분자를 예측하는 AI에서
증거에 따라 믿음과 전략을
함께 바꾸는 연구동료로

새로운 것은 Mol-JEPA와 WikiSkill이다

이번 추적은 이전에 다룬 MolEmb, MAP, GUIA, AIntibody, AgentFold, FrontierChallenge, SymbolLKG, BioProAgent, ABE-Ralph과 중복되지 않는 신규 항목을 찾는 데 초점을 맞춘다. source memo가 확인한 가장 중요한 두 항목은 신약개발에 직접적인 Mol-JEPA와 belief revision/self-improvement architecture에 인접한 WikiSkill이다.

동시에 source는 8월 28–31일 사이에 새로 공개된 엄격한 의미의 drug-specific Neuro-Symbolic multi-agent Co-Scientist 논문은 이번 검색범위에서 추가 확인되지 않았다고 명시한다. 따라서 아래의 통합 구조는 이미 완성된 하나의 논문을 요약한 것이 아니라 두 연구흐름을 결합해 도출한 후속 연구방향이다.

보이는 modality로 보이지 않는 modality를 예측한다

Mol-JEPA: A Multimodal Joint Embedding Predictive Architecture for Molecules는 arXiv v1이 2026년 8월 23일, 중요한 최신 버전 v2가 8월 27일 공개됐다. source에 따르면 약 469만 개 unique compound를 포함하는 multimodal pretraining corpus를 구성하며, molecular structure, cellular phenotype, binding affinity, ADMET, quantum chemistry simulation 등 서로 다른 biochemical modality를 함께 다룬다.

학습의 핵심은 atom이나 bond 몇 개를 가리는 방식이 아니다. 하나의 modality 전체를 무작위로 mask하고 나머지 modality에서 그 latent representation을 예측한다. 저자들은 이를 molecular world model을 향한 접근으로 정의한다.

작은 구조변형을 마스킹하는 것과 ‘관측되지 않은 생화학 상태’를 추론하는 것은 다르다

source memo는 conventional molecular SSL의 atom/bond masking이 실제 화학성질을 바꿀 수 있는 작은 구조변형을 학습신호로 사용한다는 문제와, contrastive learning에서 negative sampling이 갖는 문제를 지적한다. Mol-JEPA는 이를 피하기 위해 whole-modality latent prediction을 사용한다.

이 차이는 representation의 의미를 바꾼다. 목표가 단순히 “이 molecule의 구조를 잘 압축하는 embedding”이 아니라 “이 분자가 특정 생물학적 환경에서 어떻게 행동할지를 다른 modality로부터 예측하는 latent state”에 가까워진다.

hit selection부터 low-data assay prediction까지

source는 Mol-JEPA가 hit selection, lead optimization, ADMET prediction, activity-cliff 탐색, scaffold/OOD generalization, 저데이터 assay 예측에 중요한 의미를 가질 수 있다고 본다.

다만 가장 중요한 연구적 확장은 성능 응용목록보다 Neuro-Symbolic Co-Scientist와의 연결이다. 현재 Mol-JEPA 자체는 Neuro-Symbolic system도 Co-Scientist도 아니다. 따라서 latent state를 다음과 같은 explicit predicate로 grounding하는 문제가 열린다.

이 predicate를 assay, dose, cell line, mutation, source, uncertainty qualifier를 가진 Epistemic HRKG에 연결하면 neural prediction이 검증가능한 scientific state로 승격될 수 있는 구조가 생긴다.

optimization history 속에 흩어지던 경험을 별도 knowledge layer로 컴파일한다

WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution은 2026년 8월 27일 공개됐다. 신약개발 전용 연구는 아니지만 self-improving AI Co-Scientist와 belief revision 관점에서 중요하다.

기존 skill evolution은 성공·실패 trajectory에서 곧바로 새 skill을 만들기 때문에 과거 경험에서 얻은 지식이 optimization history 곳곳에 흩어진다는 문제가 있다. WikiSkill은 이를 raw execution experience → persistent knowledge → executable skill로 분리한다. 실행경험을 wiki 형태의 persistent knowledge base로 계속 축적하고, 이후 skill evolution이 이 knowledge를 다시 사용한다.

source는 다양한 model에서 no-skill 및 기존 skill-evolution 방법보다 향상됐고, 한 model에서 진화시킨 skill을 다른 model family로 이전할 수 있다는 결과도 보고한다고 요약한다.

경험은 남지만 ‘과학적 증거’의 형식은 아직 부족하다

drug-discovery Co-Scientist에 그대로 쓰기에는 결정적인 정보가 빠져 있다. WikiSkill의 knowledge는 아직 scientific provenance, experimental condition, counter-evidence, uncertainty, negative result, hypothesis status를 명시적으로 표현하지 않는다.

이 한계는 오히려 연구기회를 만든다. docking failure, MD instability, FEP disagreement, assay false positive, hERG toxicity, synthesis failure를 단순 execution log로 저장하지 않고 Epistemic HRKG의 structured evidence로 변환한다. 그리고 검증된 경험만 다음 tool-use skill이나 experimental policy를 변경하도록 제한하면 self-improvement와 scientific accountability를 연결할 수 있다.

world state와 self-improvement memory를 함께 보면 더 강한 구조가 보인다

Mol-JEPA는 “분자와 생물학적 환경의 상태를 어떻게 neural world model로 학습할 것인가”를 전진시킨다. WikiSkill은 “실행 후 얻은 경험을 어떻게 장기 지식으로 축적하여 다음 행동을 바꿀 것인가”를 전진시킨다.

그러나 둘 사이에는 explicit scientific logic과 falsification이 없다. latent prediction이 어떤 조건에서 scientific claim이 되는지, 상충증거가 들어왔을 때 어떤 belief를 폐기·수정해야 하는지, negative result가 이후 policy에 어떤 방식으로 반영되어야 하는지는 별도 구조가 필요하다.

neural state를 증거가 달린 symbolic belief로 변환한다

source memo는 이 구조를 기존의 “Foundation Model + KG-RAG”보다 더 강한 결합으로 본다. 핵심 차이는 KG가 단순 retrieval substrate가 아니라 neural world state를 검증가능한 belief state로 바꾸는 epistemic control layer가 된다는 점이다.

self-improvement의 단위를 답변이 아니라 hypothesis belief로 바꾼다

source가 제안하는 가장 강한 후속 방향은 Epistemic Neuro-Symbolic Molecular World Model for Self-Improving AI Co-Scientists이다. multimodal molecular world model은 관찰되지 않은 생물학적 상태를 예측한다. Epistemic HRKG는 그 예측의 condition, source, counter-evidence, uncertainty를 저장한다. symbolic/causal solver는 어떤 결론이 허용되는지 검증한다.

실제 docking, MD/FEP, ADMET, assay 결과가 들어오면 persistent knowledge와 agent skill만 업데이트하는 것이 아니라 hypothesis belief 자체가 수정되어야 한다. 이때 negative result는 실패로그가 아니라 다음 연구정책을 바꾸는 first-class evidence가 된다.

예측정확도에서 belief revision capability로

이 질문은 모델 성능, KG retrieval, agent skill evolution을 따로 평가하는 대신 scientific state transition의 정합성을 평가하게 만든다. 무엇을 예측했는지뿐 아니라 어떤 근거로 믿었고, 어떤 반증 때문에 belief가 바뀌었으며, 그 변화가 다음 실험선택에 어떻게 반영됐는지를 추적해야 한다.

현재 문헌이 직접 입증한 범위와 후속연구를 구분한다

• Mol-JEPA는 molecular world model을 향한 multimodal latent prediction을 제안하지만 Neuro-Symbolic Co-Scientist 자체는 아니다.
• WikiSkill은 persistent knowledge를 활용한 skill evolution을 제안하지만 scientific provenance와 falsification을 모델링하지 않는다.
• 두 연구를 Epistemic HRKG, symbolic/causal solver, Falsifier Agent, wet/computational experiment와 통합한 drug-specific system은 이번 source의 검색범위에서 직접 확인되지 않았다.
• 따라서 본 글의 통합 architecture는 source가 도출한 연구방향이며, 이미 실증된 단일 시스템의 결과로 읽어서는 안 된다.

연구공백을 과장하지 않는 것 자체가 epistemic system이 가져야 할 첫 번째 태도이다.

self-improving Co-Scientist는 더 많은 skill이 아니라 더 나은 belief revision을 가져야 한다

Mol-JEPA는 분자와 생물학적 환경 사이의 보이지 않는 상태를 예측하는 neural substrate를 강화한다. WikiSkill은 실행경험을 persistent knowledge로 컴파일해 future skill evolution에 재사용하는 memory substrate를 강화한다.

이 두 substrate 사이에 scientific logic, provenance, falsification, negative-result memory를 넣으면 예측하는 molecular model과 학습하는 agent가 하나의 과학적 belief-revision system으로 연결될 수 있다. 현재 source가 지목하는 가장 높은 신규성의 연결고리는 바로 여기에 있다.