotation이라면 BackFlip-2의 속도 이점이 큽니다.
• alternative conformations나 long-range coupling accuracy가 핵심이면 ensemble generation이 여전히 더 많은 정보를 제공합니다.

즉 fast dynamics surrogate와 full ensemble generator는 같은 product가 아닙니다.

---

11. Equivariance ablation: 왜 방향성 target에는 symmetry가 실제로 필요한가

Paper의 directional ellipsoid overlap에서 저자 보고값은 대략 다음과 같습니다.

Model	IoU ↑	Dice ↑
BackFlip-2 equivariant	0.49	0.64
non-equivariant variant	0.42	0.58
BioEmu	0.25	0.38
AFMD-T	0.48	0.63
BBFlow	0.47	0.62

Non-equivariant model은 RMSF amplitude는 어느 정도 맞출 수 있어도 covariance ellipsoid가 near-spherical해지는 경향을 보입니다.

왜 그런지 생각하면 자연스럽습니다. Global frame에서 arbitrary direction을 예측하게 하면 protein을 회전시켰을 때 prediction direction이 어떻게 바뀌어야 하는지 학습으로만 알아내야 합니다. Equivariant head는 그 constraint를 architecture에 고정합니다.

이 논문이 주는 일반 원칙은:

Invariant scalar benchmark만 보고 equivariant architecture의 가치를 판단하면 방향성 information gain을 놓칠 수 있다.

입니다.

---

12. PSD parameterization ablation: 복잡한 Cholesky가 꼭 낫지는 않다

Appendix ablation은 covariance parameterization과 equivariance를 분리합니다.

대표적으로 저자들이 보고한 패턴은:

• equivariant + simple $A{A}^{\top }$: best/near-best overall,
• equivariant + Cholesky: 비슷하지만 명확한 우위 없음,
• non-equivariant variants: covariance geometry와 DCCM에서 더 큰 손실.

즉 improvement의 핵심은 더 정교한 SPD parameterization보다 올바른 transformation law에 있습니다.

이것은 implementation lesson으로 꽤 좋습니다. 물리 constraint를 넣을 때 가장 복잡한 parameterization부터 시작할 필요가 없습니다.

---

13. Cross-dataset transfer: mdCATH가 보여주는 것

ATLAS-trained model을 mdCATH 320 K subset에 그대로 적용하면 저자들은 대략

• RMWD 1.63,
• symmetric KL 2.57,
• RMSF Pearson 0.85,
• RMSF MAE 0.69,
• DCCM Pearson 0.81,
• DCCM MAE 0.15

를 보고합니다.

Joint ATLAS+mdCATH training은 mdCATH covariance metrics를 개선해 대략 RMWD 1.51, KL 1.72 수준으로 낮추지만 ATLAS에서 일부 metric은 약간 희생합니다.

이 결과는 중요한 경고를 줍니다.

$$\text{dynamics label}=\text{protein structure}+\text{simulation protocol}+\text{timescale}+\text{force field}+\text{temperature}+\text{sampling noise}.$$

따라서 dynamics foundation feature를 만들려면 dataset을 그냥 합치는 것보다 condition/domain metadata를 명시적으로 모델링할 가능성을 고려해야 합니다.

---

14. Input robustness: perfect crystal geometry만 요구하지 않는다

Paper appendix는 input coordinate perturbation과 AlphaFold-predicted structure를 사용한 robustness test를 제공합니다.

저자 보고상

• 0.2 Å noise,
• 0.5 Å noise,
• AlphaFold structure input

에서도 main metrics가 급격히 붕괴하지 않습니다. AlphaFold input의 median global RMSD가 수 Å 수준이어도 RMSF/covariance metrics가 상당 부분 유지됩니다.

이것은 실제 application에서 중요합니다. Dynamics annotation이 experimental structure에만 묶이면 large-scale proteome annotation에 쓰기 어렵기 때문입니다.

하지만 이것도 predicted structure에서 pocket dynamics가 정확하다는 뜻은 아닙니다. Global robustness와 local binding-site accuracy는 별도의 test가 필요합니다.

---

15. Functional examples: adenylate kinase를 어떻게 읽어야 하는가

Adenylate kinase는 open apo state와 closed holo state 사이에 큰 domain motion이 있는 classical example입니다.

저자들은 apo structure에서

• LID / NMP-binding regions가 상대적으로 flexible하고,
• covariance ellipsoid의 principal directions가 closure/opening axis와 관련되며,
• domains 사이에 anticorrelated coupling pattern이 나타나는 것

을 보여줍니다.

이것은 BackFlip-2가 단순 B-factor-like amplitude만 배우는 것이 아니라 functionally interpretable direction/coupling signal을 포착할 수 있다는 qualitative evidence입니다.

하지만 다음까지는 증명하지 않습니다.

$$\text{predicted covariance direction}\Rightarrow \text{actual transition pathway probability}.$$

Second moment는 transition path나 multimodal free-energy landscape 전체가 아닙니다.

---

16. 가장 중요한 limitation: Gaussian second moment와 sub-microsecond timescale

Covariance는 본질적으로 분포를 second-order moment로 압축합니다.

한 basin 안의 near-Gaussian fluctuation에는 좋은 descriptor일 수 있지만,

state A  ←→  high barrier  ←→  state B

처럼 distinct metastable state가 있는 경우 하나의 covariance matrix는 두 state의 구조와 barrier를 표현하지 못합니다.

Paper 자체도 descriptor가 주로 300–500 ns 이하 MD regime에 맞춰져 있으며 millisecond-scale transition이나 strongly multimodal dynamics에는 ensemble/sampling model이 더 적합하다는 boundary를 둡니다.

따라서 BackFlip-2를 다음과 혼동하면 안 됩니다.

• MD simulator,
• conformational ensemble generator,
• free-energy estimator,
• transition-path sampler.

BackFlip-2는 fast dynamics descriptor predictor입니다.

---

17. SBDD에서 어디에 써볼 수 있는가

가장 자연스러운 사용은 docking model을 BackFlip-2로 교체하는 것이 아니라 protein representation에 side-channel을 추가하는 것입니다.

17.1 Residue node feature

Covariance에서 invariant descriptor를 뽑을 수 있습니다.

$$\mathrm{tr}({\Sigma }_i),\log \det ({\Sigma }_i+ϵI),{\lambda }_1,{\lambda }_2,{\lambda }_3,\frac{{\lambda }_{\max }}{{\sum }_k{\lambda }_k}.$$

이들은 flexibility magnitude와 anisotropy를 scalar node feature로 제공합니다.

17.2 Equivariant directional feature

Principal eigenvector를 쓰고 싶다면 global Cartesian vector를 scalar MLP에 그대로 넣으면 안 됩니다. Downstream model이 equivariant하다면

$$(v_i,{\lambda }_i)$$

를 proper vector/tensor channel로 전달하거나 residue-local frame으로 표현해야 합니다.

즉 BackFlip-2 feature를 사용할 때도 coordinate contract를 유지해야 합니다.

17.3 Pair feature

DCCM은 pairformer-style representation과 특히 잘 맞습니다.

$$p_{ij}^{(0)}\leftarrow [p_{ij}^{\mathrm{static}},{\hat{C}}_{ij},{\hat{\tilde{C}}}_{ij}].$$

Static distance/contact와 별개로 tend to move together / against each other를 pair channel에 추가할 수 있습니다.

17.4 Pocket mobility prior

Pocket residue의 covariance principal axis가 cavity opening direction과 관련된다면 ligand placement/refinement에서 useful prior가 될 가능성이 있습니다.

하지만 이것은 아직 hypothesis입니다. Paper에는 protein-ligand pose/affinity experiment가 없습니다.

---

18. 내가 먼저 돌릴 matched ablation

BackFlip-2의 SBDD utility를 확인하려면 복잡하게 시작할 필요가 없습니다.

Arms

Arm	Protein dynamics feature
A	static structure only
B	+ predicted scalar RMSF
C	+ covariance eigenvalues / anisotropy invariants
D	+ full equivariant covariance representation
E	+ DCCM pair channel
F	+ covariance + DCCM

Evaluation

동일 model capacity와 training budget에서 최소한 다음을 분리해 봅니다.

• pose top-1 / top-k,
• pocket-conditioned ranking or scoring,
• apo→holo robustness,
• protein-family OOD,
• pocket-similarity OOD,
• flexible-loop subset,
• rigid-pocket subset,
• inference overhead,
• cached-feature storage cost.

가장 중요한 control

MD-derived true descriptors를 teacher/oracle로 둔 upper-bound arm을 추가해야 합니다.

static
vs predicted BackFlip-2 dynamics
vs MD-derived dynamics

Predicted dynamics가 도움이 안 된다면 두 가능성을 나눌 수 있습니다.

1. dynamics feature 자체가 task에 불필요하다.
2. useful하지만 predictor error가 information을 지운다.

이 구분 없이 BackFlip-2 feature failed라고 결론 내리면 안 됩니다.

---

19. 더 강한 test: apo/holo와 pocket-specific directionality

특히 SBDD에서는 global protein metric보다 pocket-local test가 더 중요합니다.

다음 protocol이 더 직접적입니다.

1. apo structure만 input으로 사용.
2. BackFlip-2 covariance를 예측.
3. holo ligand가 들어오면서 실제로 이동한 pocket residues의 displacement를 계산.
4. predicted principal covariance axis와 apo→holo displacement angle을 비교.

예를 들어

$$\cos {\theta }_i=\frac{|v_i^{\top }\Delta x_i|}{\Vert v_i\Vert \Vert \Delta x_i\Vert }$$

를 볼 수 있습니다.

여기서 $v_i$는 predicted dominant fluctuation axis입니다.

이 metric이 random-axis / RMSF-only baseline보다 높다면 directional flexibility가 실제 pocket adaptation direction에 information을 준다는 더 직접적인 evidence가 됩니다.

주의할 점은 holo structure나 ligand pose에서 derived된 정보를 input preprocessing에 섞지 않는 것입니다. 그렇지 않으면 coordinate/template leakage가 생깁니다.

---

20. Reproducibility path

공식 repository는 비교적 좋은 reproduction surface를 제공합니다.

Released artifacts

• BackFlip-2.1 ATLAS checkpoint,
• mdCATH checkpoint,
• joint ATLAS+mdCATH checkpoint,
• dataset preparation files,
• modified ATLAS features,
• inference API / CLI,
• covariance/DCCM evaluation script,
• explicit equivariance test script,
• Colab tutorial.

공식 Python API는 한 PDB에서

• per_res_covariance $(N,3,3)$,
• pairwise_couplings $(N,N)$,
• pairwise_DCCM $(N,N)$

을 반환합니다.

Repository는 batched A100 inference에서 약 50 proteins/s까지 가능하다고 기술하지만, 이 throughput은 hardware, length distribution, batching에 의존하는 repository-reported figure로 봐야 합니다.

Dataset license caveat

Software는 MIT지만 modified ATLAS dataset은 upstream 조건에 따라 CC BY-NC 4.0으로 안내됩니다. 따라서 code license와 dataset license를 분리해 봐야 합니다.

---

21. What the paper establishes

이 paper의 evidence가 비교적 강하게 지지하는 것은 다음입니다.

1. Static equilibrium structure에서 MD-derived RMSF를 상당히 정확하게 amortize할 수 있습니다.
2. Scalar RMSF를 넘어 anisotropic per-residue covariance를 직접 예측할 수 있습니다.
3. Equivariant output construction이 directional covariance quality를 개선합니다.
4. Pairwise DCCM pattern도 cheap하게 예측할 수 있습니다.
5. ATLAS→mdCATH transfer와 coordinate perturbation/AF input robustness에서 일정 수준의 generalization signal이 있습니다.
6. Full ensemble methods보다 정보는 제한적이지만 inference cost가 극도로 낮습니다.

---

22. What the paper does NOT establish

다음 claim은 아직 별도 검증이 필요합니다.

Ligand binding utility

Protein dynamics descriptor accuracy가 좋아도

$$\text{better covariance}\nRightarrow \text{better docking / affinity / screening}.$$

Paper에는 이 downstream evidence가 없습니다.

Long-timescale transitions

Single covariance와 DCCM은 multimodal landscape와 rare transition kinetics를 복원하지 않습니다.

Experimental dynamics equivalence

Ground truth의 중심은 MD-derived observable입니다. NMR/order parameters/HDX/B-factor와의 관계는 별도 measurement model이 필요합니다.

Universal dynamics across simulation protocols

ATLAS와 mdCATH 차이 자체가 보여주듯 force field, temperature, simulation length가 target distribution에 영향을 줄 수 있습니다.

Pocket-local OOD

Global protein metric이 유지되어도 flexible loop, cryptic pocket, membrane protein, intrinsically disordered region 같은 difficult regime에서 동일하다고 말할 수 없습니다.

---

23. Failure modes

Failure mode	왜 위험한가
RMSF 성능만 보고 directional model을 평가	anisotropy와 orientation information을 못 봄
DCCM을 causal allostery로 해석	correlation은 causation/energy pathway가 아님
covariance를 conformational ensemble로 해석	second moment는 multimodal states를 복원하지 못함
one MD protocol을 biological truth로 취급	force field/timescale/temperature dependence 무시
principal vector를 scalar network에 그대로 넣음	rotation-frame leakage / broken transformation contract
holo ligand-derived alignment을 apo input feature로 사용	deployment-unavailable information leakage
protein-level split만 보고 pocket OOD 주장	local site similarity leakage 가능
fast throughput만 보고 ensemble method와 동일 product로 비교	output information content가 다름

---

24. 가장 중요한 architecture lesson

이 논문을 6개월 뒤에도 기억할 이유는 BackFlip이라는 이름보다 다음 설계 원칙입니다.

24.1 Target symmetry를 먼저 정의한다

Output이 scalar인지 vector인지 tensor인지 먼저 정합니다.

24.2 Physical validity를 parameterization으로 보장한다

$$A{A}^{\top }$$

만으로 covariance의 SPSD constraint를 만족시킵니다.

24.3 Local frame에서 예측하고 known transform으로 globalize한다

복잡한 tensor network 없이도

$$R_i{\Sigma }_i^{\mathrm{local}}{R}_i^{\top }$$

으로 exact equivariance를 만들 수 있습니다.

24.4 Expensive process의 모든 microstate를 생성하지 않아도 된다

Downstream에 필요한 것이 descriptor라면

$$\text{expensive trajectory}\to \text{summary target}\to \text{amortized predictor}$$

가 훨씬 효율적일 수 있습니다.

이 마지막 원칙은 MD뿐 아니라 docking ensembles, conformer ensembles, perturbation response에서도 반복해서 쓸 수 있습니다.

---

25. Final verdict

Verdict: Must Read for protein representation / geometric learning; promising but unproven as an SBDD dynamics feature.

BackFlip-2의 가장 좋은 점은 MD를 AI로 대체했다는 과장된 framing이 아니라, 어떤 dynamics information을 cheap surrogate로 만들 것인지 output space를 명확하게 선택했다는 것입니다.

RMSF 하나가 아니라 covariance tensor와 DCCM을 예측함으로써

$$\text{how much}+\text{which direction}+\text{with whom}$$

을 분리합니다.

그리고 covariance를 residue-local frame에서 SPSD로 만든 뒤 global frame으로 transport하는 head는 다른 geometric prediction task에도 재사용하기 좋은 pattern입니다.

SBDD 관점에서는 당장 main docking architecture에 넣기보다 cached protein-side dynamics annotation으로 실험하는 것이 가장 합리적입니다. 먼저 scalar RMSF → anisotropy invariants → full covariance → DCCM 순서의 matched ablation을 하고, MD-derived descriptor upper bound와 apo/holo pocket-direction test를 같이 두는 것이 좋습니다.

---

6개월 뒤 기억해야 할 세 가지

1. RMSF는 covariance의 trace일 뿐이다. BackFlip-2의 핵심은 amplitude뿐 아니라 anisotropic direction과 residue-pair coupling을 static structure에서 예측하는 것입니다.
2. Equivariance는 이 task에서 decoration이 아니다. Tensor target이 회전에 따라 변해야 하므로 local covariance를 global frame으로 transport하는 transformation contract가 directional accuracy를 직접 좌우합니다.
3. 이 모델은 ensemble generator가 아니라 descriptor surrogate다. Sub-microsecond/Gaussian second-order dynamics에는 매우 빠르고 유용할 수 있지만, rare transitions, multimodal states, ligand binding utility는 별도 evidence가 필요합니다.

Related Notes

• Protein modeling
• Protein representation
• Equivariant GNN
• Protein family split
• Benchmark card

Sources

• Viliuga V. et al., Predicting directional flexibility in proteins, arXiv:2609.08474 — https://arxiv.org/abs/2609.08474
• Official BackFlip repository — https://github.com/graeter-group/backflip
• BackFlip repository snapshot inspected for this note — https://github.com/graeter-group/backflip/tree/887c6a73b216e3fe2ff9f551ae6e2c983c21b292
• ATLAS / mdCATH dataset and checkpoint instructions — official BackFlip README
• Paper license — CC BY 4.0 as declared by arXiv