근거를 넘지 않는 가설과
실험으로 수정되는 믿음

Mechanistic constraint와 feedback-driven control

Source fact원 자료는 2026년 9월 14일 arXiv 신규 목록과 최근 q-bio/cs.AI·cs.CL 항목을 재확인한 결과, 두 연구를 신약개발 Neuro-Symbolic AI Co-Scientist에 실질적으로 추가할 가치가 큰 신규 연구로 정리한다.

17,449개 node, 31,709개 edge, 550개 multi-hop path

Source factHypoKG: Evidence-Disciplined Biomedical Hypothesis Generation Beyond Endpoint Knowledge는 2026년 9월 10일 arXiv에 제출됐고 9월 14일 q-bio 신규 목록에 반영됐으며 EMNLP 2026 연구로 소개된다.

KEGG·Rhea·UniProt을 통합해 17,449개 node와 31,709개 edge의 biochemical KG를 만들고, enzyme-related source에서 rare-disease endpoint까지 이어지는 550개의 multi-hop path를 구성했다. source–disease pair의 94.5%는 PubMed co-citation에서 사실상 미관측 영역이었다.

여섯 LLM에 대해 source only, full KG path, endpoint only 등을 포함한 네 조건에서 총 13,200개의 hypothesis를 생성해, 모델이 중간 기전경로를 이용하는지 아니면 source와 disease 이름만 보고 설명을 보간하는지를 분리했다.

endpoint-only가 “좋아 보이는” 가설을 만들 수 있지만 evidence proportionality는 다르다

가장 중요한 결과는 역설적이다. endpoint만 알려준 LLM이 전체적인 가설 품질 점수는 더 높게 받을 수 있었다. 그러나 full KG path를 제공했을 때만 evidence proportionality가 명확히 좋아졌다.

즉 유창성, 신규성, 그럴듯함과 “증거가 실제로 허용하는 만큼만 주장하는 능력”은 서로 다른 능력이다. 연구진은 이를 evidence-disciplined reasoning으로 정의했다.

endpoint를 유지하고 중간 path만 흔들어 mechanistic use를 검사한다

Source fact중간 KG node의 순서를 섞되 endpoint는 그대로 유지하는 shuffled-path intervention을 수행하자 evidence grounding이 유의하게 감소했다.

Analysis이 통제는 단순한 endpoint familiarity만으로 설명하기 어려운 차이를 만든다. 적어도 일부 경우 모델이 path structure 자체를 실제 reasoning signal로 이용한다는 근거가 된다.

“KG path가 도움된다”에서 “왜 도움되는가”로

원 자료는 AResKGLM·DeepRoot와의 차이를 분명하게 정리한다. 기존 방향이 “KG path를 넣으면 성능이 좋아진다”였다면, HypoKG는 KG가 발견한 endpoint 때문인지, 중간 mechanistic path 때문인지를 endpoint-only ablation으로 분리한다.

평가항목에도 path relevance, mechanistic specificity, experimental testability, novelty뿐 아니라 evidence proportionality를 독립 항목으로 포함한다. 모든 생성 prompt는 구체 biological entity와 함께 falsifiable experimental prediction을 요구한다.

Target Identification → Mechanism-of-Action → Target Validation

예를 들어 enzyme → metabolite → pathway → disease → target 경로에서 후보 target이 나왔더라도 Co-Scientist가 endpoint의 익숙함만으로 기전을 보간하게 두지 않고, 실제 path evidence가 허용하는 범위만큼 hypothesis strength를 제한할 수 있다.

Limitation다만 완성형 Neuro-Symbolic system은 아니다. 현재 KG는 일반 relational graph이며 assay·dose·cell type·mutation·time·negative evidence 같은 qualifier를 갖는 HRKG가 아니다. FOL/constraint solver가 claim을 veto하지도 않고, 생성된 falsifiable hypothesis를 실제 experiment로 폐기하는 belief-revision loop도 없다.

1,389개 CRISPR screen에서 “실험하는 법”을 학습한다

Source factBiology-in-the-loop: Amortized Adaptive Hit Discovery in CRISPR Screens는 2026년 9월 10일 제출된 Genentech 연구다. 5개 phenotype category에 걸친 1,389개 CRISPR screen으로 AssayBench-Loop를 구축하고 historical experiment에서 “무엇을 다음에 실험해야 하는가”라는 acquisition policy를 학습한다.

Prior knowledge → experiment → observation → policy adaptation

초기에는 assay-specific evidence가 부족하므로 LLM이 문헌과 broad biological prior를 이용해 유망 gene을 고른다. 결과가 축적되면 control을 transformer 기반 AssayFormer로 넘기고, AssayFormer가 실제 hit/non-hit history에 조건부로 다음 perturbation을 선택한다.

별도로 27B LLM을 acquisition trajectory로 SFT한 뒤 sequential campaign에서 GRPO로 학습한 AssayLLM도 제시한다.

5.67× enrichment, 5% library에서 전체 hit의 27.7%

AssayLoop는 standalone LLM과 AssayFormer 단독 모두를 상회했고, 학습 시 보지 못한 phenotype category에도 transfer됐다. LLM에서 outcome label을 제거하면 성능이 떨어지지만 감소폭이 제한적이어서, 일반 LLM은 여전히 prior knowledge에 상당히 의존하며 실험 feedback을 충분히 이용하지 못한다는 분석도 제시된다.

AutoScreen의 reranking보다 한 단계 더 긴 sequential policy

원 자료는 AutoScreen과의 차이를 이렇게 정리한다. AutoScreen은 CRISPR library 설계와 screen 결과의 evidence-aware target reranking을 잘 수행하지만, AssayLoop는 여러 round에서 결과를 관측하면서 “무엇을 다음에 perturb할지” 자체를 계속 바꾸는 sequential acquisition policy를 학습한다.

또 한 번의 screen마다 surrogate를 새로 만드는 기존 Bayesian active learning과 달리, 과거 1,349개 screen에서 “실험하는 법” 자체를 amortize한다고 서술한다. 전체 benchmark는 1,389개 screen이며, 시간분할은 training-before-2021 / validation-2021 / test-after-2021로 구성해 과거 경험을 미래 screen에 이전하는 설정을 만든다.

Target Identification / Functional Validation / Synthetic Lethality / Resistance

CRISPR 또는 CRISPRi/a를 genome-wide로 한 번에 수행하기 어려운 organoid, primary cell, high-content phenotype 환경에서 여러 round로 후보 gene을 좁히는 데 직접 연결된다.

Limitation“lab-in-the-loop” 평가는 실제 robot wet-lab을 실시간 제어한 prospective experiment가 아니라 기존 CRISPR screen을 이용해 sequential acquisition을 retrospective하게 재구성한 것이다. 또한 hit/non-hit observation이 policy를 바꾸더라도 그것이 곧 과학적 belief revision을 의미하지 않는다. “Gene X가 hit가 아니었다 → 어떤 mechanism hypothesis를 폐기해야 하는가”까지는 표현하지 않는다.

Relation을 저장하는 그래프에서 claim strength를 제한하는 그래프로

가장 강한 후속 방향은 단순 relational KG를 qualifier-aware HRKG로 확장하는 것이다.

이렇게 하면 assay, tissue, species, intervention, source, time, confidence, counter-evidence를 함께 보존할 수 있다. 더 중요한 것은 “현재 evidence가 허용하는 claim strength” 자체를 symbolic constraint로 만드는 것이다.

Inference원 자료는 evidence proportionality를 정성적 rubric에서 machine-executable claim gate로 발전시킬 수 있다고 본다. 이는 source가 직접 실증한 기능이 아니라 두 연구를 연결한 후속 연구 제안이다.

negative result가 score뿐 아니라 causal path의 confidence를 바꿔야 한다

negative result가 들어오면 단순 acquisition score만 조정하는 것이 아니라 해당 causal path의 confidence를 수정해야 한다. 다음 experiment objective도 단순 hit maximization보다 expected falsification value 또는 expected information gain으로 바꾸는 것이 핵심이다.

Neuro-Symbolic belief-revision core를 중심에 둔다

AnalysisHypoKG가 가설의 epistemic discipline을 제공하고 AssayLoop가 실험의 adaptive control을 제공한다면, 아직 충분히 해결되지 않은 핵심은 둘 사이의 formal belief-revision layer다.

현재 가장 유망한 질문

이 질문은 Evidence-Disciplined, Feedback-Adaptive Neuro-Symbolic Co-Scientist for Drug Target Discovery라는 통합 연구주제로 수렴한다. 신약개발에서 단순히 “어떤 gene을 다음에 볼까”를 묻는 것이 아니라, 현재 어떤 mechanism을 믿고 있으며 어떤 evidence가 그 믿음을 약화시키거나 폐기하는가를 시스템 상태로 관리하는 방향이다.

이때 Neuro-Symbolic AI의 역할은 언어모델에 symbolic decoration을 붙이는 것이 아니다. 근거의 조건과 강도를 표현하고, 반증결과가 들어왔을 때 허용 가능한 claim과 다음 action을 기계적으로 제한하는 것이다.