가설을 더 많이 만드는 AI에서
그 가설을 정당화할 수 있는
증거구조를 요구하는 AI로

현재 biomedical KG나 LLM 기반 evidence extraction은 흔히 Drug — TREATS → Disease 같은 관계만 남기고 dose, effect size, population, comparator, experimental condition, uncertainty, provenance를 잃는다. Quantitative Evidence Mining perspective paper는 autonomous biomedical AI에서 이 relation-centric representation이 위험할 수 있다고 지적한다.

저자들이 요구하는 단위는 단순 edge가 아니라 검증 가능한 quantitative evidence object다. 값·단위·측정대상·실험조건·불확실성·출처·plausibility를 함께 구조화하고, source grounding, unit consistency, completeness, biological plausibility까지 검사해야 한다.

기존 HRKG가 (head, relation, tail, qualifiers)를 저장한다면, 여기서 qualifier는 더 이상 장식적인 metadata가 아니다. “이 claim이 과학적 evidence로 인정될 수 있는 조건” 자체가 된다.

이렇게 해야 autonomous system, evidence synthesis, KG construction에서 하나의 claim을 auditable evidence unit으로 다룰 수 있다.

일반 KG가 상충하는 assay 결과를 모두 같은 ACTIVE relation으로 평탄화할 수 있는 반면, quantitative evidence HRKG는 “어떤 조건에서 얼마나 강하게 지지되는가”를 보존한다. 그 결과 Falsifier Agent가 실제 반증 가능한 비교를 수행할 수 있다.

Quantitative Epistemic HRKG for Falsifiable Drug Discovery

이 구조를 first-class object로 만들고 symbolic verifier가 unit inconsistency, assay incompatibility, context mismatch, unsupported extrapolation을 자동 검출하도록 하는 것이 가장 강한 후속 연구기회다.

이는 Proof-Carrying Hypothesis를 한 단계 더 엄격한 Evidence-Carrying Hypothesis로 확장한다.

두 번째 연구는 LLM agent를 실제 therapeutic hypothesis generation에 사용한다. 41개 human tissue·fluid의 모든 820개 pair를 자동 비교하고 tissue-specific protein co-abundance network를 만든 뒤 consensus network와 conserved cluster를 탐색한다.

이후 Human Protein Atlas, STRING, hu.MAP 3.0, GO, KEGG, Open Targets, Europe PMC의 evidence를 통합하며 brain–gut, liver–bone marrow 등의 mechanistic hypothesis를 제안한다.

LLM은 단순 설명문을 생성하지 않는다. network construction에서 filtering parameter와 threshold를 조정하고, network topology와 modularity를 확인하면서 반복적으로 network를 재구성한다. 이후 HPA·STRING·hu.MAP·GO·KEGG를 RAG로 질의하고, 마지막에 Open Targets와 Europe PMC를 통해 disease association과 novelty를 평가한다.

신약개발 관점에서는 특히 target identification / target validation에 중요하다. 기존 AI Co-Scientist가 이미 알려진 target–disease relation을 검색하는 데 머무를 수 있었다면, 이 연구는 서로 비교되지 않았던 tissue pair를 대규모로 탐색하고 graph/network 구조에서 새로운 target hypothesis를 생성한다.

저자들은 agent를 biological conclusion의 autonomous source가 아니라 evidence-integration and hypothesis-organization layer로 제한한다. 실제 causal validation이나 symbolic falsification은 포함하지 않는다.

또한 novelty는 주로 Europe PMC publication volume 등을 이용해 평가되며, “새롭다”와 “인과적으로 타당하다”를 구분하는 formal mechanism은 없다.

Causal Epistemic HRKG–guided Cross-Tissue Target Discovery

co-abundance graph를 곧바로 target evidence로 간주하지 않고 다음 relation type을 분리해야 한다.

Causal Agent는 intervention·perturbation evidence를 요구하고, Counter-Evidence Agent는 다음을 검증해야 한다.

이렇게 해야 correlation-driven hypothesis를 실제 falsifiable target hypothesis로 승격시킬 수 있다.

이 구조에서 중요한 것은 symbolic solver가 마지막 설명단계에 붙는 것이 아니라, 가설이 성립하기 위해 필요한 evidence condition을 계산하고 반대증거를 요구하는 제어기로 작동한다는 점이다.

한국어로는 다음과 같다. 정량적·조건부 evidence를 HRKG에 명시적으로 표현하고 causal/symbolic verifier로 검증했을 때, AI Co-Scientist가 만들어내는 상관관계 기반 target hypothesis를 실제 반증 가능한 scientific belief로 바꿀 수 있는가?