AdaptiveFlow: AI-enhanced adaptive virtual screening of large libraries for ligand discovery

한 줄 요약: AdaptiveFlow의 핵심은 69-billion-compound library를 전부 dock하는 것이 아니라, chemical space를 physicochemical tranche grid로 coarse하게 cover하고 target-specific prescreen evidence로 계산 예산을 promising regions에 집중하는 adaptive search policy를 virtual-screening infrastructure와 결합한 것입니다.

왜 이 논문을 저장하는가

Ultra-large virtual screening(ULVS)에서 흔히 모델만 봅니다.

• 어떤 docking engine이 더 정확한가?
• 어떤 learned scoring function이 더 높은 enrichment를 내는가?
• 어떤 GPU implementation이 더 빠른가?

하지만 library가 $10^9$–$10^{11}$ 규모로 커지면 더 근본적인 질문이 생깁니다.

어떤 molecule을 아예 평가할 것인가?

Exhaustive screening의 계산량을 단순화하면

$$C_{\mathrm{exhaustive}}\approx N{c}_{\mathrm{dock}},$$

where

• $N$: library size,
• $c_{\mathrm{dock}}$: molecule 하나를 평가하는 평균 비용입니다.

$N$이 69 billion이면 docking model을 2배 빠르게 만드는 것보다 평가해야 하는 후보의 수 자체를 100배 줄이는 search policy가 더 큰 leverage를 가질 수 있습니다.

AdaptiveFlow는 이 관점에서 중요합니다. 논문의 contribution은 새로운 neural docking architecture 하나가 아니라 다음 네 층을 하나의 system으로 묶는 데 있습니다.

1. search-ready chemical-space representation
2. coarse-to-fine target-guided sampling policy
3. classical / ML docking을 교체 가능한 execution layer로 만드는 infrastructure
4. 실험 hit와 crystal structure까지 연결한 prospective validation

따라서 이 논문은 virtual screening software라기보다 compute-budgeted search under an expensive oracle의 사례로 읽는 편이 더 오래 남습니다.

---

Metadata

Field	Value
Paper	AI-enhanced adaptive virtual screening of large libraries for ligand discovery
Journal	Nature Biotechnology
Published	2026-09-01
DOI	10.1038/s41587-026-03217-x
Main system	AdaptiveFlow
Main library	Enamine REAL Space 2022q1-2
Ready-to-dock scale	68.7 billion prepared molecules
Chemical-space index	up to 18-dimensional physicochemical tranche grid
Occupied tranches	>12 million
Mean molecules / populated tranche	about 5,600
Screening policy	Adaptive Target-Guided Virtual Screening (ATG-VS)
Optional learned filter	Morgan fingerprint → MLP classifier
Prospective targets	FSP1, PARP1
Source code	AdaptiveFlow-LP, AdaptiveFlow-VS, AdaptiveFlow-Unity
Code license	GNU GPL v2.0

Claim boundary: 아래 성능 수치와 prospective 결과는 논문 저자들이 보고한 결과입니다. Docking enrichment, biochemical potency, structure validation, cellular utility는 서로 다른 evidence layer이므로 하나로 합쳐 해석하지 않습니다.

---

Figure guide — 먼저 이 세 장을 보면 된다

이 논문은 architecture보다 system + search policy가 핵심이라 figure를 같이 보는 것이 특히 중요합니다. 저작권/재사용 경계가 불명확한 third-party image를 복제하지 않고, 공식 Nature Biotechnology 원문 figure에 직접 연결합니다.

Figure 1 — AdaptiveFlow 전체 system

Official paper — Fig. 1: The AdaptiveFlow platform for ULVSs

볼 것: AFLP(ligand preparation), AFVS(virtual screening), AFU(unified workflow)가 별도 module이면서 하나의 execution stack으로 이어지고, classical docking뿐 아니라 ML/DL docking, CPU/GPU, cloud/HPC를 같은 orchestration layer에서 다루는 구조입니다.

이 figure가 지지하는 주장은 새 scoring function이 아니라 oracle을 교체 가능한 component로 만들고 search policy와 execution infrastructure를 분리했다는 것입니다.

Figure 2 — 69B library를 searchable object로 바꾸는 과정

Official paper — Fig. 2: Organization and preparation of the Enamine REAL Space

볼 것: raw molecular library를 ready-to-dock 3D formats로 준비하는 것뿐 아니라 28개 molecular properties를 계산하고, 그중 18개를 이용해 multidimensional tranche space를 구성합니다.

중요한 점은 이것이 visualization convenience가 아니라 ATG-VS의 indexing structure라는 것입니다. Search policy는 molecule-by-molecule list 위가 아니라 chemically organized cells 위에서 시작합니다.

Figure 3 — Adaptive Target-Guided Virtual Screening

Official paper — Fig. 3: Conceptual workflow of ATG-VSs

볼 것: 각 tranche에서 1–10 representatives만 먼저 dock하고, 그 evidence로 promising tranches를 선택한 뒤 selected tranches를 더 깊게 screen합니다. Optional ML filter는 이 second stage 안에서 추가 compute allocation을 수행합니다.

이 figure가 논문의 핵심입니다.

$$\boxed{\text{chemical-space partition}\to \text{cheap target probe}\to \text{select promising regions}\to \text{spend expensive compute there}}$$

---

1. Problem: docking accuracy만으로 ULVS를 풀 수 없는 이유

Library size가 작을 때 virtual screening은 대략 다음 문제입니다.

$${\mathrm{rank}}_{m\in \mathcal{L}}s(m,P),$$

where $s$는 target $P$에 대한 docking/scoring function입니다.

하지만 library가 수십 billion 규모가 되면 실제 system objective는 달라집니다.

$$\underset{\pi ,s}{\max }\mathrm{Utility}\left(\text{hits discovered};\text{oracle calls},\text{wall time},\text{money}\right).$$

여기서 $\pi$는 어떤 candidates를 어떤 순서와 fidelity로 평가할지 정하는 policy입니다.

따라서 두 system이 같은 docking model을 사용하더라도:

• A는 69B를 uniform하게 전부 평가하고,
• B는 먼저 representative probes를 평가한 뒤 0.1–1%의 region에 집중한다면,

실제 drug-discovery system behavior는 매우 다릅니다.

AdaptiveFlow가 해결하려는 것은 이 screening allocation problem입니다.

---

2. AdaptiveFlow는 세 module로 나뉜다

논문은 platform을 크게 세 component로 정의합니다.

2.1 AFLP — AdaptiveFlow Ligand Preparation

AFLP는 massive ligand library를 실제 docking input으로 바꿉니다.

주요 역할은:

• stereoisomer enumeration
• tautomer handling
• desalting / neutralization
• protonation-state preparation
• 3D conformer generation
• geometry validation
• multiple docking formats 변환
• molecular properties 계산
• tranche organization

입니다.

논문에서 REAL Space 준비 후 제공되는 3D formats는 PDB, PDBQT, MOL2, SDF이고, representation / analytics용으로 SMILES, SELFIES, Parquet도 제공합니다.

이 구분은 ML 관점에서도 중요합니다.

$$\text{molecular identity}\ne \text{prepared docking state}.$$

동일한 vendor molecule도 tautomer, protonation, stereo enumeration을 거치면 실제 screen되는 states 수가 달라집니다. 원래 31.5B 수준으로 기술되는 enumerated chemical space가 preparation 이후 약 68.7B ready-to-dock entries가 되는 이유 중 하나입니다.

2.2 AFVS — AdaptiveFlow for Virtual Screening

AFVS는 docking execution과 search orchestration을 담당합니다.

논문은 pose prediction / sampling 방법과 scoring function을 조합해 약 1,500 protocols를 지원한다고 보고합니다. 여기에는 classical docking뿐 아니라 일부 neural pose-prediction/scoring approaches도 포함됩니다.

중요한 것은 1,500 methods를 모두 검증했다가 아닙니다.

1,500 protocols를 같은 interface 아래 교체 가능하게 만들었다.

이것이 infrastructure contribution입니다.

2.3 AFU — AdaptiveFlow Unity

AFU는 ligand preparation과 docking을 하나의 user-facing workflow로 연결합니다. 공식 GitHub repository는 이를 AFLP와 AFVS를 합친 streamlined version으로 설명합니다.

ML 연구자 관점에서는 특히 다음 부분이 유용합니다.

molecule / generated molecule
       ↓
ligand preparation
       ↓
docking / rescoring oracle
       ↓
score / pose / filtered candidates
       ↓
training or optimization loop

즉 docking system 자체를 generative model이나 RL/optimization pipeline의 expensive evaluator로 사용할 수 있습니다.

---

3. 진짜 representation은 ligand embedding이 아니라 chemical-space index다

AdaptiveFlow의 가장 흥미로운 representation choice는 neural embedding이 아닙니다.

AFLP는 각 prepared molecule에 대해 28개 physicochemical / cheminformatic properties를 계산하고, 그중 18개를 선택해 multidimensional grid를 만듭니다.

논문이 기술하는 axes에는 다음과 같은 properties가 포함됩니다.

• molecular weight
• logP
• H-bond donors / acceptors
• rotatable bonds
• TPSA
• logS
• aromatic ring count
• molecular refractivity
• formal charge
• positive / negative charge counts
• fraction $s{p}^3$
• chiral-center count
• halogen / sulfur counts
• stereoisomer count

이 grid에서 cell 하나가 tranche입니다.

전체 18D Cartesian grid의 대부분은 비어 있고, 실제 REAL Space는 12 million이 넘는 populated tranches를 차지합니다. populated tranche당 평균 molecule 수는 약 5,600이지만 distribution은 매우 heavy-tailed라 single-molecule cell부터 $10^7$ 이상 molecule을 포함하는 cell까지 존재합니다.

이 representation의 목적은 예쁜 map이 아닙니다.

$$\mathcal{L}\to \{{\mathcal{T}}_1,\dots ,{\mathcal{T}}_M\}$$

으로 library를 partition해서, molecule-level expensive search를 region-level decision problem으로 올리는 것입니다.

---

4. ATG-VS: coarse-to-fine search policy

Adaptive Target-Guided Virtual Screening은 다음 구조입니다.

Stage 1 — prescreen

각 tranche ${\mathcal{T}}_j$에서 $k$개의 representatives를 선택합니다.

$$r_{j,1},\dots ,r_{j,k}\sim {\mathcal{T}}_j,k\in [1,10]\text{in the reported setup}.$$

이 representatives만 target에 dock합니다.

tranche-level score를 추상적으로

$${\hat{q}}_j=A(s(r_{j,1}),\dots ,s(r_{j,k}))$$

처럼 둘 수 있습니다. $A$는 tranche quality를 요약하는 rule입니다.

Stage 2 — primary screen

prescreen에서 promising한 tranches를 선택합니다.

$$\mathcal{S}=\mathrm{Select}({\hat{q}}_1,\dots ,{\hat{q}}_M;B),$$

where $B$는 primary-screen budget입니다.

그 다음

$$\bigcup _{j\in \mathcal{S}}{\mathcal{T}}_j$$

안의 molecules를 더 깊게 평가합니다.

Stage 3 — optional higher-fidelity rescoring

상위 candidates는 더 비싼 scoring, receptor flexibility, 다른 docking engine 등으로 다시 평가할 수 있습니다.

즉 AdaptiveFlow가 만드는 것은 단일 ranking이 아니라 multi-fidelity funnel입니다.

---

5. Compute 관점에서 ATG-VS를 쓰는 이유

단순화하면 ATG-VS 비용은

$$C_{\mathrm{ATG}}\approx Mk{c}_{\mathrm{cheap}}+N_{\mathrm{selected}}{c}_{\mathrm{primary}}+N_{\mathrm{final}}{c}_{\mathrm{expensive}}.$$

$M$은 occupied tranche 수이고 $k$는 tranche당 representatives 수입니다.

핵심 조건은

$$N_{\mathrm{selected}}\ll N$$

이어야 하면서 동시에 hits가 많이 들어 있는 regions를 놓치지 않아야 한다는 것입니다.

이 trade-off는 active screening의 본질입니다.

$$\text{compute reduction}\leftrightarrow \text{false-negative chemical regions}.$$

논문은 69B REAL Space에서 ATG-VS가 exhaustive search 대비 up to 1,000× cost reduction을 제공하면서 strong enrichment를 유지할 수 있다고 보고합니다. 이것은 저자 보고 결과이고 target/protocol dependent claim으로 읽어야 합니다.

---

6. Optional ML filtering은 어디에 들어가는가

AdaptiveFlow의 ML layer를 AI docking model과 혼동하면 안 됩니다.

ATG-VS에는 prescreen result를 이용해 selected tranches 내부의 molecules를 추가로 거르는 optional classifier가 있습니다.

논문의 reported implementation은:

• Morgan fingerprint
• length 1024
• radius 2
• MLP classifier
• prescreen docking score 상위 quartile을 positive class로 정의

하는 방식입니다.

즉 learned model은 대략

$$\hat{p}(y_{\mathrm{good}}=1\mid \mathrm{FP}(m))$$

을 학습합니다.

저자들은 이 filter가 target에 따라 실제 docking candidates를 대략 30–70% 줄이면서 enrichment를 유지하거나 개선할 수 있다고 보고합니다.

하지만 여기에는 중요한 bias가 있습니다.

학습 target 자체가 prescreen docking score이면 classifier는 결국 docking oracle의 smooth approximation을 배우는 것입니다.

따라서 이 model이 추가 chemical truth를 학습했다고 해석하면 안 됩니다.

---

7. 가장 중요한 failure mode: coarse region selection이 rare chemotype를 버릴 수 있다

ATG-VS의 성공 조건은 locality assumption입니다.

비슷한 physicochemical tranche 안에 있는 molecules가 target-specific usefulness에서도 어느 정도 correlated할 것이다.

이 assumption이 맞으면 representative sampling이 효율적입니다.

반대로 activity cliff가 강하거나 useful chemotype이 tranche 내부의 극소수 minority라면 representative가 해당 signal을 보지 못할 수 있습니다.

예를 들어 tranche $\mathcal{T}$에 10,000 molecules가 있고 truly useful ligand가 3개뿐이라면 random representative 하나가 그 signal을 포착할 확률은 매우 낮습니다.

이 때문에 ATG-VS benchmark는 단순 enrichment 외에도 반드시 다음을 봐야 합니다.

• missed chemotypes
• scaffold diversity of recovered hits
• tranche-level false-negative rate
• activity-cliff recovery
• rare-region recall

AdaptiveFlow 논문은 search efficiency를 강하게 보여주지만 이 축은 향후 더 깊게 검증할 가치가 있습니다.

---

8. Representative 수와 docking exhaustiveness는 서로 다른 budget axis다

논문은 prescreen에서 적어도 다음 configurations를 비교합니다.

1. 1 representative / tranche, exhaustiveness 1
2. 10 representatives / tranche, exhaustiveness 1
3. 1 representative / tranche, exhaustiveness 10

이 비교가 좋은 이유는 breadth와 depth를 분리하기 때문입니다.

• representatives를 늘리기: 같은 cell 내부 chemical diversity를 더 많이 본다.
• exhaustiveness를 늘리기: 한 molecule의 pose-search depth를 높인다.

즉 동일 compute를 어디에 쓸 것인가의 문제입니다.

$$\text{more molecules}\text{vs}\text{better evaluation per molecule}.$$

ULVS에서 이 비교는 docking architecture benchmark보다도 실무적으로 중요할 수 있습니다.

---

9. Evaluation contract: screening score 하나로 끝내면 안 된다

Adaptive virtual screening을 평가할 때 최소 다섯 axis를 분리해야 합니다.

Axis	질문
Retrieval	fixed budget에서 active compounds / strong binders를 얼마나 회수하는가?
Diversity	같은 scaffold만 반복해서 고르는가?
Cost	docking calls, CPU/GPU hours, money가 얼마인가?
Wall time	실제 orchestration을 포함한 turnaround가 얼마인가?
Prospective utility	synthesis / assay 이후 실제 hits가 나오는가?

여기에 structure-based pipeline이라면 추가로:

• pose plausibility
• docking-score calibration
• receptor preparation sensitivity
• protonation/tautomer sensitivity
• target-family dependence

를 봐야 합니다.

따라서

$$\text{enrichment improvement}\nRightarrow \text{experimental hit-rate improvement}$$

이고

$$\text{docking score}\nRightarrow K_d,K_i,I{C}_{50}.$$

AdaptiveFlow가 강한 이유는 prospective assay와 structure validation까지 일부 연결했다는 점이지, docking proxy가 biochemical truth가 되었기 때문은 아닙니다.

---

10. Test-set benchmark와 69B production screen은 같은 evidence가 아니다

논문은 두 가지 평가 scale을 사용합니다.

Small / controlled benchmark

빠른 비교를 위해 Enamine space에서 약 5 million molecules 규모 subsets를 구성하고, 여러 target에서:

• random / standard ULVS-like selection
• ATG without active learning
• ATG + optional ML

등을 비교합니다.

이 setting은 policy ablation에 좋습니다.

Full-scale production benchmark

전체 69B library scale에서도 ATG-VS를 실행합니다. 이 scale에서는 active-learning step을 생략한 production benchmarks도 사용합니다.

이 setting은 scalability / feasibility evidence에 좋습니다.

둘을 섞으면 안 됩니다.

5M controlled benchmark에서 가장 좋은 policy가 69B full-production setting에서도 같은 ranking을 보인다는 것은 별도 주장입니다.

---

11. HPC system contract: model speed가 아니라 throughput system을 본다

AdaptiveFlow는 Slurm과 AWS Batch를 포함한 heterogeneous execution을 지원합니다.

논문은 AWS에서 최대 5.6 million vCPUs 규모까지 near-linear scaling을 보고합니다. AFLP / screening workload는 embarrassingly parallel component가 크기 때문에 이런 scaling이 가능한 구조입니다.

하지만 이 숫자를 읽을 때 다음을 구분해야 합니다.

strong evidence

• system이 매우 큰 distributed job graph를 실제로 orchestration할 수 있다.
• collection / subjob abstraction으로 scheduler overhead를 관리한다.
• spot/preemptible capacity를 고려한 execution support가 있다.

이 숫자만으로 말할 수 없는 것

• 모든 docking protocol이 동일하게 near-linear scale한다.
• 모든 target / receptor preparation에서 throughput이 같다.
• cost efficiency가 모든 on-premise setup보다 우월하다.

특히 storage와 I/O도 무시할 수 없습니다. 논문이 제공하는 ready-to-dock REAL Space는 한 3D format당 약 50 TB compressed, 네 formats를 합치면 약 200 TB compressed이며 uncompressed scale은 약 2 PB로 기술됩니다.

ULVS는 model FLOPs만의 문제가 아니라 data movement + scheduler + failure recovery + storage layout의 문제입니다.

---

12. FSP1 prospective screen: 중요한 것은 pipeline이 assay까지 이어졌다는 점

FSP1 experiment에서 저자들은 coenzyme Q site를 target으로 사용합니다. receptor는 FAD와 NAD+가 결합된 high-resolution structure(PDB 9IFT)를 기반으로 준비했습니다.

Reported workflow의 핵심 숫자는:

• 1 representative per tranche
• 약 12 million prescreen dockings
• prescreen 이후 10 million molecules primary screen
• 이 production screen에서는 optional ML feature를 사용하지 않음

입니다.

상위 candidates에는 physicochemical / problematic-group / predicted-toxicity filtering이 추가됩니다.

Notion Research OS에 기록된 저자 보고 결과 기준으로 초기 FSP1 inhibitors 중 두 molecule은 각각 약 **0.283 µM / 0.777 µM $K_i$**를 보였고, structural follow-up에서 co-crystal evidence가 docking-derived binding hypothesis를 지지합니다.

여기서 중요한 점은:

$$\text{screen score}\to \text{synthesis}\to \text{biochemical assay}\to \text{structure}$$

로 evidence ladder가 올라간다는 것입니다.

---

13. PARP1 validation은 더 명확한 prospective endpoint를 준다

PARP1에서는 ATG prescreen 이후 100 million molecule primary screen을 수행하고, 160 candidates를 합성했다고 보고합니다.

그 후:

• 7 inhibitors identified
• 4 compounds with sub-250 nM $I{C}_{50}$
• iParp1: 8.8 nM $I{C}_{50}$
• protein NMR binding evidence
• 2.05 Å X-ray structure

가 보고됩니다.

이 결과는 pure retrospective enrichment보다 훨씬 강합니다.

하지만 더 세밀하게 보면 최종 cellular utility는 완벽하지 않습니다. 논문은 iParp1의 cellular activity가 hydrolysis와 membrane permeability 문제로 biochemical potency보다 약했다고 설명합니다.

이 negative detail이 중요합니다.

$$\text{excellent biochemical hit}\nRightarrow \text{excellent cellular drug candidate}.$$

따라서 AdaptiveFlow는 hit-discovery search system의 evidence이지 complete lead-optimization solution의 evidence는 아닙니다.

---

14. 이 논문의 actual novelty

14.1 docking method 자체

새로운 universal docking architecture가 contribution의 중심은 아닙니다.

14.2 active learning 자체

active learning이나 surrogate filtering이라는 아이디어도 새롭지 않습니다.

14.3 chemical property grid 자체

physicochemical binning도 단독으로는 새로운 개념이 아닙니다.

진짜 contribution

이 논문의 강점은 다음 요소를 69B-scale reproducible system으로 조합한 것입니다.

$$\boxed{\text{library preparation}+\text{searchable chemical-space index}+\text{adaptive compute allocation}+\text{heterogeneous docking backend}+\text{massive orchestration}+\text{prospective wet validation}}$$

특히 ML 연구 관점에서 가장 재사용 가능한 메시지는 다음입니다.

expensive oracle를 더 잘 근사하는 모델만 만들지 말고, oracle call을 어디에 쓸지 학습/설계하라.

---

15. 이 논문이 잘 보여주는 것

15.1 search policy가 scale bottleneck을 바꿀 수 있다

69B 전체를 동일 fidelity로 평가하지 않아도 target-relevant regions에 compute를 집중할 수 있습니다.

15.2 chemical-space organization은 model-independent leverage다

같은 grid/policy 위에서 docking engine을 바꿀 수 있으므로 adaptive selection과 oracle quality를 분리해 연구할 수 있습니다.

15.3 infrastructure abstraction이 ML experimentation을 쉽게 한다

AFLP / AFVS / AFU separation은 data preparation, oracle, orchestration을 modular하게 만듭니다.

15.4 prospective validation이 있다

FSP1/PARP1의 synthesis, biochemical assay, structural validation은 pure retrospective benchmark보다 강한 evidence입니다.

---

16. 이 논문이 아직 증명하지 않는 것

16.1 ATG-VS가 모든 target class에서 최적이다

Target pocket, scoring function, property-grid structure에 따라 optimal search policy는 달라질 수 있습니다.

16.2 property-nearby molecules가 activity-nearby라는 보장

Physicochemical similarity와 binding-mechanism similarity는 동일하지 않습니다.

16.3 optional ML이 biology를 추가로 학습했다

Classifier target이 docking-derived label이므로 scoring-function bias를 그대로 학습할 수 있습니다.

16.4 1,500 protocols가 동일 quality를 가진다

Protocol availability는 benchmark parity가 아닙니다.

16.5 nanomolar biochemical potency가 drug quality를 보장한다

PARP1 cellular result가 보여주듯 permeability, stability, metabolism 등은 별도 문제입니다.

---

17. 가장 중요한 ablation: fixed compute budget policy comparison

이 논문에서 가장 직접적으로 가져와서 해볼 실험은 다음입니다.

같은:

• target
• ligand library
• receptor preparation
• docking engine
• total docking-call budget
• final high-fidelity evaluation

을 고정하고 selection policy만 바꿉니다.

Arm	Search policy
A	uniform random sampling
B	physicochemical grid + uniform tranche sampling
C	ATG representative prescreen → tranche selection
D	ATG + learned docking-score surrogate
E	ATG + uncertainty-aware acquisition

Primary metrics는 하나가 아니라 vector여야 합니다.

$$(\text{EF},\text{recall},\text{scaffold diversity},\text{oracle calls},\text{wall time},\text{wet hit rate}).$$

가능하면 rare scaffold recall을 별도 metric으로 둬야 합니다.

---

18. 더 강한 active-search model은 어떻게 만들 수 있을까

AdaptiveFlow의 current ML filter는 docking score를 binary label로 바꾸는 relatively simple surrogate입니다.

다음 확장은 자연스럽습니다.

18.1 calibrated regression

$$\hat{s}(m)=f_{\theta }(m)$$

로 docking score 자체를 predict하고 uncertainty를 같이 추정합니다.

18.2 acquisition function

$$a(m)={\mu }_{\theta }(m)-\beta {\sigma }_{\theta }(m)$$

처럼 exploitation과 exploration을 분리할 수 있습니다.

18.3 tranche-level uncertainty

molecule 하나가 아니라 tranche 단위 posterior를 유지합니다.

$$q({\mathcal{T}}_j)=({\mu }_j,{\sigma }_j,n_j,{\text{diversity}}_j).$$

그러면 대표 molecule 하나가 나빴다는 이유만으로 large diverse tranche 전체를 버리는 위험을 줄일 수 있습니다.

18.4 multi-fidelity oracle

cheap score, learned score, docking, rescoring, short MD, experiment를 하나의 fidelity ladder로 볼 수 있습니다.

$$\pi :\text{candidate state}\to \text{next oracle + budget allocation}.$$

이 방향은 단순 virtual screening을 넘어 agentic scientific search와도 직접 연결됩니다.

---

19. 데이터와 split 관점에서 조심할 부분

AdaptiveFlow 같은 search-policy 논문은 일반 predictive model과 split leakage 형태가 다릅니다.

Chemical-space leakage

surrogate model을 만들 때 train/eval molecules가 가까운 analog series로 겹치면 performance가 과대평가될 수 있습니다.

Target leakage

여러 target에 걸친 generic active policy를 주장하려면 target-held-out evaluation이 필요합니다.

Oracle leakage

surrogate가 특정 docking engine의 scores를 학습하고 동일 engine으로 평가되면 physical generalization이 아니라 oracle imitation 성능일 수 있습니다.

Selection bias

최종 synthesized set은 이미 여러 docking / property / toxicity filters를 통과한 selected population입니다. Wet hit rate를 전체 library population의 probability처럼 해석하면 안 됩니다.

---

20. Reproducibility contract

AdaptiveFlow는 software release 측면에서는 강한 편입니다.

공식 organization 아래에:

• AdaptiveFlow-LP
• AdaptiveFlow-VS
• AdaptiveFlow-Unity

가 공개되어 있고 source code는 GPL v2.0으로 제공됩니다.

AFU repository는 실제 config-driven docking workflow와 다수 docking/scoring backends를 설명합니다.

하지만 paper-scale reproduction은 단순 git clone과 다릅니다.

다음을 구분해야 합니다.

1. code path reproduction
2. small benchmark reproduction
3. 5M-scale ATG benchmark reproduction
4. 69B full screen reproduction
5. prospective synthesis/assay reproduction

특히 ready-to-dock REAL Space 자체의 data scale과 access 조건은 software reproducibility와 별개입니다.

---

21. Failure modes

Failure mode	왜 중요한가
Representative miss	rare but useful chemotype가 tranche에서 관측되지 않음
Property-grid bias	physicochemical bins가 activity-relevant topology를 충분히 표현하지 못함
Docking-score bias	prescreen과 ML filter가 같은 oracle bias를 공유
Activity cliffs	nearby descriptor region이 binding response에서 불연속
Oversized tranches	평균이 아닌 heavy-tail cell에서 representative coverage가 부족
Early pruning	한번 버린 region을 이후 다시 탐색하지 못함
Protocol heterogeneity	1,500 available protocols의 score scales / accuracy가 동일하지 않음
Receptor-prep sensitivity	target preparation choice가 tranche ranking을 바꿀 수 있음
I/O bottleneck	massive ready-to-dock library에서 compute보다 storage/data movement가 병목
Prospective selection bias	synthesized candidates가 이미 다단계 filter를 통과한 selected set

---

22. 이 논문에서 내 연구에 가져올 가장 중요한 사고방식

Structure-based drug discovery AI에서 모델을 더 크게 만드는 것보다 다음 질문이 더 실용적인 경우가 많습니다.

같은 총 계산 예산으로 어떤 molecule / target / pose에 다음 evaluation을 쓸 것인가?

이 관점은 docking뿐 아니라 다음에도 그대로 적용됩니다.

Pose refinement

모든 pose를 동일 steps로 refine하지 않고 uncertainty / clash / score disagreement가 큰 pose에 compute를 집중할 수 있습니다.

Protein–ligand structure prediction

모든 complexes를 expensive recycle / diffusion sampling budget으로 처리하지 않고 difficulty-adaptive compute를 줄 수 있습니다.

Scoring

cheap model → expensive ensemble → physics-based rescoring을 staged oracle로 구성할 수 있습니다.

Molecular generation

generator가 수백만 samples를 만들고 모두 dock하는 대신 surrogate / diversity / uncertainty를 사용해 evaluation budget을 allocate할 수 있습니다.

즉 AdaptiveFlow의 reusable abstraction은:

$$\boxed{\text{generator/search space}+\text{cheap probe}+\text{adaptive selector}+\text{expensive oracle}+\text{decision rule}}$$

입니다.

---

23. 내가 추가로 요구하고 싶은 benchmark

23.1 fixed-dollar benchmark

GPU-hours보다 실제 cloud / cluster cost를 고정합니다.

23.2 fixed-wall-clock benchmark

동일 turnaround deadline에서 recovered hits를 비교합니다.

23.3 rare-chemotype challenge

active molecules를 deliberately sparse tranches / activity-cliff regions에 배치해 early pruning robustness를 봅니다.

23.4 cross-oracle validation

QuickVina 기반 selector가 GNINA / alternative docking / experiment에서도 enrichment를 유지하는지 봅니다.

23.5 target-held-out active policy

특정 target에서 tuned된 acquisition policy가 새로운 protein family에도 적용되는지 확인합니다.

23.6 prospective compute accounting

최종 wet hit 하나당:

$$\text{dock calls},\text{GPU/CPU hours},\text{storage read},\text{wall time},\text{synthesized compounds}$$

를 모두 기록하면 실제 method comparison이 훨씬 강해집니다.

---

24. Figure를 결과와 연결해서 읽는 법

앞의 공식 figures는 다음 claim hierarchy와 대응시켜 읽는 것이 좋습니다.

Figure	보여주는 것	보여주지 않는 것
Fig. 1	platform modularity와 supported workflow surface	각 protocol의 benchmark superiority
Fig. 2	library preparation과 18D indexing idea	property grid가 activity manifold의 최적 representation이라는 증거
Fig. 3	ATG-VS search policy와 compute allocation logic	모든 target에서 exhaustive보다 항상 우월하다는 보장

즉 architecture diagram을 evidence table처럼 읽지 않는 것이 중요합니다.

Prospective efficacy의 핵심 evidence는 별도의 FSP1/PARP1 assay와 structural results에 있습니다.

---

25. Final verdict

Verdict: Must Read for virtual screening systems and compute-budgeted SBDD.

AdaptiveFlow를 기억할 때 69 billion molecules라는 숫자만 기억하면 핵심을 놓칩니다.

더 중요한 메시지는 다음입니다.

1. chemical space를 searchable regions로 먼저 구조화한다.
2. cheap target-specific probes로 promising regions를 찾는다.
3. expensive docking budget을 선택적으로 할당한다.
4. oracle 자체와 selection policy를 분리한다.
5. 최종 평가는 enrichment에서 끝내지 않고 synthesis / assay / structure까지 올라간다.

이 설계는 앞으로 generative molecular design이 커질수록 더 중요해질 가능성이 높습니다. 생성 모델이 10만 개가 아니라 10억 개 candidate를 쉽게 제안하게 되면 병목은 generation이 아니라 evaluation allocation으로 이동하기 때문입니다.

---

6개월 뒤 기억해야 할 세 가지

1. AdaptiveFlow의 진짜 novelty는 docking network가 아니라 adaptive search system이다. 18D tranche space에서 representative probes를 먼저 평가하고, target-specific evidence가 있는 region에만 비싼 계산을 집중한다.
2. ATG-VS의 핵심 risk는 early-pruning false negatives다. Property-nearby와 activity-nearby가 항상 같지 않으므로 rare chemotype / activity-cliff / cross-oracle recall을 별도로 봐야 한다.
3. 좋은 screening benchmark는 accuracy-only가 아니다. Fixed compute에서 enrichment, diversity, wall time, oracle calls, prospective wet hit rate를 함께 비교해야 한다.

---

Sources

• Cecchini et al., Nature Biotechnology (2026), DOI 10.1038/s41587-026-03217-x
• AdaptiveFlow GitHub organization
• AdaptiveFlow-LP
• AdaptiveFlow-VS
• AdaptiveFlow-Unity
• AdaptiveFlow preprint, bioRxiv
• AdaptiveFlow project

Visual provenance

• Figure 1, “The AdaptiveFlow platform for ULVSs” — official Nature Biotechnology article, linked above; author-produced system overview.
• Figure 2, “Organization and preparation of the Enamine REAL Space” — official Nature Biotechnology article; author-produced library/indexing overview.
• Figure 3, “Conceptual workflow of ATG-VSs” — official Nature Biotechnology article; author-produced screening-policy schematic.

The figures are referenced through the official article rather than copied from third-party mirrors. Their captions in this note explain the decision-relevant interpretation; the visual itself remains attributed to the paper authors/publisher.