항체 상보성 결정 부위 (CDR, complementarity-determining region) 설계를 위한 등변 그래프 신경망 (Equivariant GNN) 방식은 가장 높은 서열 회복률 (sequence recovery)을 달성하지만, 심각한 어휘 붕괴 (vocabulary collapse) 문제를 겪습니다. 현재 가장 우수한 GNN 방식들은 타이로신 (tyrosine)이나 글리신 (glycine)과 같이 매우 적은 수의 아미노산만을 과도하게 예측하는 반면, 기능적으로 중요한 잔기 (residues)들은 무시합니다. 우리는 이러한 실패의 원인이 GNN 인코더가 제한된 구조적 데이터로부터 아미노산 분포를 처음부터 (de novo) 학습하면서, 진화 데이터베이스 (evolutionary databases)에 인코딩된 치환 패턴 (substitution patterns)을 버리기 때문임을 밝혀냈습니다. 이를 해결하기 위해, 우리는 고정된 (frozen) 단백질 언어 모델 (PLM, protein language model)과 E(3)-등변 GNN (E(3)-equivariant GNN)의 3D 구조적 맥락을 교차 주의 어댑터 (cross-attention adapter)를 통해 연결하는 EvoStruct를 제안합니다. 일반적인 단백질 설계를 위한 기존의 PLM-구조 어댑터와 달리, EvoStruct는 점진적인 PLM 해제 (unfreezing) 및 R-Drop 일관성 정규화 (consistency regularization)를 통해 CDR 설계에 특화된 어휘 붕괴 문제를 목표로 합니다. CHIMERA-Bench 데이터셋에서 EvoStruct는 여러 항체 설계 방법들 중 가장 높은 아미노산 회복률과 가장 낮은 퍼플렉시티 (perplexity)를 달성하였으며, 가장 우수한 GNN 베이스라인 대비 서열 회복률을 16% 향상시키고 퍼플렉시티를 43% 감소시켰습니다. 또한 아미노산 다양성을 2.3배 더 많이 회복하였으며, 실제 정답 (ground truth)과 가장 높은 결합 쌍 상관관계 (binding-pair correlation)를 보여주었습니다.