과학적 사실에는
조건이 붙어 있다

텍스트만 읽는 모델에서 과학적 표현을 함께 다루는 모델로

과학특화 멀티모달 파운데이션 모델은 자연어만 잘 다루는 LLM이 아니다. 분자 서열·그래프, 단백질 서열, 3차원 구조, gene expression과 omics, assay measurement처럼 서로 다른 과학적 표현을 공동의 추론공간에서 읽고 예측하거나 생성할 수 있는 범용 모델이다.

MAMMAL은 small molecule, protein·antibody sequence, gene-expression 정보를 cross-modal framework에서 통합한다. TxGemma는 small molecule, protein, nucleic acid, disease, cell line을 아우르는 therapeutic prediction과 reasoning을 겨냥한다. BioMatrix는 molecule과 protein의 sequence·structure·language를 하나의 discrete token space에서 native하게 다루는 방향을 제시한다. Boltz-2는 구조 예측에 binding affinity까지 결합해 Co-Scientist가 호출할 수 있는 structure/physics specialist의 성격을 갖는다.

질문에 답하는 AI와 과학을 수행하는 AI 사이

AI Co-Scientist는 문헌 요약기가 아니다. 연구문제를 정의하고, 근거를 찾고, 가설을 만들고, 스스로 비판하고, 후보를 순위화하고, 실험을 설계하고, 도구를 실행한 뒤 결과에 따라 가설을 수정하는 반복체계다.

2026년 Nature의 Co-Scientist는 Generation, Reflection, Ranking, Evolution, Proximity, Meta-review와 Supervisor를 포함하는 멀티 에이전트 구조를 통해 generate–debate–evolve 과정을 구현했다. 약물 재창출, 신규 표적 발굴, 항생제 내성 기전 같은 biomedical 문제에서 실험 검증까지 연결한 점이 중요하다. Virtual Lab 역시 LLM Principal Investigator와 specialist scientist agents가 ESM, AlphaFold-Multimer, Rosetta를 조합해 nanobody 설계를 수행하고 실험으로 확인했다.

사실을 triple이 아니라 ‘조건이 붙은 진술’로 기록한다

일반 KG는 사실을 \((h,r,t)\)로 표현한다. 예를 들어 (Drug_A, inhibits, EGFR)이다. 그러나 신약개발에서 이 문장은 지나치게 납작하다. 어떤 assay였는지, endpoint가 무엇인지, 어떤 mutation과 cell line이었는지, 값과 단위가 무엇인지가 빠진다.

HRKG는 “A가 EGFR을 억제한다”를 저장하는 대신 “어떤 조건에서, 어떤 측정법으로, 어느 정도 강도로, 어느 변이체에서, 어느 출처에 의해 관찰됐는가”를 함께 보존한다. MAYPL과 HyperSAT이 다루는 핵심도 이러한 qualifier-aware fact representation이다.

용어는 구분해야 한다. 생의학 문헌에서 HKG는 때때로 Heterogeneous Knowledge Graph를 뜻한다. 이 글의 HRKG는 Hyper-Relational Knowledge Graph다. 또한 HRKG는 하나의 edge가 여러 vertex를 연결하는 hypergraph와도 같은 개념이 아니다.

공유 인식론적 기억이라는 정의

핵심은 HRKG를 GraphRAG용 저장소로 축소하지 않는 데 있다. HRKG는 에이전트들이 무엇을 알고 있는지, 왜 그렇게 믿는지, 어느 조건에서만 참인지, 무엇이 그 믿음을 반증하는지를 공동으로 기록하는 장부여야 한다.

관계를 단순화하는 순간 과학적 조건이 사라진다

ChEMBL이나 PubChem의 assay 결과를 단순한 (Drug, interactsWith, Protein)으로 바꾸면 IC50·Kd·Ki, experimental protocol, organism, target construct, mutation, cell context가 함께 증발한다. Boltz-2가 affinity 데이터를 정리하면서 Ki, Kd, IC50의 의미와 서로 다른 실험 조건·noise를 주의 깊게 다루는 이유도 여기에 있다.

과학에서 맥락은 장식이 아니다. 어떤 사실이 어느 조건에서만 성립한다면, 조건을 제거한 사실은 더 이상 같은 사실이 아니다.

여러 에이전트가 같은 결론을 말해도 같은 근거를 본 것은 아니다

각 에이전트가 독립적인 text context와 vector-RAG만 사용하면 동일한 주장에 대해 서로 다른 evidence set을 가진 채 reasoning한다. 이때 다수결은 과학적 합의처럼 보이지만 실제로는 같은 오류를 반복 인용한 결과일 수 있다.

Co-Scientist 연구가 향후 과제로 claim을 source의 구체적인 data나 figure까지 추적하는 provenance capability를 강조하는 것도 이 문제와 맞닿아 있다.

신약개발의 진실은 대부분 조건부 진실이다

“Compound X is active against Target Y”는 실제 연구질문의 일부에 불과하다. 과학적으로 필요한 질문은 더 길다. 어떤 변이에서, 어떤 assay로, 어느 세포계에서, 어떤 농도와 시간에 효과가 있었으며, 독립 재현과 반대 evidence는 존재하는가.

따라서 연구문제는 멀티모달 데이터 \(D\), 연구목표 \(g\), 전문 에이전트 \(A\), 모델·도구 \(T\)가 주어졌을 때 동적으로 변화하는 HRKG \(G_H\)를 만들고, 모든 주요 claim이 provenance와 qualifier를 가진 evidence path로 설명되도록 하면서 좋은 가설과 실험을 선택하는 문제로 정식화할 수 있다.

2025–2026 문헌에서 보이는 네 번의 이동

이 네 흐름을 하나의 문장으로 묶으면 간단하다. Foundation model이 과학현상을 읽고, HRKG가 조건부 지식을 기억하며, multi-agent system이 그 기억을 이용해 가설을 만들고, 실험이 다시 그래프의 믿음 상태를 수정한다.

왜 일반 KG가 아니고, 왜 하나의 모델도 아닌가

왜 HRKG인가

동일한 drug–target relation도 assay type, endpoint, mutation, species, cell context에 따라 해석이 달라진다. HRKG는 이 조건을 관계의 주변 메모가 아니라 사실의 일부로 만든다. 그 차이는 그래프 표현의 편의성보다 scientific validity의 차이다.

왜 multi-agent인가

한 개의 신약개발 가설에도 medicinal chemistry, structural biology, molecular biology, genomics, toxicology, pharmacology가 얽힌다. 전문 에이전트를 분리하는 이유는 역할극이 멋있어서가 아니라 서로 다른 전문지식과 검증도구를 명시적으로 배치할 수 있기 때문이다.

왜 multimodal foundation model인가

“EGFR inhibitor 후보를 찾아라”라는 질문은 문헌만으로 끝나지 않는다. 단백질 sequence와 pocket geometry, compound structure, measured affinity, mutation, expression, pathway context가 함께 필요하다.

왜 shared HRKG memory인가

멀티에이전트 시스템의 위험한 실패는 여러 에이전트가 같은 오류에 동의해 synthetic consensus를 만드는 것이다. 공유 HRKG는 합의 숫자 대신 독립 evidence, 조건 차이, 반례, provenance를 중심으로 논쟁하게 만든다.

추천 아키텍처: Epistemic HRKG를 중앙 scientific state로 둔다

Hypothesis도 그래프의 first-class object가 되어야 한다

기존 \((h,r,t,Q)\)에 더해 신약개발용 HRKG는 적어도 다음 정보를 다뤄야 한다.

여기서 한 단계 더 나아가 Hypothesis 자체를 node 또는 first-class statement로 표현하면 Co-Scientist의 기억이 대화 로그가 아니라 진화하는 hypothesis–evidence graph가 된다.

Qualifier-aware representation learning과 Agentic RAG

MAYPL은 HKG의 구조 자체를 이용해 representation을 만들고 새로운 entity·relation에 대한 inductive inference를 수행한다. 신약개발처럼 신규 표적과 신규 화합물이 계속 등장하는 환경에 잘 맞는 성질이다. HyperSAT은 subgraph, connectivity, directionality를 함께 반영하는 구조 인식 Transformer를 제안한다.

시간축에는 VITA 같은 temporal HRKG 접근이 유용하다. 새로운 evidence가 등장할 때 과거 사실을 삭제하는 대신 validity interval을 조정하거나 confidence를 갱신하는 편이 과학적 기록에 가깝다. 불완전한 statement를 생성하는 KREPE류 접근은 missing entity뿐 아니라 missing qualifier를 포함한 complete fact generation으로 문제를 확장한다. 다만 생성된 qualifier와 관찰된 qualifier를 동일하게 취급해서는 안 된다.

GraphRAG 역시 질문의 문법이 달라져야 한다. “EGFR에 작용하는 약물은?”에서 멈추지 않고 “EGFR L858R/T790M, human lung cancer cell, IC50<100 nM, 독립 출처 2개 이상, 최근 반대 evidence 없음”처럼 조건부 query를 다루어야 한다. CLADD가 biomedical KB를 여러 agent가 동적으로 검색한다면, 다음 연구단계는 이를 qualifier-aware epistemic retrieval로 확장하는 것이다.

동의보다 반증을 먼저 찾는 에이전트 구조

Co-Scientist의 generate–debate–evolve를 신약개발용으로 강화한다면 Critic Agent에게 단순히 “틀린 부분을 찾아라”라고 요청하는 것보다, HRKG에서 반대 evidence path를 의무적으로 검색시키는 편이 훨씬 강하다.

이 구조의 연구적 핵심은 “에이전트 수”가 아니라 falsification이 architecture의 필수 연산자로 들어간다는 점이다.

일곱 개의 병목

검증 가능한 질문으로 바꾸어야 연구가 된다

특히 RQ1과 RQ6를 결합하면 연구가 강해진다. “HRKG를 썼다”가 아니라 qualifier와 counter-evidence representation이 AI scientist의 과학적 판단을 개선한다는 falsifiable hypothesis를 만들 수 있기 때문이다.

신약개발 파이프라인에서 HRKG가 실제로 쓰일 자리

Target identification & validation

disease–gene association뿐 아니라 tissue, disease stage, perturbation condition, evidence type을 qualifier로 보존할 수 있다. Co-Scientist가 liver fibrosis target discovery를 다룬 것은 AI-driven hypothesis generation의 실제 사례가 된다.

Drug repurposing

Drug–Disease edge 하나를 찾는 대신 dosage, phenotype, patient context, assay evidence, contraindication을 함께 reasoning할 수 있다. Co-Scientist의 AML repurposing과 MedKGent의 evolving medical KG가 이 방향에 연결된다.

Hit discovery & selection

Boltz-2 같은 structure/affinity model의 prediction을 “predicted evidence”로 명시해 저장하고, ChEMBL assay, target mutation, novelty, toxicity evidence와 함께 비교한다. 모델 예측값이 관찰값으로 위장하지 않도록 epistemic status가 중요해진다.

Hit-to-lead & lead optimization

potency 개선을 한 숫자로만 보지 않고 assay context와 compound series 안에서 관리한다. affinity, selectivity, ADMET, synthesis cost를 서로 다른 evidence source와 함께 연결하면 최적화의 이유를 추적할 수 있다.

Protein / antibody design

Virtual Lab이 보여준 것처럼 sequence–structure–binding evidence와 specialist tools를 결합해 후보를 설계할 수 있다. HRKG를 추가하면 어떤 설계 결정이 어떤 구조 prediction과 논문 evidence에 근거했는지 남길 수 있다.

Institutional scientific memory

실패한 compound, negative assay, 폐기된 hypothesis까지 보존하는 것은 논문 benchmark보다 실제 pharmaceutical R&D에서 더 큰 가치가 있을 수 있다. 조직은 성공보다 실패를 더 쉽게 잊기 때문이다.

아직 benchmark가 연구문제를 따라오지 못한다

1. Benchmark 부재. HRKG 연구는 주로 Wikidata 계열 link prediction을, drug-discovery agent 연구는 별도 biomedical benchmark를 사용한다. qualifier-rich biomedical HRKG와 multi-agent scientific reasoning을 동시에 평가하는 표준 benchmark가 거의 없다.
2. Qualifier truth problem. qualifier 자체가 LLM extraction이나 model prediction일 수 있다. 그래프에 저장되었다는 사실과 관찰된 사실을 구분해야 한다.
3. Negative-result scarcity. 실패한 assay와 부정적 결과가 공개되지 않으면 publication bias가 graph와 agent reasoning에 그대로 들어온다.
4. Causal grounding. KG completion은 대개 relation prediction을 평가하지만 신약개발의 최종 질문은 “intervention하면 phenotype이 바뀌는가”에 가깝다.
5. Prospective evaluation. AUROC, MRR, Hits@K보다 중요한 것은 AI가 제안한 새로운 가설이 실제 실험에서 얼마나 살아남는가다. Co-Scientist와 Virtual Lab의 prospective validation이 중요한 까닭이다.

무엇이 사실인가보다, 왜 사실이라고 믿는가를 기록한다

일반 HRKG가 관계의 조건을 표현한다면 Epistemic HRKG는 누가, 어떤 증거로, 어느 정도 확신으로, 언제, 어떤 상태로 그 사실을 믿고 있는지까지 표현한다. observed, predicted, hypothesized, replicated, contradicted, refuted를 구분하면 “모델이 말했다”와 “실험이 확인했다”가 같은 문장으로 뭉개지는 문제를 막을 수 있다.

가장 발전 가능성이 높은 여섯 방향

가장 강한 연구질문은 ‘더 복잡한 KG인가’가 아니다

한국어로 풀면 이렇다. HRKG를 여러 AI 에이전트의 공용 저장소가 아니라 가설·근거·반증·실험조건·시간·불확실성을 관리하는 공유 인식론적 기억으로 만들었을 때, AI Co-Scientist의 가설 품질과 실제 발견 성공률을 향상시킬 수 있는가.

여기서 연구기여는 기술 이름의 조합이 아니다. ① Epistemic HRKG, ② Counter-evidence/Falsifier Agent, ③ multimodal foundation-model tool ensemble, ④ qualifier-aware Agentic RAG, ⑤ prospective experiment를 통한 HRKG belief revision을 하나의 falsifiable system hypothesis로 묶는 데 있다.

결국 AI 과학자가 배워야 할 것은 ‘정답’보다 ‘조건’이다