관찰하고 계산하는 에이전트에서, 증거로 믿음을 수정하는 Co-Scientist로

감각기관, 검색기관, 계산기관, 실행기관은 채워지고 있다

MorphoOrgaAgent는 실험결과를 보는 감각기관에 가깝다. CAREPath는 biomedical KG에서 기전적으로 해석 가능한 경로를 고르는 추론기관에 가깝다. PromptBio는 실제 computational research를 계획하고 수정하는 실행조직이다. ABLE은 전문 생물학 AI tool의 사용능력을 검사하는 품질관리 계층이고, ReCite는 literature evidence ingestion의 진위를 넘어 논리적 지지관계를 검사한다.

이 다섯 조각은 perception → evidence → mechanism → planning → tool execution → observation의 앞부분을 빠르게 채운다. 그러나 관측이 기존 belief를 뒤집는 마지막 단계는 아직 약하다.

자연어 reasoning만으로는 condition, provenance, authorization, contradiction을 안정적으로 관리하기 어렵다

신약개발의 claim은 dose, assay, tissue, mutation, evidence type 같은 qualifier에 의존한다. 따라서 symbolic state와 graph가 필요한 이유는 설명 가능성 자체보다 과학적 조건을 잃지 않고 belief를 갱신하기 위해서이다.

자연어 요청에서 segmentation, 정량분석, 보고까지

MorphoOrgaAgent는 자연어 연구요청을 받아 TaskUnderstandingAgent → foundation-model 기반 segmentation → quantitative analysis → ReportAgent로 이어지는 multi-agent workflow를 수행한다. Cellpose가 만든 geometric prompt와 text prompt를 결합해 SAM3를 zero-shot organoid instance segmentation에 사용하고, 이후 정량 지표와 시각화를 자동 생성한다. 별도의 MorphoOrgaVQA benchmark도 제시한다.

phenotype measurement를 Epistemic HRKG의 evidence object로 바꾼다

organoid morphology는 tumor progression과 disease phenotype뿐 아니라 drug testing에도 직접 사용된다. 따라서 신약개발 phenotypic screening이나 efficacy validation에서 정량 phenotype을 독립적인 evidence object로 저장할 수 있다.

후속 단계에서는 causal/falsification agent가 이 evidence를 바탕으로 다음 dose, combination, genetic perturbation을 선택할 수 있다. 그러면 “LLM이 이미지를 설명한다”에서 “정량 phenotype이 causal belief를 수정한다”로 문제가 이동한다.

path semantics와 local mechanism context를 함께 본다

CAREPath는 drug–gene–disease Biomedical KG에서 무작정 깊은 multi-hop traversal을 수행하지 않는다. 짧고 기전적으로 해석 가능한 disease–gene–drug path를 추출해 BioLinkBERT로 semantic path embedding을 만들고, drug와 disease 주변의 1-hop gene neighborhood에서 mechanism-context representation을 생성한 뒤 두 표현을 결합해 drug–disease association을 예측한다.

5개 Biomedical KG와 18개 baseline을 비교한 journal version에서 disease cold-start 조건의 AUPRC가 최대 약 3.6% 향상되었으며, sparse evidence 환경에서 mechanism-context augmentation이 robustness와 Gene Ontology functional agreement를 개선했다고 첨부 자료는 정리한다.

설명 생성과 prediction-useful path selection은 다른 문제다

AResKGLM이 제공된 graph path에 근거해 설명을 생성하는 구조에 가깝다면, CAREPath는 어떤 path가 실제 drug-repurposing prediction에 유용한지를 neural representation과 mechanism context로 통합한다. 다만 formal logic solver, HRKG qualifier, causal directionality, counter-evidence는 포함하지 않는다.

Drug–Gene–Disease path를 qualifier-aware HRKG path로 확장한다

path마다 provenance, independent replication, counter-evidence를 유지하면 단순한 mechanism-aware repurposing을 falsifiable mechanism reasoning으로 확장할 수 있다.

PromptGenie는 자연어 연구목적을 inspectable plan으로 바꾼다

PromptBio의 PromptGenie multi-agent harness는 자연어 연구목적을 inspectable plan으로 변환하고 실제 분석을 실행한다. 새 evidence와 intermediate result가 등장하면 후속 step을 수정한다. validated method, custom analysis, 외부 workflow를 함께 실행할 수 있고 전체 research trace를 보존한다.

평가에는 end-to-end bioinformatics, biomedical deep research, omics/ML skill validation, hypothesis-driven regulatory-genomics case study가 포함되었다. Robin이 hypothesis–analysis–updated hypothesis에 강했다면, PromptBio는 재현성, inspectability, workflow reuse, researcher oversight를 더 전면에 둔다.

다음에 무엇을 할지 바뀌는 것과 무엇을 믿는지가 바뀌는 것은 다르다

“evidence에 따라 workflow가 adapt한다”는 사실이 명시적인 scientific belief revision rule을 의미하지는 않는다. PromptBio형 orchestration에 Epistemic HRKG와 EvoSCM형 causal belief state를 연결하는 이유가 여기에 있다.

ProteinMPNN과 AlphaFold3를 호출할 수 있는 것과 올바르게 연구에 쓰는 것은 다르다

Agentic BAIM-LLM Evaluation (ABLE)은 LLM agent가 ProteinMPNN, AlphaFold3 같은 Biological AI Model을 이용해 structure retrieval, sequence generation, design validation을 수행하는 능력을 측정한다. 15개 frontier model을 평가했으며, 저자들은 현 모델이 planning, strategy generation, biological knowledge와 tool output의 통합에서 여전히 일관성이 부족하다고 결론낸다.

future Co-Scientist는 tool을 단순 연결하는 대신 각 tool마다 다음 symbolic contract를 가져야 한다.

이 방향이 첨부 자료가 제안하는 Tool-Certified Neuro-Symbolic Co-Scientist다.

존재하는 논문을 가져와도 그 논문이 claim을 지지하지 않을 수 있다

ReCite는 2026년 9월 8일 발표되고 Findings of EMNLP 2026에 채택되었다. 기존 RAG가 존재하지 않는 논문을 생성하는 문제는 상당히 줄였지만, 실제로 존재하는 논문을 가져와 놓고 그 논문이 해당 claim을 논리적으로 지지하지 않는 misattribution은 여전히 남는다고 지적한다.

ReCite는 location perception, intent-aware query planning, reflective verification을 분리하고 claim–evidence logical consistency를 검사한다. 불일치하면 retrieval을 다시 수행한다. 이는 similarity-based citation에서 verifiable claim-level reasoning으로의 전환이다.

Paper P가 존재하는가와 Paper P가 Claim C를 지지하는가는 다른 predicate다

이 predicate를 구별하지 않으면 agent가 만든 KG는 citation-rich하지만 epistemically wrong할 수 있다. 따라서 ReCite-style verifier를 ANCHOR-RE류 relation extraction의 앞이나 뒤에 배치하고, 실제 biomedical claim을 지지하는 것이 검증된 뒤에만 HRKG edge를 생성하는 구조가 유망하다.

Scientific Multimodal/BAIM Tools에서 causal belief revision까지

이 architecture에서 ReCite는 evidence ingestion gate, CAREPath는 mechanism-aware path reasoning, PromptBio는 multi-agent research orchestration, ABLE은 tool-execution certification, MorphoOrgaAgent는 phenotype observation에 해당한다.

관측된 phenotype을 biomedical rule·causal mechanism·hypothesis의 수정과 폐기로 연결한다

첨부 자료가 가장 큰 공백으로 지목하는 부분은 “관측된 phenotype이 들어왔을 때 어느 biomedical rule, causal mechanism, hypothesis를 수정하거나 폐기할 것인지”를 formal rule로 연결하는 것이다.

이는 단순한 reflection prompt로 끝낼 문제가 아니다. 어떤 evidence pattern이 어떤 belief state transition을 일으키는지, contradiction의 강도가 얼마인지, independent replication이 필요한지, condition mismatch가 있는지 등을 symbolic하게 정의해야 한다.

Phenotype-Grounded, Evidence-Certified Neuro-Symbolic AI Co-Scientist for Drug Discovery

첨부 자료가 현 시점에서 가장 추천하는 후속 연구주제다. 핵심 연구질문은 다음과 같이 정리된다.

closed-loop novelty는 component 수가 아니라 belief revision의 검증에서 나온다

완성형 연구는 최소한 verified literature ingestion, qualifier-aware evidence graph, mechanism-aware prediction, inspectable planner, certified scientific tool execution, independent phenotype measurement, counter-evidence check, explicit causal belief revision을 한 protocol 안에서 검증해야 한다.

성공한 결과뿐 아니라 실패한 organoid/assay 결과가 기존 biomedical claim을 실제로 약화·수정·폐기하는지를 보여줘야 “closed loop”라는 표현이 과학적으로 의미를 갖는다.

이번 업데이트를 여덟 문장으로 압축하면