더 큰 모델보다,
증거와 실험을 연결하는 시스템이 중요해진다

187,089 drugs · 22,924 genes · 694,246 mechanistic relationships

Feng et al.의 A knowledge-driven framework for predicting single-cell responses for unprofiled drugs는 14개 공개 자원에서 187,089개 drug, 22,924개 gene, 694,246개 mechanistic relationship을 통합한 MAP-KG를 구축하고 pretrained single-cell foundation model과 결합한다.

핵심은 transcriptional perturbation data가 전혀 없는 신규 drug에 대해서도 zero-shot cellular response를 예측하도록 설계했다는 데 있다. supplied update가 정리한 unprofiled-drug 조건의 개선폭은 다음과 같다.

기존 single-cell FM이 주로 대규모 perturbation data의 패턴을 학습했다면 MAP은 Foundation Model + Mechanistic Knowledge Graph라는 별도의 inductive bias를 추가한다. update에 따르면 MAP-KG의 knowledge scale이 증가할수록 zero-shot 성능이 단조롭게 향상됐고, drug–gene mechanistic edge를 제거했을 때 성능 저하가 가장 컸다.

Docking score를 넘어 cellular consequence까지

신약개발 Co-Scientist의 관점에서 이 연결은 중요하다. 새로운 compound를 평가할 때 molecular property와 binding score에 머무르지 않고, target/pathway를 거쳐 세포상태와 transcriptomic response까지 이어지는 virtual-cell agent를 도구로 사용할 수 있기 때문이다.

하지만 supplied update가 지적하는 연구공백은 명확하다. MAP의 prediction을 다음 실험 선택으로 연결하는 agentic loop는 아직 없다. 따라서 다음 단계는 다음과 같이 정리할 수 있다.

29개 조직 · 511개의 AI-designed/predicted antibodies

Erasmus et al.의 Nature Biotechnology 연구는 29개 조직이 제출한 511개의 AI-designed/predicted antibodies를 실제로 합성하고 affinity와 developability를 blind condition에서 측정했다. 일부 방법은 100 pM 미만 affinity의 developable antibody를 만들었다.

그러나 성공은 task 사이에서 안정적으로 전이되지 않았다. 특히 clustered HCDR3 data에서 high-affinity clone을 찾는 문제에서는 한 모델을 제외하면 random clone picking보다도 못한 경우가 보고됐다. 따라서 이 연구의 핵심은 특정 antibody model의 승리보다 evaluation paradigm의 변화에 있다.

좋은 답을 생성했는지가 아니라, 실제 독립 실험에서 성공했는가

이 질문을 Co-Scientist에 적용하면 benchmark의 단위가 바뀐다. 가설 생성, 후보 선택, 실험설계, 결과해석을 blind prospective setting에서 함께 평가해야 한다. supplied update는 AI Co-Scientist를 위한 CASP/AIntibody형 prospective benchmark가 아직 없다는 점을 중요한 연구공백으로 제시한다.

이것은 단순 benchmark engineering이 아니다. Co-Scientist의 평가기준을 language quality와 retrospective metric에서 experimental consequence로 옮기는 연구문제다.

Agent 수를 늘리는 것이 아니라 조직의 경계를 넘는다

Cheong et al.의 GUIA(Guided-research Utilizing Intelligent Agents)는 baseline agent뿐 아니라 third-party single-agent integration, third-party multi-agent integration, cross-server collaboration까지 평가한다. 사례로 therapeutic target discovery, drug discovery, spatial proteomics가 제시된다.

Supervisor
 ├─ Agent A
 ├─ Agent B
 └─ Agent C

Scientific Objective
      │
 ┌────┼────┐
 ▼    ▼    ▼
Target Structure Omics
  │      │      │
  └── A2A Network ──┘

신약개발에서는 이 방향이 특히 현실적이다. target discovery, AlphaFold/Boltz 계열 구조예측, docking/FEP, ADMET, pathology, clinical evidence system의 최적 모델이 한 조직에서 모두 개발될 이유는 없다. 따라서 Co-Scientist의 경쟁력은 개별 agent 성능뿐 아니라 외부 전문 agent를 얼마나 안전하게 조합하는가에도 달려 있다.

A와 B가 충돌하면 누가 맞는가

interoperability만 해결하면 다음 문제가 즉시 등장한다. Agent A와 B가 서로 다른 결론을 내릴 때 단순 majority voting은 충분하지 않다. supplied update는 provenance, uncertainty, model calibration, experimental evidence를 함께 사용하는 scientific arbitration mechanism을 다음 연구과제로 제안한다.

즉 A2A protocol의 다음 층은 communication protocol이 아니라 epistemic protocol이다. 어떤 evidence가 어떤 조건에서 만들어졌고, 얼마나 calibration되어 있으며, 실제 실험과 얼마나 가까운지를 공유해야 한다.

재학습 없이 inference strategy만 바꾼다

Zhou et al.의 arXiv 연구는 sequence와 structure를 함께 학습한 multimodal protein language model에서 모델을 다시 학습시키지 않고 inference strategy를 바꾸어 성능을 개선할 수 있는지를 분석한다. 세 종류의 multimodal pLM, 네 개 task에서 vanilla sampling, task-specific classifier-free guidance, reward-guided beam search를 비교했다.

supplied update의 요지는 default decoding이 상당히 suboptimal할 수 있고, task별 inference strategy가 성능 상한을 크게 바꿀 수 있다는 것이다.

Tool Selection Agent가 meta-controller로 진화한다

이 관점에서는 tool selection이 model endpoint 선택으로 끝나지 않는다. drug-design objective, uncertainty, cost budget을 고려해 model과 inference policy를 함께 최적화하는 Scientific Inference Controller가 필요하다.

supplied update는 이러한 inference-time control을 drug-design objective·uncertainty·cost와 연결하는 agentic meta-controller가 아직 거의 없다는 점을 연구공백으로 든다.

고정 representation에서 conditional representation으로

Zhao et al.의 MolEmb은 multimodal LLM을 molecular QA/generation model로만 쓰지 않고 general molecular embedding model로 활용하는 방향을 제시한다.

같은 molecule이라도 BBB permeability, kinase inhibition, mitochondrial toxicity, synthetic similarity라는 목적에 따라 필요한 representation이 다를 수 있다. MolEmb은 molecular profile과 textual description을 bidirectional contrastive objective로 정렬하고, context-aware retrieval을 평가하기 위한 MolCAR benchmark도 제안한다.

Agent가 검색대상뿐 아니라 retrieval space 자체를 바꾼다

Query:
“KRAS G12D inhibitor에서
 cell permeability를 개선할 analog를 찾아라”

        ↓
Context-conditioned Molecular Retrieval
        ↓
structure similarity
+ permeability relevance
+ target evidence
+ assay condition

기존 drug-discovery RAG가 generic vector similarity에 의존한다면, context-conditioned representation은 agent가 질문에 따라 검색공간 자체를 바꾸는 방향을 가능하게 한다. supplied update가 제시하는 연구공백은 protein, pocket, assay, phenotype, literature evidence까지 포함하는 multimodal conditional retrieval로 확장하고 실제 hit-selection 성능에서 검증하는 것이다.

Agentic AI + laboratory automation → adaptive DMTA

supplied update는 2026년 8월 19일 Nature Chemical Biology의 Entering the agentic era of AI in drug discovery를 field-level signal로 제시한다. 이 Comment는 최근 방향을 agentic AI + laboratory automation → closed-loop adaptive Design–Make–Test–Analyze(DMTA)로 정리한다.

중요한 것은 closed loop가 단순 자동화의 동의어가 아니라는 점이다. Design과 Make 사이, Test와 Analyze 사이에서 hypothesis와 confidence가 실제 결과에 따라 바뀌어야 한다. 따라서 실험 피드백이 다음 선택을 바꾸는 구조가 핵심이다.

일곱 요소의 결합

현재의 가장 큰 연구공백은 Knowledge Graph + Foundation Model + Multi-Agent + Prospective Experiment를 하나의 시스템으로 결합하는 문제다. MAP은 knowledge-grounded virtual cell을, GUIA는 interoperability를, AIntibody는 prospective validation을 각각 전진시켰다. supplied update는 세 요소를 동시에 만족하는 Co-Scientist가 아직 보이지 않는다고 정리한다.

Epistemic Multimodal AI Co-Scientist

이 정의를 시스템 구조로 풀면 다음과 같다.

이 방향에서 “더 큰 모델”은 충분조건이 아니다. 증거를 어떻게 연결하고, 어떤 모델을 언제 어떤 inference policy로 호출하며, 실제 실험으로 어떻게 틀렸음을 확인하는가가 더 직접적인 연구문제가 된다.

이번 업데이트에서 가져갈 여섯 문장

• Virtual cell은 perturbation data 패턴학습만이 아니라 mechanistic KG를 결합하는 방향으로 진화하고 있다.
• AI drug discovery의 평가기준은 retrospective score만으로는 부족하며 prospective blind wet-lab evaluation이 중요해진다.
• Scientific multi-agent는 한 조직 내부의 닫힌 orchestration에서 cross-server interoperable network로 확장되고 있다.
• Foundation model selection 다음에는 inference policy와 compute budget을 함께 제어하는 meta-controller가 필요하다.
• Molecular retrieval은 molecule당 고정 representation에서 context-conditioned representation으로 이동할 가능성이 있다.
• 차세대 Co-Scientist의 중심은 생성능력 자체보다 evidence–simulation–experiment–revision의 폐루프를 얼마나 신뢰성 있게 닫는가에 있다.