OpenDDE: Folding, Reasoning, and Scaling with an Open-Source Drug Discovery Engine

한 줄 요약: OpenDDE에서 가장 오래 남을 아이디어는 “drug-discovery engine”이라는 넓은 이름보다, residue-level Pairformer와 all-atom diffusion 사이에 backbone·side-chain·base·ligand 같은 의미를 가진 structural-token relational state를 명시적으로 삽입해 coarse-to-fine geometry reasoning을 수행한다는 설계다. 다만 현재 가장 강한 evidence는 antibody–antigen co-folding이며, 논문 자체가 ligand docking·virtual screening·affinity ranking에 대한 현재 성능 주장을 명시적으로 제한한다.

왜 이 리포트를 남기는가

AlphaFold3 계열 all-atom co-folding model을 볼 때 architecture 설명은 자주 다음처럼 압축된다.

sequence / MSA / template / chemistry
        ↓
single + pair trunk
        ↓
all-atom diffusion
        ↓
coordinates

이 그림은 전체 pipeline을 이해하기에는 충분하지만, 실제 모델 설계에서는 중요한 질문 하나를 숨긴다.

residue-level pair state가 atom coordinate로 내려가기 전에, side-chain·base·ligand처럼 실제 interface geometry를 결정하는 substructure 사이 관계를 어디에서 reasoning할 것인가?

OpenDDE가 흥미로운 이유는 이 질문에 매우 직접적인 interface를 제안하기 때문이다.

$$(S^r,Z^r)\to (S^s,Z^s)\to X$$

• $(S^r,Z^r)$: residue/molecular-unit 수준의 single/pair latent state
• $(S^s,Z^s)$: 더 세밀한 structural-token 수준 single/pair latent state
• $X$: all-atom coordinates

즉 “더 깊은 Pairformer”와 “더 강한 diffusion decoder” 사이에 semantic resolution change를 둔다. Protein residue 하나를 끝까지 하나의 token으로 유지하지 않고, coordinate generation 직전에 backbone·side-chain 등 실제 geometric role로 다시 펼친 뒤 pair-conditioned attention과 triangle update를 수행한다.

이 note를 저장하는 두 번째 이유는 evidence reading 때문이다. OpenDDE는 antibody–antigen benchmark에서 강한 author-reported 결과를 보이지만, 동시에 ranked performance와 oracle performance 사이에 큰 간격이 있다. 이는 모델이 좋은 구조를 “생성할 수 있는가”와 좋은 sample을 “선택할 수 있는가”가 다른 문제임을 잘 보여준다.

세 번째 이유는 논문이 자신의 protein–ligand claim boundary를 드물게 명확하게 적어 놓았기 때문이다. OpenDDE는 ligand/atom structural token을 architecture에 포함하지만, 현재 release가 ligand docking, virtual screening, affinity ranking에 최적화되었다고 주장하지 않는다. representation capability와 task evidence를 분리해서 읽어야 한다.

---

Metadata and public artifacts

Field	Value
Paper	Folding, Reasoning, and Scaling with Open-source Drug Discovery Engine
Authors	OpenDDE Project, Aureka AI Research
Version	arXiv v1
Submitted	2026-07-04
arXiv	2607.03787
Parameters	655M trainable parameters, author-reported
Residue single width $c_s$	384
Pair width $c_z$	384
Pairformer	48 blocks
Structural-token roles	7
Structural Refiner	4 blocks, 8 heads
Diffusion transformer	24 blocks
Main evaluation emphasis	protein–protein and antibody–antigen co-folding
New benchmark	2026ARK-AB, 164 PDB complexes / 159 interface clusters
Official code	aurekaresearch/OpenDDE
Code snapshot inspected	ddfa1df8aff1babf1fddac4247b7d2351bd0ce9f
Public release inspected	OpenDDE 1.1.1
Public checkpoints	general OpenDDE + antibody–antigen checkpoint
Paper license	CC0 1.0
Code license	Apache-2.0

Claim boundary: benchmark 수치와 scaling 해석은 논문 저자들이 보고한 결과다. 공개 code/checkpoint의 존재와 current implementation 구조는 독립적으로 확인할 수 있지만, 성능 수치 자체를 이 note에서 재실행해 검증한 것은 아니다.

---

Figure guide — 먼저 이 네 그림을 보면 된다

Paper는 CC0 1.0이므로 아래 scientific figures를 원문 출처와 함께 직접 보여준다. 각 figure는 저자 보고 evidence이며, 독립 재현 결과로 읽으면 안 된다.

Figure 7 — OpenDDE 전체 architecture와 structural-token reasoning

Source: OpenDDE technical report, Figure 7, arXiv:2607.03787, CC0 1.0. Panel (a)는 residue-level trunk에서 structural-token branch와 diffusion으로 내려가는 전체 흐름, (b)는 Atom37 geometry를 semantic structural tokens로 재조직하는 과정, (c)는 shape-complementarity objective의 intuition을 보여준다.

볼 것: OpenDDE의 novelty를 “Pairformer를 384로 키웠다”와 “새 structural refiner를 추가했다”로 분리해서 봐야 한다. 앞쪽 trunk는 global relational context를 만들고, structural branch는 backbone/side-chain/base/ligand role을 노출한 뒤 더 세밀한 관계를 다시 reasoning한다.

---

Figure 2 — rank와 oracle을 반드시 분리해서 읽어야 한다

Source: OpenDDE technical report, Figure 2, CC0 1.0. PXMeter-AB, FoldBench-AB, 2026ARK-AB에서 top-ranked selection과 ground-truth DockQ로 best sample을 고르는 oracle selection을 나란히 비교한다.

저자 보고 top-ranked DockQ > 0.23 success는:

• PXMeter-AB: 51.0%
• FoldBench-AB: 70.0%
• 2026ARK-AB: 66.4%

반면 oracle은 각각 **65.9%, 81.9%, 80.1%**다.

이 차이는 단순 “더 좋은 숫자”가 아니다.

$$\text{sampling capacity}\ne \text{ranking quality}$$

좋은 candidate를 생성하는 능력이 이미 있어도 confidence/ranking이 그 candidate를 top-1으로 선택하지 못하면 deployable performance는 낮게 남는다.

---

Figure 4 — scaling law라기보다 cross-model scaling observation으로 읽기

Source: OpenDDE technical report, Figure 4, CC0 1.0. 저자들은 training tokens와 tokens × parameters proxy에 대해 여러 co-folding model의 antibody–antigen 성능을 비교한다.

저자들은 OpenDDE의 estimated training tokens를 약

$$2.04\times 10^{10}$$

으로, parameter count 655M을 곱한 training-cost proxy를 약

$$1.33\times 10^{19}$$

으로 계산한다.

하지만 이 plot은 동일 architecture를 여러 compute budget으로 통제한 scaling sweep가 아니다. AlphaFold3, Protenix, SeedFold, ESMFold2, OpenDDE는 architecture, data mixture, distillation, post-training, inference가 서로 다르다.

따라서 가장 안전한 해석은:

큰 scale의 최신 co-folding systems가 이 benchmark에서 더 높은 성능을 보이는 관찰적 경향은 있지만, Figure 4 하나로 clean scaling law나 causal exponent를 확정할 수는 없다.

---

Figure 5 — test-time compute의 병목은 sampling보다 selection일 수 있다

Source: OpenDDE technical report, Figure 5, CC0 1.0. Seed 수를 늘릴 때 ranked high-DockQ와 oracle success가 어떻게 변하는지 비교한다.

FoldBench-AB에서 저자 보고 ranked DockQ > 0.8 success는 약 28%에서 34% 정도로 증가하지만, oracle success는 약 66%에서 90% 이상까지 상승한다. 2026ARK-AB도 같은 패턴을 보인다.

즉 compute를 더 쓰면 sample set 안에는 훨씬 좋은 구조가 들어오지만, ranker가 그 증가분을 충분히 회수하지 못한다.

이 observation은 future architecture보다 confidence calibration, listwise ranking, consensus selection, independent rescoring이 큰 leverage를 가질 수 있다는 실험 가설을 만든다.

---

1. Problem: residue token과 atom coordinate 사이의 representation gap

Residue-level pair representation은 global context를 표현하기 좋다.

$$S^r\in {\mathbb{R}}^{N_r\times c_s},Z^r\in {\mathbb{R}}^{N_r\times N_r\times c_z}.$$

여기서 residue $i$ 하나는 backbone과 여러 side-chain atom을 포함하지만 trunk에서는 하나의 token으로 압축되어 있다.

이 압축은 효율적이다. Dense pair memory는 대략

$$O(N_r^2{c}_z)$$

이므로 처음부터 모든 atom을 dense pair token으로 쓰는 것보다 훨씬 싸다.

문제는 interface packing이 residue centroid 수준에서 끝나지 않는다는 것이다.

• backbone orientation
• side-chain rotamer
• donor/acceptor geometry
• aromatic/base orientation
• ligand atom placement
• steric exclusion

같은 항목은 더 세밀한 object 사이 관계에 의존한다.

반대로 atom-level diffusion에게 이 모든 relational reasoning을 마지막에 몰아주면 decoder가 global relation inference와 coordinate denoising을 동시에 해결해야 한다.

OpenDDE의 structural-token branch는 이 두 극단 사이에 중간 state를 만든다.

coarse global reasoning
        ↓
semantic fine relational reasoning
        ↓
coordinate generation

이것이 이 논문의 architecture를 보는 가장 유용한 프레임이다.

---

2. Residue trunk: 크게 키운 Pairformer가 먼저 global hypothesis를 만든다

OpenDDE는 AlphaFold3/Protenix 계열과 유사하게 sequence, atom, MSA, template, constraint feature에서 residue/molecular-unit single/pair state를 만든다.

Main trunk는 48 Pairformer blocks이고 paper가 보고하는 width는:

$$c_s=384,c_z=384.$$

논문은 AlphaFold3의 pair hidden dimension 128과 비교해 이를 384로 확장했다고 설명하며, Pairformer parameter count를 대략 3배, 계산량을 대략 9배 늘리는 변화라고 적는다.

이 점은 structural-token refiner 효과를 읽을 때 중요하다.

OpenDDE의 성능 차이를 refiner 하나의 결과로 귀속하면 안 된다.

동시에 바뀐 것이 적지 않다.

• Pairformer width
• training scale
• data mixture
• antibody-specific late-stage weighting
• auxiliary geometry losses
• sampling/inference recipe
• structural-token branch

따라서 paper는 강한 system evidence를 제공하지만, component attribution evidence는 훨씬 약하다.

---

3. Structural-token expansion: semantic resolution을 바꾼다

Residue-level state를 그대로 atom별 token으로 단순 복제하는 것이 아니다. OpenDDE는 각 structural token에 role identity와 parent relation을 부여한다.

Paper의 개념적 mapping은:

$$i\to \{u:\pi (u)=i\},$$

where $\pi (u)$ is the parent residue or molecular unit.

Protein residue를 예로 들면 대략:

residue token i
   ├─ backbone structural token
   └─ side-chain structural token

Nucleic acid에는 backbone/base role이 있고, ligand/other atom에는 별도 role이 존재한다. Paper는 총 7 structural-token roles를 보고한다.

이 expansion에서 핵심은 token 수 증가 자체가 아니다.

3.1 Single state의 semantic duplication

Residue state $s_i^r$에서 child token $u$의 초기 state를 개념적으로

$$s_u^s=W_s{s}_{\pi (u)}^r+e_{\rho (u)}+{\varphi }_u$$

처럼 생각할 수 있다.

• $\rho (u)$: structural role
• $e_{\rho (u)}$: role embedding
• ${\varphi }_u$: structural/atom-context feature

즉 같은 parent residue에서 나온 backbone과 side chain도 동일 representation으로 남지 않는다.

3.2 Pair state의 fine-grained re-indexing

Residue pair $z_{ij}^r$도 child structural token pair $(u,v)$로 확장된다.

$$z_{uv}^s\leftarrow W_z{z}_{\pi (u)\pi (v)}^r+\psi (u,v).$$

여기서 $\psi$에는 같은 residue membership, polymer adjacency, backbone–side-chain/base relation 같은 explicit relation feature가 들어갈 수 있다.

이 설계의 장점은 dense pair reasoning을 완전히 atom level로 폭발시키지 않으면서도, residue보다 chemical meaning이 강한 intermediate pair graph를 얻는 것이다.

---

4. Structural Refiner: coordinate 전에 pair geometry를 한 번 더 합의시킨다

Expansion 후 OpenDDE는 4-block, 8-head Structural Refiner를 적용한다. 공개 implementation에서도 StructuralTokenExpander 뒤에 별도의 PairformerStack이 structural refiner로 연결되어 있다.

Structural-token graph를

$$G_s=(V_s,E_s)$$

로 생각하면:

• node: backbone, side-chain, base, ligand/atom structural token
• edge: refined pair representation $z_{uv}^s$

가 된다.

Pair-conditioned attention

Node update가 단순 content attention만 보지 않고 pair state를 bias/context로 사용하면 개념적으로:

$${\alpha }_{uv}\propto \exp \left(\frac{q_u^{\top }{k}_v}{\sqrt{d}}+b(z_{uv}^s)\right).$$

즉 u가 v를 얼마나 볼지가 pair relation hypothesis에 조건부가 된다.

Triangle update

더 중요한 것은 dense pair state 자체를 third-token path를 통해 갱신할 수 있다는 점이다.

$$z_{uv}\leftarrow z_{uv}+\sum _{k}f(z_{uk},z_{kv}).$$

예를 들어 side-chain $u$와 ligand/partner token $v$ 관계를 업데이트할 때, nearby backbone/side-chain token $k$를 거치는 두 pair의 consistency를 사용할 수 있다.

그래서 structural refiner를 일반적인 local GNN으로만 이해하면 부족하다. 이 branch의 핵심은 fine semantic token level에서도 dense pair state와 triangle reasoning을 유지한다는 것이다.

---

5. 왜 “reasoning”이라고 부르는가 — 그리고 어디까지 reasoning인가

Paper는 reasoning을 다음처럼 정의한다.

coordinate를 생성하기 전에 molecular tokens 사이 latent relational inference를 수행하는 것.

즉 LLM-style chain-of-thought나 external symbolic reasoning을 뜻하지 않는다.

$$\text{reasoning here}=\text{iterative latent relation refinement}.$$

이 구분은 중요하다. OpenDDE의 structural-token branch가 유용한 이유는 “reasoning”이라는 label 때문이 아니라:

1. representation resolution을 명시적으로 바꾸고,
2. fine relation을 coordinate보다 먼저 표현하며,
3. pair-conditioned attention과 triangle update로 consistency를 맞춘다

는 구체적인 architecture contract 때문이다.

따라서 다른 biomolecular model에 옮길 때도 이름보다 이 interface를 가져가야 한다.

---

6. Atom37과 structural token은 같은 것이 아니다

Paper가 별도 section을 둔 부분이다.

Atom37은 protein residue마다 최대 37 atom slot을 갖는 coordinate/output indexing convention이다.

$$X_i^{37}=\{x_{i,a}{\}}_{a=1}^{37}.$$

Structural token은 이 atom slot 자체가 아니다.

• Atom37: 최종 atom 좌표를 어디에 담을지 정의
• structural token: 좌표를 만들기 전에 어떤 chemical role 단위로 relation을 reasoning할지 정의

즉

$$\text{Atom37}\ne \text{latent structural-token state}.$$

OpenDDE가 주장하는 bridge는 다음이다.

$$\text{residue context}\to \text{structural-role context}\to \text{atom slots / coordinates}.$$

이 separation은 all-atom model을 설계할 때 꽤 재사용 가치가 높다. Atom representation을 더 세밀하게 만든다고 자동으로 relational reasoning이 더 세밀해지는 것은 아니기 때문이다.

---

7. Shape complementarity: RMSD만으로 interface를 가르치지 않는다

Complex structure에서는 두 chain의 atoms가 native와 가까워지는 것만으로 좋은 interface가 보장되지 않는다.

• surface가 서로 등을 지고 있을 수 있고,
• gap이 너무 크거나 작을 수 있고,
• local clash가 생길 수 있으며,
• side-chain packing이 부자연스러울 수 있다.

OpenDDE는 differentiable shape-complementarity term을 추가한다.

Token center $c_u$ 주위 same-chain atom density에서 approximate surface normal $n_u$를 만들고, cross-chain pair $(u,v)$에 대해:

• 서로 바라보는가
• normal이 반대 방향인가
• gap이 적절한가
• clash가 없는가

를 곱한다.

논문의 pair score는:

$$q_{uv}=f_{\mathrm{face}}{f}_{\mathrm{opp}}{f}_{\mathrm{gap}}{f}_{\mathrm{clash}}.$$

그리고 predicted geometry와 ground-truth geometry에서 계산한 pair/token/global score를 Huber loss로 맞춘다.

$${\mathcal{L}}_{\mathrm{shape}}={\lambda }_{p}H(q_{uv},q_{uv}^{\ast })+{\lambda }_{t}H(q_u,q_u^{\ast })+{\lambda }_{g}H(q_{\mathrm{global}},q_{\mathrm{global}}^{\ast }).$$

이 loss에서 배울 점

이 objective를 “physics loss”라고 과장하면 안 된다. Free energy나 force field가 아니다.

하지만 coordinate error가 놓치기 쉬운 interface-facing geometry를 별도 supervision axis로 만든다는 점은 유용하다.

즉 objective design 관점에서는:

$$\text{coordinate correctness}+\text{interface compatibility}$$

를 분리한다.

---

8. Local-frame / torsion supervision: all-atom packing을 따로 잡는다

Diffusion model은 refined state에 조건부로 atom coordinates를 생성한다.

$${\hat{X}}_0=D_{\theta }(X_t,t\mid S^s,Z^s,\mathcal{A}).$$

Global coordinate loss만 사용하면 residue 내부 orientation이나 side-chain rotamer를 세밀하게 잡기 어렵다. OpenDDE는 parent local frame $T_u$에서 predicted/true atom을 비교하는 loss를 둔다.

$${\tilde{x}}_a^{pred}=T_u^{-1}{\hat{x}}_a,{\tilde{x}}_a^{true}=T_u^{-1}{x}_a^{\ast }.$$

Protein side chain은 torsion supervision도 받는다.

$${\mathcal{L}}_{\chi }=1-\cos (\hat{\chi }-{\chi }^{\ast }).$$

Paper가 요약하는 geometry objective는:

$${\mathcal{L}}_{\mathrm{geom}}={\mathcal{L}}_{\mathrm{diff}}+{\lambda }_{\mathrm{shape}}{\mathcal{L}}_{\mathrm{shape}}+{\lambda }_{\mathrm{local}}{\mathcal{L}}_{\mathrm{local}}+{\lambda }_{sc/base}{\mathcal{L}}_{sc/base}+{\lambda }_{\chi }{\mathcal{L}}_{\chi }.$$

즉 “diffusion이 알아서 chemistry를 배우게 둔다”보다 여러 geometry contract를 명시적으로 넣은 system이다.

---

9. Prediction과 design을 같은 conditional diffusion으로 묶는다

OpenDDE는 structure prediction과 conditional design을 서로 다른 architecture로 만들지 않는다.

Atom마다:

$$m_a^{known}\in \{0,1\},m_a^{target}\in \{0,1\}$$

를 정의한다.

Full prediction에서는:

$$m^{known}=0.$$

Conditional design에서는 일부 chain/motif/context를 고정하고 target atom에만 noise를 준다.

$$X_t=m^{known}\odot {\bar{X}}_0+m^{target}\odot ({\bar{X}}_0+{\sigma }_tϵ).$$

따라서 동일 model은:

no known structure
    → full structure prediction
 
known chain / motif / structural context
    → conditional generation

으로 바뀐다.

이 formulation은 architecture reuse 측면에서는 깔끔하지만, conditional design capability가 therapeutic design utility를 자동으로 의미하지는 않는다. Sequence recovery, foldability, binding, specificity, experimental activity는 별도 evaluation layer가 필요하다.

---

10. Training contract: architecture와 data curriculum을 분리해서 봐야 한다

OpenDDE는 655M parameters이며 warmup + four major stages로 학습된다.

Paper의 data curriculum intuition은:

$$\text{precision}\to \text{breadth}\to \text{precision}.$$

초기에는 experimental structures 비중을 높여 local geometry를 배우고, 중간에는 distilled/predicted structures로 coverage를 넓히며, 후반에는 high-quality/task-specific data와 더 큰 crop으로 돌아온다.

특히 SAbDab sampling weight는:

warmup / stage I: 0%
stage II:          3%
stage III:         8%
stage IV(a):      10%
stage IV(b):      13%

로 증가한다.

이것은 antibody–antigen 결과를 해석할 때 중요하다.

Architecture innovation과 antibody-focused late-stage data reweighting이 동시에 존재한다.

따라서 “structural token refiner 때문에 Ab–Ag가 좋아졌다”는 attribution은 현재 evidence로는 성립하지 않는다.

---

11. Training scale: 큰 모델이지만 cost definition을 정확히 읽기

Paper는 preprocessing에 약 5주, main training에 대규모 Ampere GPU fleet 6주, 이후 Hopper에서 추가 1주를 사용했다고 보고하며 총 training compute를 약 414K GPU-hours라고 기술한다.

또 scaling plot에서:

$$T_{\mathrm{train}}=\text{steps}\times \text{GPUs(batch)}\times \text{crop tokens}$$

형태의 estimated training tokens를 사용한다.

이 값은 language-model token count와 같은 universal unit가 아니다. Crop size, batch semantics, structure complexity, MSA/template processing, dense pair cost가 모두 생략된 proxy다.

또

$$C_{\mathrm{proxy}}=T_{\mathrm{train}}\times N_{\mathrm{params}}$$

도 FLOPs가 아니라 비교용 proxy다.

그래서 Figure 4를 읽을 때는 절대 compute accounting보다 model family 간 coarse scale ordering 정도로 사용하는 것이 안전하다.

---

12. Evaluation boundary: 2026ARK-AB는 무엇을 테스트하는가

2026ARK-AB는 recent antibody–antigen benchmark로:

• 164 PDB complexes
• 159 unique interface clusters
• MMseqs2 entity clustering
• minimum sequence identity 40%
• alignment coverage 80%

를 사용한다고 보고한다.

Interface cluster는 interacting entity-cluster pair로 정의된다.

이 protocol은 random structure split보다 분명 더 강한 test다. 최근 공개 structure라는 temporal element도 있다.

하지만 “recent + 40% cluster”만으로 모든 leakage가 사라지는 것은 아니다.

검토해야 할 axis는 여전히 남는다.

• MSA homolog proximity
• template database relation
• antigen family similarity
• antibody germline / CDR similarity
• structural motif similarity
• benchmark construction와 model-selection interaction

따라서 저자들이 사용하는 generalization to emerging biological systems라는 표현은 benchmark-defined scope 안에서 읽어야 한다.

---

13. 결과를 읽는 핵심: Top-1과 oracle을 하나의 성능으로 합치지 않는다

Figure 2에서 가장 중요한 observation은 OpenDDE의 높은 success 자체와 함께 oracle gap이다.

2026ARK-AB 예를 들면:

$$66.4\%\text{ranked}$$

vs.

$$80.1\%\text{oracle}.$$

Oracle은 ground-truth DockQ를 사용해 후보 중 best를 고른다. 실제 deployment에서는 사용할 수 없다.

따라서:

• ranked score → 현재 usable end-to-end system quality
• oracle score → current sampler candidate set의 upper-bound capacity

로 분리해야 한다.

이 gap이 크다는 것은 “model capacity가 좋다”와 동시에 “ranking이 병목이다”라는 두 해석을 만든다.

---

14. Test-time scaling: sample 수 증가보다 ranker가 따라오는지가 중요하다

Seed 수를 늘릴수록 oracle curve는 크게 올라가지만 ranked curve는 완만하게 오른다.

이것은 stochastic structure model에서 흔히 중요한 pattern이다.

$$\underset{k\le K}{\max }Q(x_k)\uparrow \text{with }K,$$

하지만 실제 selector $r_{\varphi }(x_k)$가 ground-truth quality $Q$와 충분히 정렬되지 않으면:

$$Q(x_{\arg \max r_{\varphi }})$$

는 훨씬 느리게 증가한다.

따라서 test-time scaling study는 단순히 “500 seeds를 쓰면 더 좋다”는 결론보다:

sampling budget을 늘리기 전에 ranking calibration과 independent selection objective를 개선할 정보가 충분히 있는가?

라는 질문으로 이어지는 편이 더 decision-useful하다.

---

15. Reproducibility: 공개 수준은 높은 편이지만 preview라는 점을 기억해야 한다

OpenDDE의 장점 중 하나는 public artifact surface가 넓다는 점이다.

확인 가능한 공개 항목은:

• Apache-2.0 code
• training/inference implementation
• general checkpoint
• antibody–antigen checkpoint
• benchmark material
• model/training hyperparameters
• staged data mixture
• sampling configuration

이다.

Current public repository는 이 note 작성 시점에 version 1.1.1이며 structural-token expansion/refiner가 실제 model path에 포함되어 있다.

다만 repository는 preview/evolving release 성격을 명시한다. API/checkpoint behavior가 업데이트될 수 있으므로 재현 experiment는 반드시 commit/checkpoint/version을 pin해야 한다.

---

16. 가장 중요한 claim boundary: 이 논문은 현재 protein–ligand docking evidence가 아니다

OpenDDE는 input object로 ligand를 받을 수 있고 structural token role에도 ligand/atom이 있다. Shape-complementarity objective도 protein–ligand interface에 형식적으로 적용 가능하다.

하지만 이것만으로 ligand docking model이라고 부르면 evidence를 넘어간다.

Paper limitation은 매우 명확하다.

• 현재 study의 중심은 protein–protein / antibody–antigen
• PPI performance와 protein–ligand pose performance 사이 correlation이 제한적이었다고 저자들이 보고
• present model이 ligand docking, virtual screening, affinity ranking에 optimized되었다고 주장하지 않음
• ligand-focused data, chemistry-aware post-training, task-specific evaluation이 필요

따라서 다음 implication은 금지해야 한다.

$$\text{strong Ab–Ag DockQ}\nRightarrow \text{strong ligand RMSD / screening / affinity}.$$

이 boundary가 오히려 이 paper를 좋은 연구 자료로 만든다. “universal biomolecular foundation”이라는 broad narrative와 실제 validated task 사이의 거리를 저자들이 스스로 명시하고 있기 때문이다.

---

17. 실제 novelty는 무엇인가

OpenDDE의 contribution을 세 층으로 나누면 더 명확하다.

A. Architecture novelty

Structural-token expansion + fine relational refiner

Residue-level global reasoning과 atom-level coordinate generation 사이에 semantic structural relation state를 둔다.

B. Objective novelty

Shape complementarity + local packing supervision

Coordinate loss 외에 facing/gap/clash/local-frame/torsion을 별도 geometry contract로 준다.

C. System/training novelty

Scale + curriculum + conditional design + test-time sampling

Pairformer width, large compute, staged data mixture, antibody weighting, unified conditional diffusion, many-seed inference가 함께 system 성능을 만든다.

가장 재사용 가치가 높은 것은 A지만, 현재 benchmark improvement는 A/B/C가 섞인 결과다.

---

18. 무엇이 아직 unsupported인가

현재 paper evidence만으로 다음 주장을 하면 과하다.

“Structural Refiner가 성능 향상의 주원인이다”

Clean matched ablation이 충분하지 않다. Pairformer width와 data/training recipe가 동시에 바뀐다.

“Figure 4가 biomolecular universal scaling law를 증명한다”

Cross-model observational comparison이다. Controlled compute sweep가 아니다.

“OpenDDE가 drug discovery 전 과정을 해결한다”

현재 validated core는 folding/co-folding이다. Affinity, virtual screening, active learning, experimental feedback는 future extension으로 구분된다.

“Ab–Ag 결과가 protein–ligand로 전이된다”

논문이 직접 그 extrapolation을 제한한다.

---

19. 실패 가능성과 confounder

19.1 Data mixture confound

SAbDab weight가 후반부에 크게 증가한다. Ab–Ag 성능 향상을 architecture와 분리하기 어렵다.

19.2 Capacity confound

$c_z=384$와 48-block Pairformer 자체가 매우 큰 change다. Structural-token branch만 비교하는 matched model이 필요하다.

19.3 Ranking bottleneck

Oracle gap이 커서 generation improvement가 end-to-end top-ranked utility로 모두 이어지지 않는다.

19.4 Structural-token compute

Residue count $N_r$보다 structural-token count $N_s$가 커지면 dense pair reasoning은 대략

$$O(N_s^2{c}_z)$$

로 비싸진다. Refiner가 얕은 4 blocks인 것은 이 representation의 benefit/cost trade-off와 연결해 볼 수 있다.

19.5 Generalization boundary

Recent low-homology benchmark는 강한 evidence지만 sequence clustering만으로 template/MSA/structural similarity의 모든 leakage channel을 대표하지 않는다.

19.6 Broad task naming

“drug discovery engine”이라는 이름이 structure prediction evidence보다 넓다. Note에서는 current validated core와 roadmap을 분리해서 본다.

---

20. 가장 가치 있는 ablation은 무엇인가

OpenDDE를 정말 이해하려면 leaderboard보다 아래 matched experiment가 더 중요하다.

Experiment A — structural-token branch의 순수 효과

동일:

• training data
• crop schedule
• Pairformer width/depth
• diffusion decoder
• seed budget

에서:

A0: residue trunk → diffusion
A1: residue trunk → structural expansion → diffusion
A2: residue trunk → expansion → structural refiner → diffusion

를 비교한다.

Primary metrics는:

• DockQ distribution
• interface clash rate
• side-chain local geometry
• confidence calibration
• compute/memory

여야 한다.

Experiment B — Pairformer scale와 refiner를 factorize

c_z=128, no refiner
c_z=384, no refiner
c_z=128, refiner
c_z=384, refiner

같은 factorial design이 있으면 scale와 semantic refinement를 훨씬 잘 분리할 수 있다.

Experiment C — shape loss가 무엇을 실제로 바꾸는가

Shape loss on/off에서:

• DockQ
• interface RMSD
• clash
• surface gap
• side-chain contact recovery

를 나눠 봐야 한다.

DockQ 하나만 좋아지면 loss가 어떤 geometry failure를 줄였는지 알기 어렵다.

Experiment D — sampler와 ranker 분리

$K$ seeds에 대해:

1. default confidence rank
2. independent rescoring
3. consensus/cluster rank
4. learned listwise rank
5. oracle

를 같은 candidate pool에서 비교한다.

Oracle gap을 줄이는 것이 새 sampler를 만드는 것보다 큰 leverage인지 바로 알 수 있다.

---

21. Protein–ligand에 가져가려면 어떤 실험이 필요한가

OpenDDE paper의 PL boundary를 존중하면서 architecture idea만 테스트하려면 matched transfer experiment가 적절하다.

residue/token pair trunk
        ↓
[control] direct atom decoder
        vs
[variant] chemistry-semantic structural-token refiner
        ↓
same coordinate generator

Protein–ligand에서는 structural token의 의미도 다시 설계해야 한다.

단순 ligand atom 하나의 role만 두는 것보다:

• ligand atom identity
• bond/topology
• protein side-chain
• metal/ion
• local interaction motif

가 fine relation state에서 어떻게 만나야 하는지를 명시해야 한다.

평가도 Ab–Ag DockQ 대신 task에 맞춰 바꿔야 한다.

• pose RMSD / symmetry-aware RMSD
• PoseBusters-style chemical validity
• clash / strain
• ligand/scaffold split
• protein-family split
• temporal split
• apo/holo or pocket-state shift
• independent scoring / screening metric

즉 architecture transfer는 가능하지만 evidence transfer는 불가능하다.

---

22. 다른 co-folding model과 비교할 때 보는 축

OpenDDE를 AlphaFold3, Protenix, SeedFold 같은 모델과 비교할 때 단순 “triangle update를 쓰는가”보다 다음 질문이 더 좋다.

Axis	Question
Coarse state	residue/token single-pair state가 얼마나 오래 유지되는가?
Resolution transition	atom/chemical subunit로 언제 내려가는가?
Fine relation	coordinate 전에 fine pair state가 존재하는가?
Triangle reasoning	어느 resolution에서 몇 번 수행되는가?
Geometry objective	distance/RMSD 외 interface-specific loss가 있는가?
Decoder feedback	fine geometry가 coarse pair state로 다시 올라가는가?
Ranking	sample quality와 confidence selection을 어떻게 연결하는가?
Compute	dense pair width/depth와 fine-token expansion cost는 얼마인가?

OpenDDE는 특히 resolution transition 이후에도 pair reasoning을 유지한다는 점에서 비교 가치가 있다.

---

23. 한 가지 아쉬운 점: fine reasoning은 mostly one-way다

OpenDDE의 conceptual path는:

$$(S^r,Z^r)\to (S^s,Z^s)\to X.$$

이것은 명확하고 구현하기 좋다.

하지만 더 강한 coarse-to-fine reasoning을 생각하면 다음 feedback도 가능하다.

$$(S^r,Z^r)\leftrightarrow (S^s,Z^s)\to X.$$

즉 fine structural-token branch에서 발견한 local incompatibility를 coarse residue-level pair state로 다시 올려 보내는 recycle/mixer다.

현재 OpenDDE의 핵심 contribution은 fine branch를 추가한 것이고, bidirectional multi-resolution relational reasoning은 자연스러운 다음 research question이다.

이 아이디어는 paper가 입증한 결과가 아니라 이 note의 확장 해석이다.

---

24. 구현 관점에서 확인한 것

Current public OpenDDE code snapshot에서는 main model이 실제로:

• StructuralTokenExpander
• optional structural token refiner
• structural pair attention bias
• Pairformer stack
• shape-complementarity utilities
• diffusion module

를 연결한다.

즉 technical report의 structural-token description이 단순 conceptual figure에만 있는 것은 아니다.

다만 current repository는 paper 이후 계속 업데이트된 public release다. 그래서 paper v1의 exact training checkpoint와 current source tree를 동일한 code state로 간주하면 안 된다.

재현 시에는 반드시:

paper version
+ code commit
+ package version
+ checkpoint identity
+ inference config

를 함께 기록해야 한다.

---

25. Falsification: 어떤 결과가 나오면 structural-token story를 약하게 봐야 하나

좋은 architecture story는 반증 조건이 있어야 한다.

다음 결과가 나오면 OpenDDE의 structural-token mechanism에 대한 강한 해석은 약해진다.

1. matched data/compute에서 refiner on/off 차이가 거의 없다.
2. $c_z$ 증가만으로 같은 성능 개선이 재현된다.
3. shape loss가 DockQ는 올리지만 clash/local packing은 개선하지 않는다.
4. antibody data reweighting만으로 대부분의 gain이 설명된다.
5. independent benchmark에서 oracle gain은 유지되지만 top-ranked gain이 사라진다.
6. PL task에서 fine structural state가 direct atom decoder보다 나아지지 않는다.

반대로 위 controls를 통과한다면 structural-token refiner는 꽤 강한 reusable architecture primitive가 된다.

---

26. Reproducibility checklist

Item	Status
Paper public	yes
Paper license	CC0
Code public	yes, Apache-2.0
General checkpoint	yes
Ab–Ag checkpoint	yes
Benchmark release	yes
Main model hyperparameters	reported
Data-stage mixture	reported
Training compute	reported
Inference sample steps	reported
Exact component attribution	limited
Independent reproduction in this note	no
Current PL docking validation	explicitly not established

---

27. Related notes

이 paper는 다음 note들과 같이 읽는 것이 좋다.

• AlphaFold3 — residue/token Pairformer에서 all-atom diffusion으로 가는 기본 co-folding reference
• BackFlip-2 — static structure에서 directional dynamics descriptor를 예측하는 다른 종류의 structural representation
• Protein structure prediction
• Multiple sequence alignment
• Protein family split
• Protein–ligand split

특히 AlphaFold3와 비교할 때 “누가 더 좋다”보다 coarse pair → fine structural state → coordinate라는 intermediate interface가 새로 무엇을 표현하는지 보는 편이 유용하다.

---

Final verdict

OpenDDE를 “open AlphaFold3 clone with bigger compute”로만 읽으면 structural-token branch를 놓친다. 반대로 “atomic reasoning이 Ab–Ag 성능을 만들었다”고 읽으면 current evidence를 과대해석한다.

이 technical report에서 가장 durable한 메시지는 다음이다.

Dense relational state를 residue level에서 끝내지 말고, coordinate generation 직전에 chemically meaningful substructure resolution로 다시 펼친 뒤 관계를 한 번 더 reasoning하라.

그 다음으로 중요한 lesson은 sampling과 ranking의 분리다. OpenDDE의 큰 oracle gap은 diffusion sampler가 좋은 candidate를 만들 수 있는 것과 deployable selector가 그 candidate를 찾는 것이 별개의 optimization problem임을 보여준다.

마지막으로 protein–ligand 연구자에게 가장 중요한 것은 negative lesson이다. all-atom universal architecture와 ligand token을 가지고 있어도, ligand pose/ranking evidence가 없으면 PL capability를 주장하면 안 된다. OpenDDE authors도 이 선을 명시적으로 긋는다.

---

Three durable takeaways

1. Representation resolution은 architecture primitive다. Residue pair state에서 atom coordinate로 곧바로 내려가기보다 structural-role single/pair state를 두는 것은 global context와 local chemistry 사이의 명시적 bridge가 된다.

2. Sample generation과 sample selection을 따로 평가해야 한다. Test-time scaling에서 oracle이 ranked performance보다 훨씬 빠르게 올라간다면 다음 bottleneck은 sampler가 아니라 confidence/ranker일 수 있다.

3. Broad biomolecular architecture claim과 task-specific evidence를 분리하라. OpenDDE의 현재 가장 강한 evidence는 antibody–antigen co-folding이다. Protein–ligand docking, screening, affinity에는 별도 data/post-training/evaluation이 필요하며, architecture transfer와 evidence transfer는 같은 것이 아니다.

---

Sources

• OpenDDE Project, Aureka AI Research. Folding, Reasoning, and Scaling with Open-source Drug Discovery Engine, arXiv:2607.03787v1, 2026.
• Official implementation: aurekaresearch/OpenDDE.
• Current public code snapshot inspected: ddfa1df8aff1babf1fddac4247b7d2351bd0ce9f.
• Paper figures reproduced from the official arXiv HTML under the paper’s CC0 1.0 license.