이번 업데이트의 핵심은 LLM이 더 많은 가설을 만드는 데 있지 않다. 가설을 실행 가능한 intervention으로 컴파일하고, 독립적인 evidence judge가 판정하며, 실패와 반증을 버리지 않고 다음 research cycle의 상태로 유지하는 구조가 실제 신약개발 agent에 들어오기 시작했다는 점이다.
두 신규 연구는 ADMET-EvO와 DrugReason이다. 전자는 falsification, negative evidence, claim state와 deterministic verdict를 ADMET loop에 넣고, 후자는 KG evidence와 LLM-generated mechanistic evidence를 query별로 동적 routing한다.
수치와 논문 기여는 첨부 연구동향 문서가 기술한 범위를 그대로 보존했다. Epistemic HRKG와 causal belief revision의 통합구조는 원문이 제안한 후속 연구방향이며 이미 검증된 완성형 시스템으로 표현하지 않는다.
ADMET-EvO · DrugReason
TDC benchmark
ADMET-EvO
2.25h → 0.62h
Neuro-Symbolic AI의 중심이 reasoning에서 epistemic control로 이동한다
| Research | Core mechanism | Strength | Remaining gap |
|---|---|---|---|
| ADMET-EvO | EndpointContract, executable Research Action, deterministic verdict, Evidence Ledger, claim state | falsification과 negative-result retention을 closed loop에 포함 | KG/HRKG, FOL solver, SCM, wet-lab falsification 없음 |
| DrugReason | KG evidence + LLM mechanism evidence, dynamic expert routing, cross-expert distillation | query마다 heterogeneous reasoning view 선택 | symbolic veto, provenance state, counter-evidence memory, belief revision 없음 |
ADMET-EvO는 evidence governance를, DrugReason은 dynamic reasoning selection을 강화한다. 두 축을 결합하면 단순 KG+LLM fusion보다 엄격한 neuro-symbolic architecture를 설계할 수 있다.
ADMET 예측을 고정 모델이 아니라 지속되는 과학적 연구과정으로 바꾼다
각 intervention 결과는 supported, refuted, inconclusive, failed로 분류된다. 실패·반증된 결과도 다음 cycle의 상태에서 삭제하지 않는다.
LLM은 가설과 다음 실험을 제안하는 planning policy만 담당하고, 실제 실험평가 \(E\)와 state-update operator \(U\)는 deterministic component로 분리된다.
각 endpoint는 assay, species, label semantics, metric, molecular identity, provenance, split ownership, external-evidence policy를 포함한 EndpointContract로 컴파일된다. 자유형식 가설은 control/treatment, metric, seed, budget, promotion/falsification rule을 갖는 Research Action이 되기 전에는 증거로 인정되지 않는다.
결과는 숫자가 아니라 provenance를 가진 claim state로 남는다
모든 verdict는 hash-chained Evidence Ledger에 축적되며 supported뿐 아니라 rejected·inconclusive 결과도 유지한다. 최종 configuration은 test set 확인 전에 SHA-256으로 lock하고 최소 5개 seed로 독립 평가한다.
evidence는 development, confirmation, certification tier로 구분하고 claim에는 certified, independently confirmed, development-only, exploratory, pending external readout 등의 상태를 부여한다. 모델 결과와 과학적 주장 사이에 명시적인 승격 절차가 생긴다.
22 ADMET endpoints
비교 endpoint 기준
benchmark 밖 endpoint formalization
evidence-guided model selection은 사전 정의한 non-inferiority 조건을 유지하면서 cumulative fitting time을 2.25시간에서 0.62시간으로 72.2% 줄였다. hERG 사례에서는 엄격히 filtering한 외부데이터를 통해 held-out AUROC가 0.7319에서 0.8346으로 향상된 사례가 보고된다.
이 falsification은 생물학적 기전의 wet-lab 반증보다는 data·feature·model 축의 computational modelling hypothesis 반증에 가깝다. 명시적 KG/HRKG, FOL rule engine, SCM causal reasoning도 포함되지 않는다.
KG evidence와 language evidence를 query별로 다르게 조합한다
DrugReason은 drug repurposing을 대상으로 KG의 grounded multi-hop reasoning과 LLM의 mechanistic reasoning을 별도 reasoning view로 다룬다. 여러 reasoning path를 specialized expert로 구성하고 query context에 따라 dynamic routing하며 cross-expert distillation으로 지식을 공유한다.
PharmaDB, DDInter, DrugBank에서 single-view reasoning보다 평균 성능 향상을 보고했다. routing 결과는 어떤 evidence type이 판단에 기여했는지를 해석하는 단서도 제공한다.
고정 fusion rule보다 query-specific evidence composition을 선택한다는 점이 기존 CAREPath나 AResKGLM과 구별되는 핵심이다.
logic/rule solver가 LLM output을 veto하지 않고 causal direction, assay condition, provenance, negative evidence를 explicit symbolic state로 보존하지 않는다. belief revision loop도 없다.
KG를 사용한다고 곧바로 neuro-symbolic co-scientist가 되는 것은 아니다
다음 단계에는 evidence source, assay, dose, species, publication time, independence, counter-evidence, uncertainty 같은 qualifier가 필요하다. router가 유용한 path를 선택하더라도 evidence admissibility와 causal relevance를 통과하지 못한 claim은 과학적 사실로 승격되지 않아야 한다.
contract · falsification · deterministic verdict · negative memory · claim state · certification
grounded KG paths · mechanistic language evidence · multi-view routing
hyper-relational provenance · symbolic veto · causal belief state · wet-lab intervention
reasoning path는 동적으로 선택하되 사실 승격은 symbolic evidence rule이 결정
Evidence Ledger를 Hyper-Relational Knowledge Graph로 확장한다
원문이 제시한 가장 강한 확장은 EndpointContract를 HRKG object로 만드는 것이다. 같은 endpoint claim이라도 assay·species·dose·readout·time·applicability domain이 다르면 다른 evidence state로 표현한다.
이 구조에 independence, uncertainty, counter-evidence qualifier를 추가하면 positive와 negative evidence를 동일한 provenance chain으로 추적할 수 있다.
여기에 EvoSCM형 causal state와 SHACL/FOL constraint를 더하면 어떤 결과가 들어왔을 때 어느 biomedical belief를 약화·수정·폐기할지 deterministic rule로 정의할 수 있다.
Evidence-Ledger Epistemic HRKG가 다음 강한 연구주제가 된다
hit/lead ADMET triage와 lead optimization에서 hERG, DILI, CYP inhibition, BBB permeability 모델이 특정 chemical domain에서 실패하면 데이터 부족, assay shift, representation failure, model inductive bias라는 경쟁가설을 만들고 각각을 독립 perturbation으로 반증할 수 있다.
가장 중요한 전환은 LLM이 더 좋은 답을 말하게 하는 것이 아니라, 어떤 실험이 어떤 가설을 반증했고 그 결과 때문에 어떤 믿음이 실제로 바뀌었는지를 시스템이 명시적으로 남기게 하는 것이다.
가설을 executable intervention으로 변환하는가
실패·반증이 다음 cycle 의사결정에 재사용되는가
assay·species·dose·provenance·independence 조건을 검사하는가
counter-evidence 뒤 claim state와 causal belief가 실제로 바뀌는가
computational falsification을 biological falsification으로 등치해서는 안 된다. 강한 후속 연구는 organoid, CRISPR perturbation, independent assay 등 wet-lab evidence까지 연결해야 한다.
Neuro-Symbolic Co-Scientist의 다음 기준은 reasoning의 양보다 revision의 검증 가능성에 가까워지고 있다.
Source papers
arXiv:2609.10121, first submitted 2026-09-09. EndpointContract, falsification, Evidence Ledger, claim-state architecture.
첨부 연구동향 문서가 연결한 공개 구현 저장소.
EMNLP 2026 Main Conference. Dynamic routing over KG and language-evidence reasoning views.