MoLRSI: 실험 피드백으로 분자 탐색을 개선하는 AI 에이전트

들어가며

분자 발견의 어려움은 거대한 화학적 탐색 공간에만 있지 않습니다. 높은 활성, 낮은 세포독성, 구조적 신규성, 표적 선택성처럼 서로 충돌할 수 있는 조건을 동시에 만족해야 하기 때문입니다. 기존 AI 에이전트는 전문가가 만든 설계 프로토콜을 자동으로 실행할 수 있지만, 새로운 과제나 예상 밖의 실험 결과가 나왔을 때 프로토콜 자체를 어떻게 개선할지는 여전히 별도의 문제였습니다.

논문에서 제안한 MoLRSI는 분자 후보뿐 아니라 후보를 찾는 방법도 최적화합니다. 워크플로 성능, 수정 결과, 실행 과정에서 얻은 피드백을 다음 탐색에 반영하고, 여러 과제에서 얻은 경험을 지속적으로 저장합니다. 따라서 각 캠페인을 처음부터 설계하는 대신 이전의 성공과 실패를 활용해 탐색 정책을 갱신할 수 있습니다.

핵심 내용

• 워크플로 자체를 최적화한다. MoLRSI는 고정된 파이프라인을 그대로 따르는 대신 모델 조합, 단계별 절차, 탐색 방식을 평가하고 수정합니다.
• 태스크 간 메모리를 사용한다. 과거에 효과가 있었던 전략과 개선 시도가 다음 과제의 워크플로 설계에 참고 자료로 활용됩니다.
• 다중 목표 항생제 탐색. 항균 활성, 세포독성, 구조적 신규성을 함께 고려한 결과, 동일한 학습 데이터와 스크리닝 라이브러리를 사용한 기존 전문가 주도 방식의 8.7%보다 높은 15.9%의 실험 히트율을 기록했습니다.
• 펩타이드-MHC 결합체 설계. 표적 결합력과 특이성을 동시에 고려해 MART-1 및 SARS-CoV-1 pMHC에 대한 실험 검증 히트 8개를 만들었습니다. 테스트한 오프타깃에 대해서는 우선적 결합이 나타났습니다. 제공된 자료에 따르면 해당 비교에서 Claude Science는 성공하지 못했습니다.

의미와 한계

MoLRSI의 핵심 가치는 특정 실험에서 더 높은 히트율을 보였다는 사실을 넘어섭니다. AI 에이전트를 전문가가 만든 레시피를 실행하는 자동화 도구에서, 레시피 자체를 개선하는 연구 보조 시스템으로 확장하기 때문입니다. 실험과 실행 과정의 신호를 다음 워크플로 설계에 활용하면, AI는 분자 예측뿐 아니라 연구를 진행하는 방법에도 적응할 수 있습니다.

다만 이번 결과만으로 모든 신약 개발 문제에 대한 일반적인 효과를 주장할 수는 없습니다. 연구는 두 가지 응용 설정을 평가했으며, 재현성, 워크플로의 투명성, 탐색 규모, 새로운 표적에 대한 이전 가능성은 추가 검증이 필요합니다. 그럼에도 MoLRSI는 AI for Science의 다음 단계가 더 큰 모델만이 아니라, 경험을 축적하고 실패한 탐색 전략을 수정하는 에이전트에 있을 수 있음을 보여주는 사례입니다.

출처: Hugging Face Daily Papers