과학 모델을 하나 더 붙이는 것이 아니라
서로 검증하게 만들고,
실제 제약 R&D로 연결한다

SymFold: Synergizing Evolutionary and Structural Priors for Accurate Protein Inverse Folding은 주어진 3D protein structure에서 적절한 amino-acid sequence를 설계하는 inverse folding 문제를 다룬다. 기존의 전형적 구조는 `3D structure encoder → coarse sequence → protein language model refinement`처럼 직렬적이다. 이 경우 뒤쪽 PLM은 이미 잘못 만들어진 초기 sequence를 부분수정하는 역할에 머무를 수 있다.

SymFold는 이를 바꾸어 PLM의 evolutionary sequence prior와 multimodal protein language model(MPLM)의 structural prior가 대칭적인 dual-path 구조에서 반복적으로 서로의 prediction을 수정하게 한다. 표준 inverse-folding benchmark에서 기존 방법을 넘어서는 성능을 보고한다.

차별점은 “더 큰 multimodal protein foundation model 하나”가 아니라 서로 다른 pretrained scientific prior를 iterative reasoning loop로 결합한다는 데 있다. AI Co-Scientist 관점에서는 Boltz 계열 구조모델, protein LM, sequence-design model을 단순 순차호출하는 대신 결과가 수렴할 때까지 서로의 결과를 반복 검증·수정하는 구조로 확장할 수 있다.

적용 가능성이 큰 영역은 protein binder design, enzyme engineering, biologics design, target-specific protein engineering이다. 다만 현재 SymFold는 inverse-folding benchmark 중심이며 target–binder affinity, developability, ADMET, prospective wet-lab validation까지 연결한 연구는 아니다.

이 방향을 Multi-Foundation-Model Scientific Agent라고 볼 수 있다. 즉 tool orchestration을 넘어 foundation model 사이의 반복적 협업 자체를 최적화하는 연구공간이다.

2026년 9월 2일, Boehringer Ingelheim은 Owkin의 K Pro AI Scientist와 multimodal patient data를 oncology와 immunology 연구에 사용한다고 발표했다. 이는 논문이 아니라 실제 산업배치 동향이며, 2025년 tumor microenvironment pilot에서 확대된 협력이다.

K Pro는 한 환경에서 복잡한 데이터를 질의하고 재현 가능한 분석을 수행하며 human-led analysis뿐 아니라 hypothesis generation, testing, prioritization을 수행하는 self-driven campaign도 지원한다고 Owkin은 설명한다.

K Pro의 의미는 molecule-centric pipeline보다 human-biology-first Co-Scientist에 가깝다는 점이다. Natural-language interface를 통해 hypothesis generation, biomarker discovery, mechanism exploration, patient stratification을 지원하고, disease biology를 실제 translational decision으로 연결한다.

현재 공개자료만으로 K Pro를 wet-lab result를 받아 다음 실험을 자율적으로 선택하고 반복하는 완전한 closed-loop experimental scientist로 보기는 어렵다. Owkin도 현재 시스템을 연구 의사결정과 insight generation 중심으로 설명하며 장기적으로 더 높은 자율성을 목표로 한다.

가장 큰 연구공백은 multimodal patient evidence → causal target hypothesis → molecule design → prospective experiment를 하나의 loop로 묶는 것이다. Patient-level evidence에 source, population, disease stage, assay condition, temporal context를 부착하는 Hyper-Relational Epistemic Graph가 유망한 연결층이 된다.

argenx는 자사 과학자들이 수행한 경쟁평가를 거쳐 BenchSci의 EMET agentic research environment를 2년간 전사적으로 도입하기로 했다. EMET은 preclinical, computational, drug-development workflow에서 data, model, software package, workflow, scientific reasoning을 하나의 환경에 연결한다.

또한 clinical data, preprints, proprietary knowledge graph 등을 이용해 multi-step scientific workflow와 traceable insight를 제공한다고 설명한다.

차별점은 benchmark accuracy보다 operational trust다. 실제 제약사 연구자들이 경쟁평가 후 채택했다는 사실은 앞으로 Agentic AI의 평가축이 QA accuracy에서 scientist acceptance, provenance, workflow completion, reproducibility로 이동할 가능성을 보여준다.

신약개발에서는 특히 Target Identification/Validation과 Preclinical Evidence Synthesis에 직접적인 의미가 있다. 질병기전, pathway, target, experiment, clinical evidence를 여러 출처에서 연결해야 하는 영역이기 때문이다.

그러나 retrieval한 모든 evidence를 동등하게 다뤄서는 안 된다. 논문, preprint, cell assay, animal study, clinical data는 epistemic weight가 다르다. 따라서 필요한 것은 단순 similarity score가 아니라 다음과 같은 Epistemic Agentic RAG다.

오늘의 세 결과는 서로 다른 층을 강화한다.

현 시점에서 신규성이 높은 통합 방향은 Multimodal Epistemic Drug-Discovery Co-Scientist로 정의할 수 있다. 이것은 현재 존재하는 단일 제품이나 논문 이름이 아니라, 이번 세 신호를 연결한 연구방향이다.

AI Co-Scientist의 다음 경쟁력은 “하나의 모델이 얼마나 똑똑한가”보다, 서로 다른 scientific prior를 가진 모델들이 얼마나 잘 협력하고, 실제 환자·실험 증거의 질을 얼마나 엄격하게 관리하며, 그 결과를 다음 실험과 belief revision으로 얼마나 신뢰성 있게 연결하는가에 달려 있다.