생성모델을 더 자유롭게 만드는 대신, 과학적으로 더 제약한다

Source fact신규 항목은 LDDM, structure-based binding model의 physical priors, PHAROS 세 건이다. 이 가운데 앞의 두 건은 2026년 9월 18일 게시됐고, PHAROS는 9월 10일 공개된 연구로 최근 추적에서 누락됐지만 현재 연구축과 직접 연결돼 이번에 보완됐다.

Analysis세 연구의 공통점은 model proposal → constraint adjudication → evidence-bearing decision으로 시스템 경계를 이동시키는 데 있다. 이는 Neuro-Symbolic Co-Scientist를 “LLM이 설명하는 연구비서”보다 “명시적 계약과 증거로 후보를 통과·기각하는 연구 시스템”에 가깝게 만든다.

Source factA Unified 3D Generative Model for Synthesizable Structure-Based Drug Design은 2026년 9월 18일 bioRxiv에 게시됐다. LDDM은 protein–ligand 3D 구조를 바탕으로 constrained/unconstrained docking, fragment linking, fragment growing, de novo design을 하나의 생성 모델에서 다룬다. 별도의 programmable design algorithm을 사용해 합성 가능성과 세부 설계 목적을 함께 반영한다.

2025년 ICLR workshop 버전에는 fragment-based masked modeling, constrained design, multi-objective sampling, KRAS 중심 초기 실험검증이 이미 제시됐다. 2026년 확장판의 신규성은 5개의 치료 관련 protein target에서 실제 화합물·리간드를 합성하고, 일부 최종 설계를 NMR과 X-ray crystallography로 구조 확인한 범위 확장에 있다.

Design Contract로 바꾸면 무엇이 달라지는가

InferenceLDDM의 programmable objective를 다음과 같은 명시적 constraint 집합으로 바꿀 수 있다.

후보가 이 계약을 위반하면 Co-Scientist가 단순 낮은 점수를 부여하는 데 그치지 않고 reject / repair / regenerate 결정을 내릴 수 있다. 실제 assay 결과를 Evidence Ledger와 HRKG에 연결하면 다음 폐루프가 가능해진다.

Caution이 폐루프의 HRKG·Design Contract 부분은 원 논문이 직접 구현했다고 주장한 내용이 아니라, 원 자료가 제안하는 Neuro-Symbolic Co-Scientist 확장 방향이다.

LDDM bioRxiv 원문 · 2025 ICLR workshop version

Source factPhysical priors improve performance of structure-based binding affinity models는 2026년 9월 18일 bioRxiv에 게시됐다. Memorial Sloan Kettering/Chodera 연구진은 mtenn framework에서 structure embedding과 affinity aggregation을 분리하고, E(3)-invariant/equivariant architecture와 여러 physical inductive bias를 비교했다.

원 자료에 따르면 적절한 physical prior는 성능, 데이터 효율, unseen-target generalization을 개선했다. 동시에 더 복잡한 equivariance가 항상 더 낫지는 않았다. 이는 “물리를 많이 넣을수록 좋다”가 아니라 “검증 가능한 최소 prior가 어떤 failure mode를 막는가”가 더 중요한 설계 질문임을 시사한다.

DSQ와의 차이

기존 DSQ가 GPCR의 MWC thermodynamic model을 특정 neural architecture에 직접 삽입한 사례라면, 이번 연구는 보다 일반적으로 어떤 과학법칙·기하학적 제약이 실제 generalization에 기여하는지를 분리해 보는 쪽에 가깝다.

Constraint adjudicator로 승격

Inferencebinding model의 physical prior를 Co-Scientist의 constraint adjudicator로 사용할 수 있다. generative FM 또는 LLM이 제안한 후보가 steric, energy, symmetry, interaction rule을 위반하면 자동 reject 또는 downgrade하는 구조다.

또한 HRKG의 predicted_binding edge를 단일 score로 저장하는 대신, 다음 qualifier를 함께 기록하는 방식이 유망하다.

이 표현을 사용하면 여러 모델 간 불일치를 단순 평균으로 덮지 않고, 어떤 prior와 적용조건 아래에서 나온 주장인지를 명시적으로 비교할 수 있다. 신약개발 단계에서는 virtual screening, affinity ranking, hit prioritization, novel-target generalization에 의미가 크다.

Physical priors 논문

Source factPHAROS: Turning single-cell perturbation models into target-directed drug-combination screens는 2026년 9월 10일 bioRxiv에 게시됐다. 각 drug perturbation 이후의 cell population 변화를 순차적으로 예측하고, 여러 약물을 chaining한 뒤 목표 cell state와의 거리를 평가해 조합을 탐색한다.

두 개의 독립적인 combinatorial perturbation dataset에서 training에 포함된 cell line뿐 아니라 unseen cell line에서도 exact 또는 mechanism-matched combination을 회수했고, single-drug effect나 단순 additive effect만으로 설명되지 않는 조합도 찾았다고 원 자료는 정리한다.

OOD awareness는 기능이 아니라 epistemic state다

환자 유래 metastatic HR+/HER2− breast tumor와 basal-cell carcinoma 분석에서는 FDA-approved regimen과 pathway-level hypothesis를 제시하면서도, 두 cohort가 foundation model의 supported distribution 밖이라는 점을 명시적으로 표시했다.

이 특징은 모든 예측을 같은 신뢰도로 다루지 않는 Co-Scientist에 직접 연결된다. OOD condition을 단순 경고문이 아니라 실험 필요성·human escalation·claim gate를 바꾸는 상태로 사용하면 더 강한 연구 시스템이 된다.

Causal HRKG로 확장하기

InferencePHAROS의 sequence-of-perturbations를 latent-state transition에만 두지 않고 다음 causal HRKG 경로로 표현할 수 있다.

각 조합 후보에 mechanistic compatibility, contraindication rule, OOD condition, counter-evidence를 symbolic constraint로 붙이면, “목표 상태에 가까워지는 조합”을 찾는 데서 한 단계 더 나아가 왜 그 조합이 작동해야 하는지와 어떤 실험이 반증할 수 있는지까지 설명하는 Co-Scientist로 확장할 수 있다.

PHAROS bioRxiv 원문

Analysis이번 업데이트의 가장 중요한 공통 신호는 “생성 또는 예측 모델을 자유롭게 두지 않고, 물리·합성·세포상태 목표·적용가능성 조건으로 제약하는 것”이다.

그러나 원 자료가 분명히 지적하듯, 이번 신규 문헌에서도 HRKG 자체를 belief state로 사용하고 wet-lab 결과가 들어오면 causal graph를 명시적 규칙으로 수정·폐기하는 완성형 Neuro-Symbolic Co-Scientist는 확인되지 않았다.

Inference이를 연구문제로 압축하면 다음과 같다. Can a drug-discovery Co-Scientist enforce machine-checkable physical and biological contracts during generation, track domain-of-applicability and counter-evidence as first-class qualifiers, and revise its causal HRKG belief state when experiments falsify a mechanistic hypothesis?

이 방향은 신약개발 Neuro-Symbolic AI의 평가축을 단순 predictive accuracy에서 constraint compliance + experimental validity + epistemic revision으로 옮긴다.