2026년 25주차 Molecular & Generative Modeling 읽기 노트

개요

이번 주 molecular generative AI와 protein modeling 쪽에서 눈에 띈 흐름은 아래와 같습니다.

Unified multimodal molecular generation: fragment, property, pharmacophore, structural constraint를 하나의 generation path에서 다루는 single-autoregressive model이 늘고 있습니다. Condition별 special-purpose head에서 벗어나려는 흐름입니다.
Equivariant scaling: linear memory scaling을 갖는 E(3)-equivariant transformer는 이전에는 다루기 어려웠던 크기의 full-atom peptide와 binder design 가능성을 넓힙니다.
Benchmark chasing보다 evaluation depth: Boltzmann ceiling analysis와 confidence-stratified evaluation은 단순 score보다 protein interaction prediction에서 이론적 정보 한계가 어디인지 이해하는 쪽으로 초점을 옮깁니다.
Convergent folding computation: ESMFold, OpenFold, Boltz-1 trunk를 causal tracing으로 비교하면 AI folding model이 정보를 처리하는 공통 two-stage structure가 보인다는 주장입니다. 공통 computational primitive가 있을 수 있습니다.
Survey signal: Purdue dissertation 수준의 survey는 diffusion-based structure modeling, AlphaFold-Multimer distillation, trajectory generation(PathFold) 쪽으로 field가 정리되고 있음을 보여줍니다.

Molexar: Fragment-SELFIES와 single autoregressive path를 쓰는 unified multimodal molecular foundation model입니다. Unconditional generation에서 100% validity와 높은 drug-likeness를 보고합니다.
MEET: scalable peptide design을 위한 memory-efficient equivariant transformer입니다. Atom 수에 대해 linear memory scaling을 주장합니다.
Multi-scale ML for Antibody-Antigen Binding: DMS feature를 사용한 Boltzmann ceiling analysis와 confidence-stratified prediction을 다룹니다. Cross-pathogen transfer의 한계를 보여줍니다.

Two Stages of Folding(arXiv 2602.06020, to verify): ESMFold, OpenFold, Boltz-1 trunk에 causal intervention을 적용해 convergent two-stage computation을 주장합니다. 점수는 괜찮지만 방법 확인이 더 필요합니다.
Deep Learning for Biomolecular Structure Modeling(Purdue dissertation, 2026): CryoZeta diffusion, DistPepFold, PathFold trajectory generation을 다루는 literature-level survey입니다. Primary paper note보다는 reference로 유용합니다.
CARVE: Content-Aware Recurrent with Value Efficiency(arXiv 2606.27229): 낮은 overhead로 transformer quality에 접근하는 linear attention 계열 주장입니다. 현재 domain fit은 낮아 pure-AI tracking 후보로 보류합니다.
Information-Aware KV Cache Compression for Long Reasoning: forward influence metric을 통한 KV cache compression입니다. 현재는 molecular/protein 쪽보다 AI systems tracking 후보로 보류합니다.

Protein design: MEET는 equivariant VAE와 latent diffusion 조합이 full-atom peptide generation pipeline으로 쓰일 수 있음을 보여줍니다.
Equivariant GNN: efficient attention reformulation을 통한 linear memory scaling은 SE(3)-equivariant peptide design의 compute ceiling을 낮춥니다.
Molecular generation: Fragment-SELFIES와 single-path autoregressive conditioning은 per-property head 중심 설계에서 벗어나는 방향입니다.
Binding affinity: Boltzmann ceiling analysis는 antibody-antigen prediction에서 “remaining gap”이 무엇을 뜻하는지 해석하는 데 유용한 upper bound를 제공합니다.

승격한 Molexar/MEET note를 직접 읽고 artifact availability와 code release 상태를 확인합니다.
Fragment-SELFIES coverage를 확인하고 standard SELFIES와 비교합니다.
Linear attention이 실제 관심 주제가 되면 CARVE의 formal theorem, Lyapunov stability, expressivity 주장을 추적합니다.
Protein structure prediction 확장 여부를 봅니다. Two Stages of Folding의 convergent folding-trunk analysis는 방법론이 확인되면 subsection으로 키울 수 있습니다.