가설을 진화시키고
과학법칙으로 제한하며
증거로 믿음을 고친다

가설의 genealogy를 기록하는 multi-agent co-scientist

Source factHypoEvolve는 arXiv:2609.15938로 공개됐다. scientific agent들이 가설을 population으로 유지하고 genetic algorithm의 selection → crossover → mutation → replacement를 이용해 여러 세대에 걸쳐 진화시킨다. 생성 agent, pairwise comparison agent, evolution agent를 분리하며 각 hypothesis의 parentage와 연산 history를 기록한다.

기존 Google AI Co-Scientist나 HypoForge와 달리 collaboration rule 자체를 통제 가능한 algorithmic variable로 만든다. scorer는 구체적이고 falsifiable한 prediction이 있는지도 평가한다.

drug–target–cancer mechanism을 만든 뒤 search에 사용하지 않은 DepMap CRISPR dependency와 Open Targets genetic·clinical·literature evidence로 사후 검증한다.

Limitation현재 hypothesis는 자연어 artifact이며 KG/HRKG나 formal causal model이 epistemic state 자체를 표현하지 않는다. 외부 evidence도 평가에 쓰일 뿐 population을 직접 수정하는 belief-revision operator는 아니다.

Research directionHypoEvolve × Epistemic HRKG × EvoSCM으로 확장해 가설을 \(\text{Drug}\rightarrow\text{Target}\rightarrow\text{Pathway}\rightarrow\text{Disease Phenotype}\) causal-HRKG subgraph로 표현하고, assay, cancer subtype, mutation, dose, provenance, counter-evidence, uncertainty를 qualifier로 붙일 수 있다. crossover/mutation을 graph-level causal operation으로 바꾸면 CRISPR나 wet-lab 반증이 mechanism edge를 실제로 약화·삭제·대체할 수 있다.

Source factDSQ는 arXiv:2609.16468로 공개됐다. active-state와 inactive-state learnable query가 protein embedding에서 서로 다른 latent conformational representation을 추출하고, ligand의 두 상태 relative affinity와 receptor intrinsic energy barrier로 activation probability를 계산한다.

agonist라면 active-state affinity가 inactive-state보다 높아야 한다는 contrastive ranking constraint와 두 상태 representation을 분리하는 orthogonality constraint도 적용한다. neural network가 아무 관계나 학습하지 못하도록 물리관계 자체를 제약으로 넣는다.

GLASS와 GPCRdb benchmark에서 physics-informed inductive bias 자체의 기여를 지지하는 ablation evidence를 제시한다. 다만 낮은 sequence-homology receptor에서는 성능이 크게 저하된다.

신약개발에서는 GPCR target profiling, hit selection, agonist/antagonist discrimination, lead optimization에 의미가 있다. 단순 Drug binds Target 대신 \(\text{Drug}\rightarrow\text{preferentially stabilizes}\rightarrow\text{Target.ActiveState}\rightarrow\text{activates}\rightarrow\text{Pathway}\)를 HRKG에 저장하고 assay·dose·cell type·mutation·energy evidence를 qualifier로 연결할 수 있다.

향후에는 thermodynamic + stoichiometric + pathway + assay-condition + causal-intervention constraints를 함께 강제하는 방향으로 일반화할 수 있다.

22 modules, 224 tools, recursive-in-recursive self-improvement

Source factScienceBuddy는 arXiv:2609.17523 연구다. genomics, molecular/cancer biology, pharmacology, bioimaging, literature/database analysis 등 22개 module과 224개 scientific tool을 갖는 persistent multimodal workspace에서 document·table·biological sequence·image·execution trace를 함께 다룬다.

내부 recursion에서는 model weight를 고정한 채 instruction, skill, context-management procedure로 구성된 harness를 수정하고, 점수가 실제로 좋아질 때만 채택한다. 외부 recursion에서는 개선된 harness를 고정하고 새 scientific task와 rubric으로 model을 RL 개선하며 regression도 재검사한다.

JAK1–immunotherapy–tumor microenvironment 사례에서 public single-cell transcriptome과 IMpower133 bulk RNA를 이용해 treatment-by-JAK1 interaction, immune-state signature, CellChat/NicheNet 분석순서를 구성했다.

Neuro-Symbolic limit개선되는 것은 주로 procedural skill과 model policy다. 잘못된 JAK1 mechanism을 발견해도 explicit causal graph edge를 고치는 구조는 아니다.

ScienceBuddy의 recursive procedural learning에 Epistemic HRKG/EvoSCM을 연결하면 skill revision과 belief revision을 동시에 수행하되 서로 혼동하지 않는 Co-Scientist로 확장할 수 있다.

generative model → physics calculation → active learning → next generation

Source factQALPA는 arXiv:2609.16527 연구다. E(3)-equivariant diffusion model, active learning, 효율적인 QM method를 결합해 특정 QM property manifold의 sparse region을 반복 탐색한다.

many-body dispersion energy와 HOMO–LUMO gap이 희소한 영역을 선택적으로 채우며 QM evaluator가 generation 방향을 지속적으로 교정한다. ARCHE가 competing mechanism을 만들고 계산을 호출하는 reasoning-level agent라면 QALPA는 generator와 evaluator가 직접 연결된 model-level closed loop다.

allosteric drug design, conformer exploration, physicochemical property optimization, hit-to-lead generation에 의미가 있다. 다음 단계는 acquisition function을 property-space novelty에서 hypothesis falsification value로 바꾸는 것이다.

AnalysisHypoEvolve는 hypothesis population과 evolutionary operator, DSQ는 scientific law를 prediction에 강제하는 mechanism, ScienceBuddy는 procedure와 model policy의 continual improvement, QALPA는 physics evaluator를 generation loop에 넣는 실험기반을 각각 제공한다.

이를 연결하면 과학적 믿음과 연구절차를 각각 상태로 유지하고 증거에 따라 서로 다른 방식으로 수정하는 Co-Scientist라는 목표가 선명해진다.

Evidence gap이번 검색에서는 새로운 HRKG 자체, formal logic-based drug Co-Scientist, prospective wet-lab 기반 explicit belief-revision system이 새로 등장한 것은 확인되지 않았다. 따라서 가장 큰 연구공백은 HypoEvolve의 자연어 hypothesis를 qualifier-aware causal HRKG로 표현하고, DSQ처럼 physics/rule constraint를 강제한 뒤, 실험에서 반증되면 graph와 belief를 실제로 수정·폐기하는 것이다.