근거를 찾는 AI에서
반증 가능한 규칙을 고치는 AI로

이번 진전은 규모가 아니라 reasoning substrate의 변화다

이번 추적에서 새롭게 추가되는 항목은 두 건이다. 새로운 거대 Co-Scientist 시스템이 아니라, graph-grounded biological hypothesis generation과 FOL rule execution on knowledge graphs이 각각 구체적인 peer-reviewed 연구로 나타났다는 점이 핵심이다.

이 변화는 KG의 역할을 바꾼다. 기존 GraphRAG에서 KG가 “검색할 지식 저장소”였다면, 최신 방향에서는 KG가 가설의 근거 경로와 실행 가능한 규칙을 담는 scientific reasoning substrate로 이동한다.

“그럴듯한 설명”과 “증거에 의존한 설명”은 다르다

LLM은 pretrained knowledge만으로도 그럴듯한 기전 설명을 생성할 수 있다. 따라서 단순 정확도나 자연어 설명 품질만으로는 모델이 실제로 제공된 graph evidence를 사용했는지 확인하기 어렵다. 첨부 파일이 AResKGLM의 counterfactual path-faithfulness test를 특히 중요하게 보는 이유가 여기에 있다.

여기에 한 단계 더 나가면 다음 질문이 생긴다. 새 assay나 perturbation evidence가 기존 규칙과 충돌할 때, Co-Scientist가 그 규칙을 약화·수정·폐기할 수 있는가? 현재 두 연구 모두 이 rule revision과 wet-lab falsification까지 닫힌 폐루프로 구현하지는 않는다.

AResKGLM: gene–protein–pathway–drug–phenotype을 하나의 evidence path로 묶다

Briefings in Bioinformatics, 2026년 9월 2일. Tencent AI for Life Sciences Lab의 AResKGLM은 AMR 신약·항생제 연구에서 gene, protein, pathway, drug, microbial phenotype을 연결하는 KG의 multi-hop path를 LLM의 직접적인 추론 근거로 제공한다.

단순히 KG에서 관련 문서를 검색하는 GraphRAG와 달리, 2–6-hop BFS path와 각 entity 설명을 Context–Path–Question 형식으로 직렬화한다. LLM은 이 명시적 graph path에 근거해 gene–drug association과 기전 설명을 생성한다.

Counterfactual path-faithfulness: 모델이 정말 path를 읽었는가

저자들은 KG path를 교란하거나 entity를 symbolically anonymize해, 모델이 pretrained knowledge만으로 답을 만들어내는지 아니면 제공된 graph evidence 변화에 실제로 반응하는지를 검사한다. 이는 설명의 유창성보다 evidence dependency를 직접 시험하려는 verification 방향이라는 점에서 중요하다.

그러나 AResKGLM 자체는 완전한 Neuro-Symbolic 시스템은 아니다. FOL solver나 constraint engine이 inference를 veto하지 않고, multi-agent 구조도 아니며, 실험 결과로 belief를 revision하는 폐루프도 없다. 이 한계가 다음 단계의 연구공간을 만든다.

Path를 qualifier-aware evidence statement로 확장한다

첨부 파일은 기존의 gene → protein → pathway → drug 수준 path를 qualifier-aware HRKG로 확장하는 방향을 제안한다.

이 구조에서는 organism, mutation, assay, concentration, phenotype, source, time, confidence를 relation의 조건과 provenance로 보존한다. Falsifier Agent는 동일 gene–drug relation에 대해 반대 phenotype, 다른 strain, 다른 concentration, conflicting paper를 별도로 탐색한다.

그 결과 AResKGLM은 단순 AMR prediction module이 아니라 Mechanism-Grounded Hypothesis Agent로 재해석될 수 있다.

Tunsr: neural representation과 First-Order Logic을 같은 그래프에 올리다

IEEE Transactions on Pattern Analysis and Machine Intelligence, 온라인 출판 2026년 9월 2일. 이 연구는 2025년 7월 arXiv에 처음 공개된 뒤 TPAMI에 정식 게재됐다. 신약개발 전용은 아니지만, 첨부 파일은 이를 이번 업데이트에서 Neuro-Symbolic reasoning core 자체로 가장 중요한 방법론적 진전으로 평가한다.

Tunsr의 핵심은 KG reasoning을 neural embedding 또는 symbolic rule 중 하나로 처리하지 않는 데 있다. Query entity에서 reasoning graph를 확장하면서 각 node에 대해 neural/propositional representation과 FOL representation, attention을 동시에 업데이트한다. 이어 FARI 알고리즘이 neural attention에서 FOL rule을 귀납적으로 추출한다.

저자들은 이 네 reasoning scenario와 19개 dataset에서 방법을 평가했다.

KG는 이제 검색 저장소가 아니라 규칙 실행 공간이 된다

신약 Co-Scientist 관점에서 중요한 이유는 KG가 단순한 retrieval store가 아니라 scientific rule이 유도되고 실행되는 reasoning substrate가 될 수 있기 때문이다.

Qualifier-aware하게 확장하면 다음과 같이 실험 조건 자체를 rule antecedent로 포함할 수 있다.

하지만 현재 Tunsr는 일반 KG benchmark를 중심으로 평가됐기 때문에 biological uncertainty, assay context, temporal evidence, causal intervention, negative evidence를 직접 모델링하지 않는다. 따라서 Tunsr와 Epistemic HRKG의 결합이 중요한 후속 공간이 된다.

FARI-style rule induction에 epistemic qualification을 추가한다

첨부 파일은 FARI-style rule induction을 그대로 가져오기보다 신약개발 Co-Scientist에 다음 다섯 조건을 추가해야 한다고 제안한다.

• Provenance gate: provenance를 가진 evidence에서만 rule을 학습한다.
• Independent roots: 서로 독립적인 evidence root가 최소 두 개 이상 존재하는지 검사한다.
• Qualifier preservation: assay·dose·cell·mutation 조건을 rule의 qualifier로 보존한다.
• Counter-evidence penalty: 반대 evidence가 존재하면 rule confidence를 감소시킨다.
• Causal revision: causal intervention 결과가 들어오면 rule 자체를 수정하거나 폐기한다.

이 조건을 적용하면 Neuro-Symbolic Reasoner가 HRKG에서 규칙을 발견하고, 실험이 그 규칙을 반증하면 규칙 자체를 revision하는 Co-Scientist라는 구조가 가능해진다.

Evidence path → rule induction → falsification → rule revision

두 연구를 연결하면 역할 분담이 명확하다. AResKGLM은 어떤 생물학적 evidence path를 근거로 가설을 만들 것인가를 구체화한다. Tunsr는 그 evidence graph 위에서 어떤 논리 규칙을 유도하고 실행할 것인가를 구체화한다. 여기에 counter-evidence와 실험적 반증을 연결하면 다음 폐루프가 된다.

Falsifiable Rule-Evolving Epistemic HRKG for Drug-Discovery Co-Scientists

첨부 파일이 제안하는 가장 강한 후속 연구주제는 Falsifiable Rule-Evolving Epistemic HRKG for Drug-Discovery Co-Scientists이다. 핵심은 rule discovery 자체가 아니라 rule lifecycle을 계산 가능한 대상으로 만드는 데 있다.

GraphRAG에서 falsifiable rule revision으로

이번 추적에서 나타난 흐름은 하나의 연속선으로 읽을 수 있다.

가장 중요한 변화는 KG가 “찾아오는 데이터베이스”에서 “근거를 보존하고 규칙을 실행하며 반증에 따라 규칙을 바꾸는 과학적 상태 공간”으로 이동한다는 점이다. 첨부 파일이 제시하는 후속 연구방향의 설득력은 바로 이 연결에 있다.