LDDM: A Unified 3D Generative Model for Synthesizable Structure-Based Drug Design

한 줄 요약: LDDM에서 가장 재사용 가치가 높은 아이디어는 docking, fragment growing/linking, partial docking, de novo design을 별도 모델로 나누지 않고 같은 pocket-conditioned 3D generative model에서 무엇을 고정하고 무엇을 생성할지만 바꾸는 conditional generation problem으로 통일한 것이다. 여기에 reaction/building-block chemical space를 generation loop 안에 넣어 synthesizability를 post-hoc filter가 아니라 search constraint로 다루고, 저자 보고 prospective experiments와 공개 X-ray structures까지 연결했다.

왜 이 논문을 저장하는가

Structure-based drug design pipeline은 보통 작업별로 쪼개진다.

known ligand
   ↓
docking model
   ↓
pose refinement
   ↓
fragment growing / linker design
   ↓
de novo generator
   ↓
synthetic accessibility filter
   ↓
virtual screening / rescoring

각 단계는 자연스럽지만 representation과 objective가 계속 바뀐다. Docking은 molecular graph를 고정한 채 coordinates를 찾고, de novo generation은 graph와 coordinates를 함께 만들어야 하며, fragment design은 일부 substructure만 고정한다. 같은 protein pocket을 대상으로 하면서도 서로 다른 model family와 data pipeline을 유지하는 경우가 많다.

LDDM은 이 경계를 하나의 상태공간으로 다시 쓴다.

$$x=(X,A,B),$$

where $X\in {\mathbb{R}}^{N\times 3}$ is ligand coordinates, $A$ is atom identity, and $B$ is covalent-bond state.

Task는 model identity가 아니라 known/unknown mask로 정의할 수 있다.

$$\text{task}\approx \text{which components of }(X,A,B)\text{ are conditioned vs generated}.$$

이 관점에서는 docking, partial docking, fragment growing/linking, de novo design이 같은 structured-state completion family가 된다. 이것이 첫 번째 저장 이유다.

두 번째는 synthesizability다. 많은 3D generator가 molecule을 만든 뒤 SA score나 retrosynthesis로 거르는 반면, LDDM의 공개 workflow는 reaction templates와 available building blocks가 정의하는 virtual chemical space 안에서 design action을 수행한다.

$$\text{generate}\to \text{filter synthesizability}$$

보다

$$\text{synthesizable action space}\to \text{generate/search}$$

에 가깝다.

세 번째는 evaluation이다. bioRxiv abstract 기준 저자들은 다섯 therapeutic targets에서 generated/optimized ligands를 prospective하게 시험했고, selected designs에 NMR/X-ray characterization을 포함했다고 보고한다. 이 paper와 연결된 PDB entries도 공개되어 있다. Computational benchmark와 experimental evidence를 같은 것으로 취급하지 않으면서 end-to-end design story를 볼 수 있는 좋은 사례다.

---

Metadata and public artifacts

Field	Value
Paper	A Unified 3D Generative Model for Synthesizable Structure-Based Drug Design
Authors	Ilia Igashov, Arne Schneuing, Adrian W. Dobbelstein, et al.
Source	bioRxiv preprint
Posted	2026-09-18
DOI	10.64898/2026.09.15.751537
Model	LDDM — Large Drug Discovery Model
Task surface	docking, partial docking, fragment growing/linking, de novo design, programmable design, synthesizable design
Official code	LPDI-EPFL/lddm
Code snapshot inspected	f254fb4f8525b3803e79eb95e9f1a163fe8b2459
Code license	MIT
Public checkpoints/data	Zenodo 22754501
Paper checkpoint	CD+BB+BN, CC BY-NC 4.0 because BindingNet is included
Alternative checkpoint	CD+BB, MIT, without BindingNet
Synthesis-space caveat	Enamine REAL reactions/building blocks require a separate license and are not redistributed
Structural artifact	RCSB PDB 38HB, among structures linked to the paper

Claim boundary: prospective hit rates, affinities, pose accuracy, and campaign outcomes are author-reported unless an independent artifact is explicitly identified. A public PDB entry establishes that an experimental complex structure exists; it does not independently validate every generative-model or campaign-level claim.

---

Visual guide

직접적인 paper-figure 재배포 대신 공개 official repository의 MIT-licensed documentation figures를 commit-pinned URL로 사용한다. 두 그림 모두 author-produced illustration이므로 benchmark evidence와 구분해야 한다.

One model, many SBDD modes

Source: LPDI-EPFL/lddm, docs/lddm.png, commit f254fb4f…, MIT license. 핵심은 서로 다른 downstream task가 별도 checkpoint가 아니라 동일한 pocket-conditioned generative surface에서 condition/mask를 달리해 표현된다는 점이다. 이 그림은 architecture concept를 설명하며 benchmark superiority를 독립적으로 증명하지 않는다.

Reaction-space-constrained design

Source: LPDI-EPFL/lddm, docs/synthgen.png, commit f254fb4f…, MIT license. Post-hoc synthetic-accessibility score만 붙이는 대신 reaction templates와 building blocks로 실제 도달 가능한 chemical-space move를 정의한다는 점을 봐야 한다. Public demo space는 full prospective Enamine REAL campaign과 동일하지 않다.

Independent experimental artifact — PDB 38HB

RCSB PDB 38HB — SARS-CoV-2 NSP3 macrodomain complex

RCSB는 38HB를 2026-09-09 공개된 0.97 Å X-ray structure로 기록하며 해당 entry의 literature를 이 LDDM paper와 연결한다. Fraser Lab publication page는 38HB, 38HC, 38HY, 9SLI를 이 paper와 연결된 deposited structures로 나열한다.

이 artifact가 직접 지지하는 범위는

$$\text{public experimental complex structure exists}$$

이지

$$\text{all generated poses and campaign claims are independently verified}$$

가 아니다.

---

1. Docking과 generation은 partial-state completion의 두 모드다

Docking을 단순화하면

$$\hat{X}\sim p(X\mid A,B,P),$$

where $P$ is the protein pocket.

De novo design은

$$(\hat{X},\hat{A},\hat{B})\sim p(X,A,B\mid P).$$

Fragment growing에서는 known context $C$가 추가된다.

$$(X_G,A_G,B_G)\sim p(X_G,A_G,B_G\mid P,C).$$

Output space가 달라 보이지만 모두 partial observation이 주어진 molecular state completion으로 볼 수 있다.

LDDM의 유용한 abstraction은 docking과 generation을 architecture-level task label로 분리하기보다 molecular state의 어떤 variable이 known이고 어떤 variable이 unknown인지로 분리하는 것이다. Scaffold, anchor, warhead, known fragment는 conditioning context로 남기고 나머지만 stochastic generation에 넣을 수 있다.

---

2. Joint representation: geometry와 chemistry를 같이 생성한다

3D molecular generation은 geometry와 chemistry 중 하나를 후처리로 미루기 쉽다. LDDM의 공개 source tree는 continuous state와 discrete state를 함께 다루는 components를 제공한다.

Continuous coordinates

공개 flows.py의 RiemannianICFM interface는 noisy/intermediate state $z_t$를 만들고 network prediction에서 vector field를 복원해 ODE-style update를 수행한다.

Linear path intuition에서는

$$z_t=(1-t)z_0+t{z}_1,$$

이고 velocity target은 개념적으로

$$v^{\ast }(z_t,t)\propto \frac{z_1-z_t}{1-t}.$$

Inference에서는 learned field를 적분해 coordinate state를 이동시킨다.

Discrete atom and bond states

Atom type과 bond category는 continuous coordinate처럼 단순 보간할 수 없다. 공개 markov_bridge.py는 Markov bridge transition을 구현한다.

Uniform-prior bridge에서 transition은

$$Q_t={\beta }_{t}I+(1-{\beta }_t)1z_1^{\top }.$$

Network가 final categorical state distribution을 예측하면 현재 discrete state에서 다음 state를 sample한다.

따라서 generative object는 단순 point cloud가 아니다.

$$\boxed{\text{molecular state}=\text{continuous geometry}+\text{discrete chemistry}}$$

이 joint-state view가 pose-only와 chemistry-generating tasks를 같은 model surface에 올릴 수 있게 한다.

---

3. Symmetry contract

Pocket-conditioned coordinate generation은 arbitrary rigid frame에 의존하면 안 된다.

$$x^{\prime }=Rx+t,R\in SO(3)$$

로 protein/ligand coordinates를 변환했을 때 coordinate update도

$$v(RX+t,RP+t,t)=Rv(X,P,t)$$

처럼 변환되어야 한다. 반면 atom identity와 bond probability는 rotation에 invariant해야 한다.

Public source tree에는 GVP와 heterogeneous geometric GNN components가 포함되어 있다. Architecture 이름보다 중요한 contract는 coordinate output은 equivariant, chemistry logits는 invariant라는 점이다.

이 contract가 깨지면 arbitrary alignment나 reference-ligand frame을 통해 성능이 부풀려질 수 있다. 다른 benchmark로 옮길 때 pocket extraction과 centering/alignment가 deployment에서 사용 가능한 정보만 쓰는지도 같이 감사해야 한다.

---

4. Unified task masking

Official README에서는 같은 checkpoint를 design과 dock mode에서 사용하고, partial docking은 --atoms_to_dock으로 생성할 atom subset을 지정한다.

Mask를

$$m_X,m_A,m_B\in \{0,1\}$$

로 두고 $1$을 generate, $0$을 condition/fix라고 하자.

Docking

$$m_A=0,m_B=0,m_X=1.$$

Chemical identity는 고정하고 pose만 생성한다.

Partial docking

$$m_{X,i}=1$$

을 selected atoms에만 적용한다. 나머지는 anchor/context로 남는다.

Fragment growing and linking

Known fragment variables는 condition이고 새 fragment의 coordinates/chemistry가 generation target이 된다.

De novo design

$$m_X\approx m_A\approx m_B\approx 1.$$

Pocket 이외의 ligand state를 크게 연다.

이 unified masking은 software convenience 이상이다. Pose completion과 chemical completion의 relational geometry가 같은 latent dynamics를 공유할 수 있기 때문이다. 다만 positive transfer가 자동으로 보장되는 것은 아니다. Multi-task interference가 있을 수 있으므로 matched single-task baseline이 필요하다.

---

5. Sampling contract

Official repository의 기본 sampling interface는 n_steps=100이며 Forward Euler 또는 Heun sampler를 지원한다. Coordinate sampling noise와 number of samples도 설정할 수 있다.

따라서 결과 비교에는 최소한

$$\text{checkpoint}+\text{sampler}+\text{steps}+\text{noise}+K+\text{selection rule}$$

을 같이 기록해야 한다.

Top-1과 best-of-$K$는 다른 claim이다. 한 method가 10 poses를 만들고 다른 method가 100 poses를 만든 뒤 near-oracle selection을 사용한다면 architecture comparison이 아니다.

Prospective design에서는 generated pool → programmable search/filter → synthesis selection이 이어지므로 wet-lab hit rate는 base model + sampling + selection policy 전체의 결과다.

---

6. Programmable design: generator를 proposal operator로 읽기

LDDM의 중요한 확장은 one-shot generation에서 끝나지 않는다는 점이다. Programmable design을 추상화하면

$$x_{k+1}\sim q_{\theta }(\cdot \mid P,x_k,c_k),$$

where $c_k$ contains fixed context or local constraints. Evaluator는

$$u_k=U(x_k,P)$$

를 계산하고 다음 design action에 사용한다.

이때 generator는 최종 optimizer 자체라기보다 chemistry-aware proposal distribution이다.

따라서 세 문제를 분리할 수 있다.

• generative prior가 좋은가?
• evaluator가 좋은 candidate를 구분하는가?
• search policy가 compute budget을 잘 배분하는가?

AdaptiveFlow가 ultra-large existing library에서 어떤 molecule을 expensive oracle에 보낼지 정한다면, LDDM은 local/generated chemical state에서 어떤 molecular modification을 제안할지를 learned generator로 수행한다고 볼 수 있다.

---

7. Synthesizable design: SA score가 아니라 reaction graph 위의 search

많은 generator는

$$x\sim p_{\theta }(x\mid P)\to \mathrm{SA}(x)\text{ filter}$$

를 사용한다. 그러나 낮은 SA score가 실제 available building blocks와 reaction route를 보장하지는 않는다.

LDDM public workflow는 building-block table, reaction SMARTS/templates, reaction-to-building-block role mapping을 입력으로 받는다.

$${\mathcal{X}}_{synth}=\{R(b_i,b_j):R\in \mathcal{R},b_i,b_j\in \mathcal{B}\}.$$

즉 synthetic feasibility가 generation 이후의 scalar penalty가 아니라 generation/search domain 자체에 들어간다.

Reproducibility boundary

Official repo는 full prospective Enamine REAL reactions/building blocks를 license 때문에 배포하지 않는다. Public demo는 SynSpace-derived:

• 44,944 building blocks
• 3 reactions

을 제공한다.

따라서 public code로 workflow를 실행할 수 있다는 것과 paper의 full prospective chemical space를 그대로 재현할 수 있다는 것은 다르다.

---

8. Evidence를 네 층으로 분리하기

Layer A — docking geometry

질문은 native-like pose를 생성할 수 있는가다. Symmetry-aware RMSD, chemical validity, clash/strain이 적합한 evidence다. 이것은 affinity를 직접 증명하지 않는다.

Layer B — generative chemistry

Pocket-conditioned generation이 chemically valid하고 diverse하며 target-relevant한 candidates를 만드는가를 본다. Validity/diversity/novelty와 pocket geometry, synthesis constraint는 서로 다른 axis다.

Layer C — prospective binding

bioRxiv abstract는 다섯 therapeutically relevant protein targets에서 designed/optimized ligands를 prospectively 검증했고, 모든 case에서 소수의 합성으로 confirmed binding을 확보했다고 저자들이 보고한다.

Retrospective docking benchmark보다 deployment-facing evidence가 강하지만 campaign별 generation count, filtering, synthesis budget, assay, hit definition이 결과 해석에 포함되어야 한다.

Layer D — structural validation

Paper는 best designs 일부를 NMR spectroscopy와 X-ray crystallography로 characterize했다고 보고한다. Fraser Lab page는 38HB, 38HC, 38HY, 9SLI를 deposited structures로 연결하고, RCSB 38HB는 0.97 Å X-ray complex로 공개되어 있다.

이것은 selected success case의 binding-geometry evidence이지 전체 generated distribution의 unbiased pose-accuracy estimate는 아니다.

---

9. 실제 novelty

LDDM의 contribution은 세 층으로 나눌 수 있다.

A. Unified conditional state completion

Docking, partial docking, fragment editing, de novo design을 같은 $(X,A,B)$ state와 masking/conditioning으로 표현한다.

B. Mixed continuous–discrete generation

Coordinates는 flow dynamics로, atom/bond chemistry는 discrete Markov bridge로 함께 생성한다.

C. Synthesizable programmable search

Generator를 one-shot outputter가 아니라 constrained proposal operator로 사용하고 reaction/building-block space를 search domain으로 넣는다.

Prospective experiments는 이 조합의 system-level utility를 보여주지만 각 component의 causal contribution을 따로 증명하지는 않는다.

---

10. Baseline fairness

Unified model은 task가 많아서 baseline comparison이 특히 어렵다.

Docking

다음을 맞춰야 한다.

• receptor state
• pocket definition
• protonation/tautomer state
• reference-ligand information
• generated pose count
• integration budget
• ranking rule
• symmetry treatment

Generation

다음을 맞춰야 한다.

• allowed molecule-size distribution
• scaffold/fragment constraints
• sample count
• property filters
• validity criteria
• synthetic-space constraints
• compute/oracle calls

Prospective campaign

최종 hit rate는

$$\text{hit rate}=f(\text{generator},\text{search},\text{filter},\text{selection},\text{assay},\text{synthesis budget})$$

이므로 raw model score로 읽으면 안 된다.

---

11. Split and OOD boundary

Protein–ligand generative model의 generalization은 ligand split 하나로 설명할 수 없다.

Axis	Leakage / interpolation risk
Ligand	close scaffold, analog series, stereoisomer
Protein	close sequence/structure family
Complex	near-identical pocket–ligand interaction pattern
Time	training cutoff 이전의 structures/assays
Pocket state	holo/apo/conformational-state shift
Chemistry	building blocks/reaction templates seen in training/search
Selection	test-target-specific evaluator tuning

Docking과 design을 한 checkpoint에서 학습하면 같은 underlying complex가 다른 masking task로 노출될 수 있다. Split unit는 row가 아니라 complex/family/scaffold identity와 맞아야 한다.

Prospective wet-lab validation은 retrospective leakage 우려를 크게 줄이지만 broad OOD generalization을 자동으로 증명하지는 않는다. 다섯 selected targets에서의 success는 해당 campaign scope의 evidence다.

---

12. Reference-ligand boundary

Official examples는 protein과 함께 --ref_ligand를 전달한다. 이것은 pocket localization이나 coordinate reference를 위한 practical interface일 수 있다.

Benchmark에서는 다음을 분리해야 한다.

1. reference ligand가 pocket localization만 제공하는가?
2. exact pose/shape가 generative input에 들어가는가?
3. evaluated ligand 또는 close analog information이 들어가는가?
4. deployment에서도 같은 information이 available한가?

Known holo ligand를 이용한 site-defined generation과 apo/unliganded target discovery는 다른 task다. Reference-ligand availability를 숨긴 채 protein-only de novo design으로 일반화하면 안 된다.

---

13. Reproducibility

Public artifact surface는 강한 편이다.

• MIT source code
• executable docking/design examples
• Docker environment
• main paper checkpoint
• non-BindingNet checkpoint
• geometry reference
• public SynSpace-derived synthesis demo
• ODE sampling controls
• reaction-space preparation scripts

하지만 두 licensing boundary가 있다.

CD+BB+BN은 paper experiments에 사용된 checkpoint이며 BindingNet 때문에 CC BY-NC 4.0이다. Full Enamine REAL reaction/building-block space는 별도 license가 필요하고 repository에서 재배포되지 않는다.

최소 reproduction contract는 다음과 같다.

paper version
+ repository commit
+ checkpoint identity/license
+ pocket preparation
+ reference-ligand role
+ sampler / steps / noise
+ number of samples
+ candidate selection rule
+ chemical-space release

Public artifacts가 충분하다는 것과 full prospective campaign을 byte-for-byte 재현할 수 있다는 것은 다르다.

---

14. 주요 confounders

Unified-model gain vs data gain

Multi-task model은 heterogeneous supervision을 더 많이 사용한다. Gain이 masking/unification 때문인지 data volume/coverage 때문인지 matched single-task control이 필요하다.

Generator vs evaluator/search

Prospective candidate는 base generator output을 무작위로 합성한 것이 아니다. Search와 evaluator/filter가 개입한다. Wet-lab result는 base likelihood의 직접 측정값이 아니다.

Synthesizability vs practical synthesis

Reaction-template reachable은 SA score보다 실제 chemistry에 가깝지만 yield, conditions, protecting groups, vendor availability, cost, purification을 모두 보장하지 않는다.

Structural-confirmation selection bias

NMR/X-ray 성공 사례는 매우 가치 있지만 selected hits에 집중될 수 있다. Mechanistic pose evidence이지 generated set 전체의 calibration curve는 아니다.

Preprint status

2026-09-18 공개 bioRxiv preprint이므로 peer-review 과정에서 method/result wording이 수정될 수 있다. Version/date pinning이 필요하다.

---

15. Decision-useful ablations

A. Unified vs task-specific

동일 examples와 total compute에서

A0: docking-only
A1: design-only
A2: unified masked model

을 비교한다. Docking supervision이 design에 positive transfer를 주는지, design supervision이 pose quality를 개선하는지, task interference가 어디에서 생기는지 본다.

B. Partial-state curriculum

B0: full docking + full design only
B1: + fragment growing/linking masks
B2: + local/random partial-coordinate masks

로 partial completion training이 genuinely reusable representation을 만드는지 본다.

C. Synthesis-aware search vs generate-then-filter

Matched total generator/scoring calls에서

C0: unconstrained generation → SA/retro filter
C1: reaction-constrained generation/search

를 비교한다. Final quality, diversity, route validity, building-block coverage, oracle calls per accepted candidate를 같이 봐야 한다.

D. Reference-ligand dependence

D0: known holo reference ligand
D1: pocket center only
D2: apo structure / predicted pocket

를 비교하면 deployment boundary가 드러난다.

E. Sampling-budget curve

$K\in \{1,5,10,50,100\}$에서 top-ranked pose, oracle pose, diversity, validity, compute를 기록해 generator capacity와 selector quality를 분리한다.

---

16. Falsification

다음 결과가 나오면 one-model-for-many-SBDD-tasks story의 mechanistic advantage는 약해진다.

1. 같은 data/compute에서 task-specific models가 주요 task에서 일관되게 우세하다.
2. Unified gain이 단순 training-set enlargement control에서 사라진다.
3. Partial masks를 제거해도 fragment/docking transfer가 변하지 않는다.
4. Reaction-constrained search가 matched compute에서 generate-then-filter보다 quality–diversity–synthesizability Pareto를 개선하지 못한다.
5. Reference ligand를 제거하면 성능이 급락하고 pocket-only setup에서 회복되지 않는다.
6. Prospective success가 다른 protein-family/assay context에서 재현되지 않는다.

반대로 이런 controls를 통과한다면 특정 leaderboard score보다 partial-state molecular generation이라는 reusable SBDD interface가 LDDM의 더 강한 contribution이 된다.

---

17. 실무 연구 방향: unified proposal model + independent verifier

LDDM이 던지는 좋은 질문은 하나의 giant generator가 모든 것을 해야 하는가가 아니다.

Dock → refine → grow → redesign을 서로 다른 representation으로 넘기지 않고, 하나의 structured molecular state에서 uncertainty와 constraints를 유지한 채 연속적으로 수행할 수 있는가?

Generic SBDD pipeline은 다음처럼 생각할 수 있다.

protein pocket + partial ligand state
             ↓
    joint 3D/chemical generator
             ↓
 pose / partial edit / new chemistry
             ↓
 independent validity + scoring
             ↓
 reaction-aware constrained search
             ↓
 final candidates

Independent scoring을 남겨 두는 것이 중요하다. Generator와 같은 error mode를 가진 evaluator만 사용하면 correlated error가 iterative selection에서 증폭될 수 있다.

따라서 practical baseline은 unified proposal model + independent verifier가 적절하다.

---

18. Pose generation과 affinity prediction을 섞지 말 것

LDDM의 주요 contribution은 generative structure/design 쪽이다.

Native-like pose를 잘 만든다는 것은

$$p(X\mid A,B,P)$$

를 잘 모델링한다는 evidence다.

Binding affinity는 $\Delta G_{bind}$ 또는 assay-specific potency라는 다른 target이다. Pose가 좋아도 desolvation, entropy, protonation, water network, receptor reorganization, assay context를 충분히 모델링하지 않으면 affinity ranking은 틀릴 수 있다.

Prospective binder discovery가 성공했다고 해서 generator가 calibrated affinity predictor라는 결론은 나오지 않는다. 이 구분은 Pose quality와 Binding affinity를 같이 읽어야 하는 이유다.

---

19. Prospective evidence를 읽는 campaign card

Prospective experiment는 retrospective split보다 leakage-resistant하다. 하지만 prospective라는 단어만으로 comparison fairness가 자동 보장되지는 않는다.

Decision-useful campaign card에는 적어도 다음이 필요하다.

• target novelty relative to training
• starting ligand/fragment availability
• generated count
• filtered/scored count
• human selection 여부
• synthesized count
• assay endpoint and threshold
• confirmed hit count
• structural follow-up selection rule

BioRxiv abstract는 five targets, small number synthesized, confirmed binding, NMR/X-ray on best designs라는 강한 high-level evidence를 제공한다. Target별 exact budget과 affinity distribution을 abstract만으로 완전히 복원할 수는 없다.

따라서 prospective evidence가 존재한다는 것과 모든 campaign efficiency가 독립 재현되었다는 것을 분리해야 한다.

---

20. Related notes

• PoseBusters — generated/docked pose의 chemical/geometric validity boundary
• AdaptiveFlow — expensive oracle 아래 candidate-selection policy를 최적화하는 complementary view
• Ensemble-Conditioned Molecular Design — inference-time condition composition으로 multi-state target/avoid objective를 만드는 다른 route
• Protein-ligand docking
• Structure-based drug discovery
• Pose quality
• Binding affinity
• Virtual screening
• Protein-ligand split

LDDM과 AdaptiveFlow를 같이 보면 두 search problem을 분리할 수 있다.

$$\text{AdaptiveFlow}:\text{which existing molecules should be evaluated?}$$ $$\text{LDDM}:\text{which new molecular state/change should be proposed?}$$

둘 다 architecture만큼 search/allocation policy가 중요하다.

---

Final verdict

LDDM의 headline은 3D molecule generator가 prospective hits를 냈다는 것이지만 오래 남는 contribution은 더 구조적이다.

첫째, docking과 de novo design 사이의 경계를 없애고 partial molecular state completion이라는 하나의 interface로 다시 썼다. Molecular graph와 coordinates를 joint state로 두면 pose-only, partial-coordinate, fragment, full-generation task를 mask만 바꿔 표현할 수 있다.

둘째, synthesizability를 scalar filter로만 보지 않고 reaction/building-block-defined action space로 바꿨다. 이것은 생성 quality뿐 아니라 실제 search efficiency와 실험 가능성을 architecture 주변의 first-class objective로 만든다.

셋째, prospective binding과 public structural artifacts가 있어 benchmark-only generative paper보다 evidence가 강하다. 동시에 full Enamine REAL space licensing, main checkpoint의 non-commercial license, selection/search confound, target별 experimental-budget detail 같은 reproducibility boundary가 남아 있다.

따라서 이 paper를 인용할 때 가장 안전한 문장은 다음과 같다.

LDDM은 하나의 pocket-conditioned mixed continuous–discrete generator를 masking/conditioning으로 재사용해 docking부터 molecular design까지 여러 SBDD task를 통합하고, reaction-space-constrained search와 prospective experiments를 통해 이 unified formulation의 practical potential을 보여준다.

모든 SBDD task에서 최적이다, affinity를 정확히 예측한다, full prospective campaign이 완전히 공개 재현 가능하다는 더 강한 주장은 현재 evidence와 분리해야 한다.

---

Three durable takeaways

1. Docking과 molecular generation은 partial-state completion의 서로 다른 mask로 통일할 수 있다. Graph, bond, coordinate를 joint state로 두면 dock/grow/link/de novo를 같은 model surface에서 표현할 수 있고, 실제 연구 질문은 task sharing이 positive transfer를 만드는지 matched ablation으로 확인하는 것이다.

2. Synthesizability는 post-hoc score보다 action-space constraint로 넣을 때 더 강한 의미를 갖는다. Reaction templates와 available building blocks가 generation/search domain을 정의하면 “만들 수 있을 법한 molecule”이 아니라 “주어진 chemical space에서 구성 가능한 molecule” 쪽으로 objective가 이동한다.

3. Prospective evidence도 generator, selector, chemistry space, assay를 분리해서 읽어야 한다. Confirmed binders와 NMR/X-ray structures는 중요한 evidence지만, end-to-end campaign success는 base model 하나가 아니라 sampling, programmable search, filtering, synthesis selection, assay의 합성 결과다.

---

Sources

• Igashov I, Schneuing A, Dobbelstein AW, et al. A Unified 3D Generative Model for Synthesizable Structure-Based Drug Design. bioRxiv, posted 2026-09-18.
• Official implementation: LPDI-EPFL/lddm, inspected at commit f254fb4f8525b3803e79eb95e9f1a163fe8b2459.
• Public checkpoints and reference data: Zenodo record 22754501.
• Independent experimental structure record: RCSB PDB 38HB.
• Paper-linked structure list: Fraser Lab publications.