탠덤 질량 분석법 (tandem mass spectrometry)을 이용한 De novo 펩타이드 시퀀싱 (De novo peptide sequencing)은 참조 데이터베이스 없이 새로운 펩타이드를 식별할 수 있게 함으로써 단백질체학 (proteomics)에서 중추적인 역할을 합니다. 최근 Transformer 기반의 인코더-디코더 (encoder-decoder) 모델들이 놀라운 성능을 달성했지만, 우리는 이들의 추론 역학 (inference dynamics)에서 결정적인 병리적 현상을 발견했습니다. 포괄적인 특징 스케일링 (feature scaling) 실험을 통해, 우리는 기존의 자기회귀 (auto-regressive) 펩타이드 디코더들이 생성된 시퀀스 사전 확률 (generated-sequence priors)에 과도하게 의존하는 반면, 입력 질량 스펙트럼 (mass spectrum)으로부터의 미세한 물리적 증거는 점진적으로 덜 활용하는 경향이 있음을 입증했습니다. 이러한 현상은 생성된 펩타이드 시퀀스가 생물학적으로는 그럴듯하지만 입력 스펙트럼에는 충실하지 않은, 최적화되지 않은 결과로 이어집니다. 이를 교정하기 위해, 우리는 추론 시점에 펩타이드와 스펙트럼의 기여도를 재균형화하는 학습이 필요 없는 플러그 앤 플레이 (plug-and-play) 메커니즘인 MemNovo를 제안합니다. MemNovo는 지속적인 스펙트럼 메모리 뱅크 (spectral memory bank)를 구축하고, 초보수적 잔차 연결 (ultra-conservative residual connection)을 통해 검색된 특징을 최종 디코딩 단계에 직접 주입함으로써 정보 병목 현상 (information bottleneck)을 완화합니다. 이론적 분석을 통해 이 메커니즘이 디코더 상태 (decoder state)와 원시 스펙트럼 (raw spectrum) 사이의 상호 정보량 (mutual information)을 복원함을 확인했습니다. 두 가지 대표적인 베이스라인인 Casanovo 및 InstaNovo를 사용하여 Nine Species 벤치마크에서 수행한 광범위한 실험 결과, MemNovo는 계산 오버헤드(computational overhead)를 거의 늘리지 않으면서도 아미노산 정밀도 (amino acid precision)와 펩타이드 정밀도 (peptide precision)를 일관되게 향상시켰으며, Casanovo의 경우 펩타이드 정밀도에서 최대 39.1%, InstaNovo의 경우 최대 3.9%의 상대적 개선을 달성했습니다.