AnewDDE · Agentic Drug Discovery · 2026-09-21

실험이 다음 설계를 바꾸기 시작했다. 이제 남은 것은 믿음을 바꾸는 일이다

AnewDDE: Closed-Loop Therapeutic Design and the Missing Epistemic Belief Layer

이번 추적의 신규 신호는 하나지만 강하다. AnewDDE는 구조·결합친화도·생성·제약 R&D 추론을 하나의 agentic loop로 묶고, 실제 wet-lab 측정값을 다음 설계 round에 다시 투입한다.

그러나 이것만으로 엄격한 Neuro-Symbolic AI Co-Scientist가 완성되는 것은 아니다. 현재 공개된 시스템에는 explicit HRKG belief state, formal logic/rule solver, causal belief revision이 보이지 않는다. 따라서 이번 변화의 핵심은 closed-loop therapeutic design이 현실화되는 동시에, “무엇을 왜 믿고 수정하는가”라는 epistemic layer의 부재가 더 선명해졌다는 점이다.

Part I · One New Signal

AnewDDE는 단일 모델이 아니라 의사결정 loop다

AnewFold, AnewAffinity, AnewDesign, AnewMind를 agent가 orchestration하여 hypothesis에서 실험과 재설계까지 연결한다.

Source factAnewDDE — An Agentic Drug Discovery Engine은 2026년 9월 19일 공개된 Anew Labs Technical Report다. 이번 확인에서는 기존 추적과 중복되지 않으면서 알림 가치가 충분한 신규 항목이 이 한 건으로 정리됐다.

AnewFold

Structure

구조·포켓 수준의 scientific modeling layer다.

AnewAffinity

Affinity

결합친화도 ranking과 confidence 정보를 제공한다.

AnewDesign

Generate

생물학적 분자 후보를 생성·최적화한다.

AnewMind

Reason

ADMET과 장기 제약 R&D 의사결정을 담당한다.

HYPOTHESIS→QUANTITATIVE PRIORITIZATION→CANDIDATE GENERATION→EXPERIMENTAL VALIDATION→NEXT-ROUND DESIGN

Analysis중요한 변화는 네 모델의 존재 자체보다 각 모델의 결과가 다음 action을 결정하는 순환 의사결정 구조에 있다. 구조 예측이 affinity ranking으로, affinity가 candidate design으로, measurement가 다시 design priority로 넘어간다.

추적상의 경계. 이번 확인에서는 새롭게 공개된 HRKG 자체, formal-logic 기반 drug Co-Scientist, SCM 수준 causal belief revision, wet-lab 결과에 따라 symbolic belief graph를 자동 수정하는 시스템은 추가로 확인되지 않았다.

Part II · Design–Measure–Redesign

laboratory가 마지막 평가가 아니라 다음 설계의 입력이 되다

공개 nanobody campaign은 AI 후보생성 후 단발성 검증이 아니라 실제 두 번째 설계 round까지 이어지는 evidence loop를 보여준다.

Source fact공개 nanobody campaign은 처음 3,092개 후보를 생성해 287개 cluster로 정리하고, 50개를 첫 wet-lab round로 보냈다. 이 중 7개가 SPR 기준 \(K_D<400\) nM binder였고, 측정결과를 다시 설계 과정에 투입해 100개의 maturation 후보를 추가 생성했다. 전체 150개 clone 가운데 16개가 single-digit-nanomolar \(K_D\)에 도달했다고 보고한다.

여기서 가장 강한 evidence는 “AI가 좋은 후보를 생성했다”는 문장이 아니다. 첫 번째 wet-lab 결과가 두 번째 design round의 입력으로 실제 사용됐다는 점이다. 이는 단발성 AI candidate generation + post-hoc validation보다 더 강한 closed-loop evidence다.

기존 연구와의 차이

시스템	주요 초점	AnewDDE와의 대비
AutoScreen / AssayLoop	target·CRISPR experiment selection	therapeutic molecular/biological design 전체 loop와는 범위가 다르다.
Andromeda 2	formulation autonomous lab	formulation 단계의 closed loop에 초점을 둔다.
Virtual Biotech	대규모 조직형 multi-agent reasoning	portfolio/organizational reasoning이 강하고 wet-lab redesign loop는 별도 문제다.
AnewDDE	structure → affinity → design → wet-lab → redesign	therapeutic design 자체에서 측정값이 다음 설계로 되먹임된다.

Caution현재 공개 wet-lab evidence는 하나의 proof-of-concept nanobody campaign 중심이다. binding affinity 이후의 기능성, developability, 다중 target replication은 더 많은 검증이 필요하다.

Part III · Evidence-Aware Scoring

하나의 점수보다 다음 계산·실험을 결정하는 confidence가 중요하다

AnewAffinity와 AnewMind는 후보 ranking을 넘어 escalation과 장기 제약 의사결정을 위한 scientific reasoning layer를 구성한다.

AnewAffinity: ranking과 uncertainty를 다음 action으로 연결

Source factAnewAffinity는 단순 black-box affinity score만 출력하지 않고 FEP와 연결 가능한 phase/window 수준의 confidence information을 노출하며, 모호한 경우 explicit FEP, 구조 재분석, 실험으로 escalation할 수 있게 설계됐다고 기술된다.

AnewAffinity

0.553

weighted Pearson \(R^2\), 199 ligand 평가

AnewAffinity

0.724

Spearman ranking

Boltz-2 local

0.486 / 0.620

weighted Pearson \(R^2\) / Spearman

Pairwise ΔΔG RMSE

1.057 vs 1.016

AnewAffinity vs Boltz-2, kcal/mol

원 자료에서 AnewAffinity는 ranking 지표에서 비교한 로컬 Boltz-2보다 높았지만, pairwise ΔΔG RMSE는 Boltz-2가 약간 낮았다. 따라서 “AnewAffinity가 모든 면에서 우월하다”는 식의 단순화는 맞지 않는다. 핵심은 confidence를 다음 계산·실험의 선택 변수로 사용할 수 있다는 architecture-level 의미에 있다.

AnewMind: pharmaceutical decision reasoning layer

Source factAnew Labs는 AnewMind를 hundred-billion-parameter scientific language model로 설명한다. small-molecule classification/regression, cyclic peptide permeability, antibody developability 등 서로 다른 modality에서 평가했고, 별도의 PharmBench는 50개 제약 R&D scenario와 200개 질문으로 ADMET, SAR, 합성, 구조기반설계, biology/assay validity, 프로젝트 의사결정 등 장기 reasoning을 평가한다.

Analysis이 구성은 AnewDDE가 structure/generation model의 단순 orchestration을 넘어 pharmaceutical decision reasoning을 하나의 시스템 층으로 포함하려는 설계임을 보여준다.

Part IV · Where It Matters

Hit Generation에서 Lead Optimization까지, 하지만 아직 belief revision은 아니다

통합 설계 loop는 넓은 drug-discovery stage를 연결하지만, scientific belief를 명시적으로 표현하고 수정하는 formal layer는 공개되지 않았다.

HIT GENERATION→BIOLOGICS DESIGN→HIT-TO-LEAD→LEAD OPTIMIZATION

Source fact현재 공개 evidence는 nanobody binding 중심이지만, architecture는 protein–ligand structure, cryptic pocket, molecular glue, antibody–antigen complex, ADMET reasoning을 연결한다. 따라서 potency 하나만 최적화하기보다 구조적 타당성, affinity, developability, ADMET, 실험 결과를 함께 보며 다음 candidate를 결정하는 통합 loop로 확장될 여지가 있다.

왜 엄격한 Neuro-Symbolic AI Co-Scientist라고 부르기 어려운가

필요 요소	현재 공개상태	남은 공백
KG / HRKG belief state	명시적 구현이 공개되지 않음	candidate·mechanism·assay·evidence를 belief graph로 표현
Formal logic / rule solver	명시적 FOL·Description Logic·rule layer가 보이지 않음	constraint·falsification rule의 machine execution
SCM causal model	공개 evidence에서 확인되지 않음	intervention과 mechanism belief를 causal structure로 연결
Formal epistemic transition	wet-lab 결과가 priority는 바꾸지만 formal belief state transition은 불명확	supported / weakened / falsified 같은 상태 전이

Cautionwet-lab 결과가 다음 design priority를 바꾸는 것과, 어떤 mechanistic belief가 왜 수정됐는지를 machine-executable form으로 설명하는 것은 다른 문제다. AnewDDE는 전자에는 강한 증거를 제공하지만 후자는 아직 연구 공백으로 남는다.

Part V · Research Opportunity

Neuro-Symbolic Closed-Loop Therapeutic Design with Epistemic HRKG

AnewDDE의 closed loop 위에 evidence lineage, formal falsification, belief revision을 올리면 다음 단계의 Co-Scientist 연구문제가 선명해진다.

Inference원 자료가 도출하는 가장 직접적인 확장안은 다음과 같다.

STRUCTURE / SCIENTIFIC FM→EPISTEMIC HRKG→COMPETING BINDING / MECHANISM HYPOTHESES→PHYSICS · DEVELOPABILITY · ASSAY CONSTRAINTS→CANDIDATE GENERATION→WET-LAB MEASUREMENT→EVIDENCE LEDGER→FORMAL FALSIFICATION→BELIEF REVISION→NEXT DESIGN

각 후보를 단순 sequence나 affinity score가 아니라 다음과 같은 hyper-relational assertion으로 관리할 수 있다.

(Candidate, binds, Epitope, target_state, assay, KD, confidence, structural_model, developability, provenance, round, counter_evidence)

이 표현의 목적은 metadata를 많이 붙이는 데 있지 않다. 실험이 예상과 다를 때 candidate score만 낮추는 대신 epitope hypothesis, binding-mode hypothesis, developability rule, mechanism assumption 중 어느 belief가 약화·기각·수정되어야 하는지를 symbolic rule이 판정하게 만드는 데 있다.

\[ \text{Measurement} \not\Rightarrow \text{Score Update Only} \qquad \text{Measurement} \Rightarrow \text{Evidence Ledger} \Rightarrow \text{Belief Revision} \]

AnewDDE가 보여준 핵심 진전은 therapeutic design에서 AI 모델·scientific reasoning·wet-lab feedback이 실제 반복 설계 loop로 연결됐다는 점이다. 다음 frontier는 그 feedback이 명시적인 causal/epistemic belief를 어떻게 수정하는지까지 기계가 추적하는 것이다.Synthesis grounded in the attached research watch

Analysis따라서 이번 업데이트의 연구적 의미는 “더 강한 agentic design engine이 등장했다”에 그치지 않는다. closed-loop optimization과 scientific belief revision 사이의 마지막 구조적 간극이 더 명확해졌다. 이 공백은 현재 신약개발 Neuro-Symbolic AI Co-Scientist에서 높은 신규성을 가진 연구문제로 남는다.

References

Source Set

AnewDDE: An Agentic Drug Discovery Engine

Anew Labs Technical Report · 2026-09-19

anewbt.com/news/anewdde-agentic-drug-discovery-engine/

AnewDDE: An Antibody Design Loop You Run in a Conversation

AI4S.fyi · supplementary commentary

ai4s.fyi/briefs/anew-dde-closed-loop-antibody