본 논문은 항체 설계에 있어 기존의 균일한 생성 전략의 한계를 극복하고자, B 세포 친화성 성숙 과정에서 영감을 얻은 생물학적 기반 프레임워크를 제시한다. 이 프레임워크는 온라인 메타러닝 시스템 내에서 물리 기반 도메인 지식을 활용하며, 반데르발스 힘, 분자 인식, 에너지 균형, 계면 기하학 등 여러 전문가 모듈을 통해 반복적인 피드백에 기반하여 매개변수를 진화시킨다. 이는 자연 항체 정제 과정을 모방하여 각 표적에 대한 개별화된 최적화 전략을 발견한다. 실험 결과, 다양한 항원 종류에 대해 SE(3)-equivariant 안내 전략을 발견하고, 표적 특이적 적응을 통해 핫스팟 커버리지 및 계면 품질을 향상시켜 치료용 항체의 다중 목표 최적화 특성을 달성함을 보여준다. 또한, 각 항체-항원 시스템이 온라인 평가를 통해 고유한 최적화 프로파일을 학습하는 반복적 개선 패러다임을 확립하고, 작은 에피토프부터 큰 단백질 계면까지 다양한 설계 과제에 효과적으로 일반화됨을 보여준다.
