더 많은 Agent보다
더 독립적인 증거와 더 검증 가능한 믿음

AdaptiveFlow는 약 690억 개 규모의 Enamine REAL Space를 screening-ready 형태로 제공하고, 18차원 molecular-property space를 이용하는 Adaptive Target-Guided Virtual Screening(ATG-VS)으로 유망한 화학공간을 먼저 좁힌다. 선택적으로 active learning을 결합하면 이전 docking 결과로 ML model을 재학습하고 다음 screening batch를 다시 고른다.

핵심 차이는 전체 chemical space를 동일한 비용으로 탐색하지 않고, 관측결과에 따라 다음 탐색공간을 수정한다는 점이다. 5백만 compound benchmark에서 10만 개만 screening한 ATG + active-learning 설정이 100만 개 random screen보다 더 높은 enrichment를 보였다.

전체 690억 compound 환경에서는 최대 약 1,000배의 screening 비용 감소가 보고된다. FSP1과 PARP1에 대해 실제 후보를 검증했고, FSP1에서는 nanomolar inhibitor와 co-crystal structure를 확보했다.

현재 acquisition decision은 molecular properties와 ML prediction 중심이다. 이를 symbolic chemical/biological constraint와 Epistemic HRKG evidence state로 확장하면 다음 batch selection을 단순 predicted affinity가 아니라 다목적 constrained decision problem으로 만들 수 있다.

이렇게 확장하면 source가 제안하는 실행루프는 다음과 같이 된다.

Epistemic Sybil Resistance — Multiplying AI Agents Without Multiplying Evidence는 multi-agent evidence aggregation의 구조적 오류를 수학적으로 문제 삼는다. 동일 논문이나 동일 실험결과를 여러 agent가 독립적으로 읽고 같은 결론을 냈다고 해서 독립 evidence가 그만큼 늘어난 것은 아니다.

논문은 새로운 report Z가 기존 report R에 대해 실제 추가정보를 제공하는지 conditional mutual information 관점에서 형식화한다. 핵심은 report count가 아니라 evidence ancestry다.

20,000회 이상의 controlled LLM-agent extraction 실험에서 하나의 evidence root를 고정한 채 report 수만 1→32로 늘리면 naive posterior coverage가 0.940→0.263으로 붕괴했다. 반대로 agent count가 아니라 실제 independent evidence root 수를 늘렸을 때 calibration이 회복됐다.

또한 같은 base model을 쓰는 agent들의 extraction error 자체도 상당히 correlated되어 있었다. 따라서 majority vote나 agent diversity를 독립 scientific corroboration과 동일시해서는 안 된다.

신약개발에서는 Literature Agent, KG Agent, Target Agent가 모두 같은 PubMed paper에서 Drug A inhibits Target B를 가져왔을 수 있다. 이를 세 개의 independent support edge로 계산하면 hypothesis confidence가 과대추정된다.

Confidence aggregation은 같은 lineage를 중복가중하지 않는 규칙을 가져야 한다. 이 원리는 multi-agent debate가 scientific corroboration을 자동으로 보장한다는 암묵적 가정을 직접 검증한다.

AgentScope — Diagnosing with Insights: Structured Analysis of Agent Failures via Behavioral Abstractions는 긴 agent trajectory를 raw log 그대로 judge에게 주지 않는다. 먼저 행동을 structured behavioral representation으로 변환하고, 정상 동작이 만족해야 하는 특성을 neural invariants로 정의한 뒤 LLM-guided reasoning으로 failure step과 failure type을 찾는다.

즉 neural reasoning과 명시적 구조·불변조건을 결합하는 neuro-symbolic diagnosis 방식이다.

Who&When benchmark에서 GPT-4o 기반 AgentScope는 Hand-Crafted setting의 accuracy가 T±0 25.86%, T±3 34.48%였고, 비교된 step-by-step baseline은 각각 15.52%, 20.69%였다.

solution을 제공하지 않은 조건에서도 AgentErrata와 Who&When에서 비교적 안정적인 성능을 유지했다. 흥미롭게도 GPT-5.1처럼 더 강한 model을 써도 baseline diagnostic accuracy가 자동으로 좋아지지 않았다. 이는 모델 크기보다 failure representation과 invariant 설계가 더 중요할 수 있음을 시사한다.

Drug-discovery Co-Scientist로 옮기면 전체 trajectory를 다음과 같이 구조화할 수 있다.

각 stage에 다음과 같은 scientific invariant를 부여할 수 있다.

BCO는 신약개발 전용 연구는 아니지만, belief revision을 시스템의 explicit state로 만드는 점에서 중요하다. 보통 self-improving agent는 score와 trajectory를 보더라도 “환경이 어떻게 작동한다고 현재 믿는가”를 매 round LLM reasoning 안에서 다시 구성한다.

BCO는 이를 별도의 persistent world-model document로 작성하고 매 iteration의 결과에 따라 지속적으로 수정한다.

다섯 benchmark에서 같은 scaffold와 optimization budget을 사용했을 때 BCO는 vanilla optimization보다 모든 train setting에서 높았고 held-out에서도 우위를 유지했다. held-out improvement는 Terminal-Bench 2.0에서 약 +0.022, GAIA에서 약 +0.152 범위였다.

world-model document의 내용을 의도적으로 falsify한 ablation에서도 정상 world model이 environment response를 더 잘 예측했다. 따라서 단순히 “메모리 문서가 하나 더 있다”는 형식적 효과보다 belief content가 실제 정보를 담고 있음을 보여준다.

두 belief를 분리하면 새로운 실험결과가 biological mechanism만 바꾸는지, 아니면 workflow 자체에 대한 신뢰도까지 바꾸는지를 구분할 수 있다.

Ono Pharmaceutical과 Aitia는 2026년 9월 2일 신경계 질환 신약표적 탐색을 위한 공식 협력을 발표했다. Aitia의 REFS 기반 Gemini Digital Twin은 patient clinical data와 omics를 결합해 virtual-patient model을 만들고, causal simulation을 통해 target과 biomarker를 찾는 것을 목표로 한다.

Ono는 이 플랫폼에서 도출된 target에 대해 글로벌 연구·개발·사업화 option을 갖는다.

이번 결과를 하나의 architecture로 합치면 각 연구의 역할은 매우 명확하다.

이 질문은 HRKG, multi-agent reasoning, Neuro-Symbolic verification, causal belief revision, active experimentation을 하나의 falsifiable architecture로 묶는다. Source는 이 조합이 현재 문헌에서 여전히 뚜렷하게 비어 있는 연구공간이라고 본다.

Neuro-Symbolic Drug-Discovery Co-Scientist의 다음 단계는 “더 복잡한 추론”보다 “증거의 독립성, trajectory의 과학적 정합성, persistent belief의 수정, 그리고 다음 실험 선택의 falsifiability”를 시스템 수준에서 연결하는 것이다.