분자를 “생성”하는 AI에서
실행을 추적하고 실험으로 반증하는 과학자로

Yu et al., “DDA: a traceable multi-agent framework for automated structure-based drug design”는 자연어 신약설계 목표를 받아 role-specific agents가 전체 SBDD workflow를 실행한다. 핵심은 LLM 자체가 직접 molecule을 생성하는 것이 아니라 전문 generator, RDKit, ADMET-AI, Uni-Dock/Vina 계열 tool을 통합 tool protocol과 state memory 안에서 호출·조정한다는 데 있다.

CrossDocked2020의 100개 target에서 target당 20개씩 2,000개 final candidate record를 모두 전달했다. QED > 0.5, SA < 4.0, Vina < −5.0을 동시에 만족하는 joint screen-pass rate는 59.7%였고, 비교된 specialized baseline 가운데 가장 높은 Pocket2Mol은 39.2%였다.

GPT-5.2, Qwen3-14B, Llama 3.1에 target context를 주고 직접 SMILES를 생성하게 한 비교에서는 각 모델이 2,000개의 syntactically valid SMILES를 만들 수 있었지만, valid docking result까지 도달한 것은 각 모델에서 100개 미만이었다. 이는 syntax validity와 structure-aware computational usability가 전혀 다른 평가축임을 보여준다.

DDA는 AI Co-Scientist를 단순 molecule ideator보다 computational campaign manager에 가깝게 만든다. 연구자가 각 단계의 도구를 수동으로 연결하지 않아도 다음 chain을 실행할 수 있기 때문이다.

이 구조는 source의 해석에 따르면 TxGemma, Boltz 계열 model, FEP, synthesis-planning model 등을 plug-in scientific tool로 추가하기에도 적합하다.

Upadhyay et al., “NucleicBERT interprets RNA sequence space through self-supervised language modelling”은 약 3천만 개 ncRNA sequence로 self-supervised masked-language modelling을 수행한 404M-parameter RNA language model이다.

MSA나 evolutionary alignment 없이 단일 RNA sequence만으로 secondary structure, contact/distance map, splice-site, fitness 등 여러 downstream task를 수행하며, saliency와 attention 분석을 통해 representation 안에 구조·기능적으로 의미 있는 biological constraint가 형성되는지를 조사한다.

RNA structure determination은 여전히 비용이 높고 low-throughput이므로 sequence-to-structure/function prior는 RNA target discovery, RNA-binding small molecule, antisense/siRNA design, ribosomal antibacterial target의 upstream tool로 의미가 있다.

즉 protein-centric Co-Scientist가 ESM, Boltz, AlphaFold 계층을 사용해 왔다면, NucleicBERT는 그 tool stack에 RNA-specialized foundation model이라는 새로운 전문 계층을 더한다.

이 두 흐름을 합치면 source가 제시하는 실용적인 architecture는 다음과 같다.

DDA의 direct-LLM comparison이 보여주는 것처럼, language model이 syntactically plausible artifact를 만드는 것과 scientific software가 실제로 처리 가능한 result를 만드는 것은 동일하지 않다. 따라서 foundation model의 representation·reasoning 능력과 deterministic scientific execution을 분리하고 연결하는 설계가 중요하다.

이 관점에서 Co-Scientist는 “한 모델이 전부 하는 시스템”이 아니라, supervisor agent가 specialized model과 deterministic tool을 조합하고 결과를 provenance와 함께 누적하는 scientific systems architecture가 된다.

DDA의 closed loop는 computational delivery loop이다. docking과 ADMET은 experimental affinity, efficacy, clinical suitability를 직접 의미하지 않는다. prospective synthesis, biochemical assay, cellular activity, selectivity, PK, safety validation이 여전히 필요하다.

저자들은 향후 compound procurement/synthesis, assay selection, laboratory-result ingestion, iterative design–make–test–learn agent를 확장방향으로 제시한다. 즉 trace는 구축됐지만 실험결과가 다음 scientific belief를 어떻게 수정하는지는 아직 구현되지 않았다.

NucleicBERT의 가장 큰 공백은 RNA–small molecule–3D structure–experimental phenotype을 하나의 joint multimodal space에서 다루지 않는다는 점이다. 유망한 다음 단계는 다음 구성이다.

여기에 agent가 targetability와 experimental uncertainty를 고려해 다음 assay를 선택하고, 결과를 다시 hypothesis와 workflow에 반영해야 비로소 scientific closed loop가 된다.

가장 흥미로운 후속 구조는 DDA + Scientific Epistemic Memory + Experimental Agent다. 단순 execution trace를 넘어 candidate마다 다음 정보를 hyper-relational form으로 저장할 수 있다.

이렇게 되면 trace는 재현성 기록을 넘어 무엇을 믿었고, 왜 믿었고, 어떤 실험 때문에 그 믿음을 수정했는가를 추적하는 epistemic memory가 된다.

DDA는 “실행을 추적할 수 있는 Agent”를 구체화하고, NucleicBERT는 “전문 과학 representation을 제공하는 Foundation Tool”을 강화한다. 이제 남은 핵심은 실험이 다시 belief와 workflow를 수정하는 마지막 연결이다.