무엇이 연결됐는가보다
왜 바뀌는가

두 개의 새로운 조각: 인과와 고차 관계

2026년 9월 28일 오전 기준으로 최신 bioRxiv·arXiv 및 관련 연구 공개를 다시 확인한 결과, 앞선 글에서 다룬 CELLAUDIT, PHAROS, Speciesformer, ArticleMiner, T-REX, PRAXIS-VirtualCell 등과 중복되지 않으면서 알림 가치가 있는 신규 연구는 2건으로 판단된다. 이번 업데이트에서는 특히 명시적 Structural Causal Model(SCM)에 기반한 perturbation counterfactual reasoning과 drug–gene–disease의 고차 관계를 직접 학습하는 heterogeneous biomedical graph reasoning이 새롭게 두드러진다.

게시일은 첨부의 업데이트 기준일 2026년 9월 28일이다. 두 논문은 모두 9월 26일 bioRxiv에 게시된 사전 공개본이며 동료심사를 거친 확정 결과로 취급하지 않는다.

SHERLOCK: perturbation을 개입으로 읽다

SHERLOCK — Structured representation learning and causal inference of downstream perturbation effects

Columbia University 연구진이 공개한 SHERLOCK은 이번 추적에서 Neuro-Symbolic AI Co-Scientist의 causal reasoning 계층과 가장 직접적으로 연결되는 신규 연구이다. 핵심은 genetic·pharmacological perturbation을 단순한 입력 feature나 latent vector가 아니라 기준 세포 상태에 대한 구조화된 intervention으로 표현하고, 이를 Structural Causal Model 안에서 명시적으로 다룬다는 점이다. 저자들은 explicit identifiability assumption 아래 perturbation 이후의 downstream transcriptional effect를 counterfactual하게 추정하며, 동일한 framework 안에서 condition-dependent response, combinatorial perturbation, held-out combination prediction 및 genetic-interaction classification까지 수행한다. genome-scale CRISPR, chemical perturbation, spatial perturbation 데이터에서 알려진 pathway와 pharmacological property에 부합하는 관계를 회복했다고 보고했다. 근거 · SHERLOCK 원문

이 연구가 PHAROS나 Speciesformer와 다른 지점은 중요하다. PHAROS가 “어떤 drug combination이 원하는 cell state로 이동시키는가”라는 inverse search를 수행하고, Speciesformer가 intervention-conditioned virtual-cell generation을 제공한다면, SHERLOCK은 왜 특정 perturbation이 특정 downstream state를 만드는지에 대해 causal intervention과 counterfactual이라는 보다 명시적인 과학적 의미를 부여한다. 또한 CELLAUDIT이 “모델이 실제로 drug input을 사용했는가?”를 falsification하는 계층이라면, SHERLOCK은 그보다 앞 단계에서 어떤 intervention–response 관계를 causal hypothesis로 표현할 것인가를 제공한다.

신약개발에서의 의미는 Target Validation → Mechanism-of-Action → Combination Therapy → Resistance Mechanism → Preclinical Experiment Prioritization에 가장 큽니다. 예를 들어 단순히 “Gene A knockout과 Drug B가 비슷한 transcriptomic signature를 낸다”고 말하는 대신, perturbation을 intervention으로 모델링하여 do(Gene A↓)가 특정 pathway·cell state에 미치는 counterfactual effect를 추론할 수 있는 기반이 생깁니다. 이는 target prioritization에서 correlation-based evidence와 intervention-based evidence를 구분하는 데 중요하다. 근거 · SHERLOCK 원문

인과 가설을 수정 가능한 근거로 저장하려면

가장 유망한 후속 연구는 SHERLOCK × Epistemic HRKG × CELLAUDIT 결합이다. SHERLOCK에서 얻은 causal relation을 예를 들어 (Drug, intervenes_on, Pathway | cell_type, dose, condition, estimated_counterfactual_effect, identifiability_assumption, uncertainty, provenance) 같은 hyper-relational assertion으로 저장하고, CELLAUDIT식 falsification 또는 실제 Perturb-seq/wet-lab 결과가 반대 증거를 제시하면 해당 edge를 supported → weakened → contradicted → falsified로 수정하는 것이다. 그러면 SCM은 “추론 모델”, HRKG는 “과학적 belief state”, falsification은 “belief-update trigger” 역할을 맡게 된다.

다만 현재 SHERLOCK 자체는 multi-agent Co-Scientist도 아니고 autonomous wet-lab system도 아니다. KG/HRKG belief store, formal rule engine, 실험 결과에 따른 explicit belief revision도 포함하지 않는다. 따라서 이 연구는 완성형 Neuro-Symbolic Co-Scientist라기보다 그 시스템에 필요한 causal reasoning engine의 매우 중요한 신규 구성요소로 평가하는 것이 정확하다.

SHERLOCK — bioRxiv 원문

근거 경계 · SHERLOCK의 반사실적 효과는 논문에서 명시한 식별 가정 아래 추정된다. 실제 표적의 임상 효능이나 모든 맥락의 인과 효과가 입증된 것은 아니다. HRKG belief revision과 CELLAUDIT 결합은 이 글의 후속 제안이다.

HANAMI: 약물·유전자·질환의 모티프

HANAMI — Heterogeneous Graph Contrastive Learning for Drug-Gene-Disease Motif Prediction

HANAMI는 2026년 9월 26일 공개된 신규 bioRxiv 연구로, drug–gene–disease를 독립적인 pairwise edge로만 보지 않고 세 요소가 형성하는 higher-order motif 자체를 학습한다는 점에서 중요하다. 모델은 chemical structure, genomic sequence, clinical phenotype 등 이질적인 biomedical information을 통합하고, relation-aware topology encoding, structure-aware aggregation, contrastive learning을 사용해 drug–gene–disease motif를 예측한다. 저자들은 기존 방법 대비 최대 약 6%의 성능 향상, 이전에 보지 못한 entity가 포함된 zero-shot setting에서 약 18%의 우위를 보고했으며, 실제 Phase II·III에서 검토된 drug–disease relationship을 높은 순위로 배치하면서 관련 candidate gene도 제안할 수 있음을 보였다. 근거 · HANAMI 원문

기존의 일반적인 biomedical KG와 비교하면 차이는 higher-order structure이다. 전통적 KG는 대개 Drug–Target, Gene–Disease, Drug–Disease를 각각 별도 triple로 학습하지만, HANAMI는 이 세 관계가 동시에 형성하는 motif가 갖는 topology 자체를 정보로 사용한다. 이는 Co-Scientist가 단순히 “Drug X가 Disease Y와 연결되어 있다”가 아니라, “Drug X–Gene Z–Disease Y가 하나의 기전적 삼각구조를 형성하는가?”를 탐색하도록 만드는 데 유용하다. 근거 · HANAMI 원문

ArticleMiner와의 차이도 명확하다. ArticleMiner는 논문에서 추출한 observation이 KG에 들어가기 전에 ontology·rule·constraint를 이용해 fact admission을 통제하는 evidence-ingestion layer이다. HANAMI는 이미 구성된 biomedical network에서 새로운 higher-order association을 발견하는 graph reasoning layer에 가깝다. 두 접근은 경쟁하기보다는 매우 자연스럽게 결합될 수 있다.

신약개발에서는 Target Identification → Drug Repurposing → Mechanism-of-Action Hypothesis → Indication Expansion에 의미가 큽니다. 예를 들어 기존 drug–disease 직접 edge가 없더라도 Drug → Gene, Gene → Disease 및 주변 network motif가 충분히 강하면 새로운 therapeutic hypothesis를 제안할 수 있다. 특히 unseen drug·gene·disease에서도 비교적 강한 inductive performance를 보인 결과는 long-tail target이나 신규 entity를 탐색하는 Co-Scientist에 유용하다. 근거 · HANAMI 원문

예측 모티프에서 검증 가능한 가설로

하지만 HANAMI는 아직 Hyper-Relational KG나 symbolic reasoner는 아니다. motif는 topology적으로 고차 관계이지만, (Drug, affects, Gene | dose, assay, cell_type, disease_stage, evidence_date, provenance)와 같은 qualifier를 명시적으로 갖는 HRKG와는 다릅니다. 또한 causal semantics, falsification, belief revision도 포함하지 않는다.

따라서 가장 흥미로운 후속 연구는 “Motif-to-HRKG Causal Hypothesis Compiler”이다. HANAMI가 예측한 drug–gene–disease motif를 곧바로 사실로 채택하지 않고, 이를

candidate hypothesis → evidence retrieval → qualifier completion → causal plausibility check → falsification test → HRKG admission

순서로 처리하는 것이다. 예를 들어 Phase II에 진입한 drug–disease 관계를 단순히 positive edge로 보는 대신, 어떤 gene·pathway evidence와 assay context가 해당 가설을 지지했는지 HRKG로 구조화하고, 이후 임상 실패가 발생하면 어떤 edge 또는 condition이 잘못됐는지를 belief revision 대상으로 만들 수 있다.

HANAMI — bioRxiv DOI 원문

근거 경계 · 최대 약 6%와 미관측 개체 조건의 약 18%는 저자들이 보고한 벤치마크 비교다. Phase II·III 관련 사례는 예측 후보의 우선순위화이지 임상 효능이나 인과적 기전 검증이 아니다. Motif-to-HRKG compiler는 아직 제안 단계다.

HRKG와 SCM을 잇는 다음 실험

통합 연구 제안 · 아래 아키텍처는 SHERLOCK이나 HANAMI가 이미 함께 구현한 시스템이 아니다. SCM의 가정·반사실 추정, motif 후보, 증거 채택, 반증과 믿음 수정을 하나의 검증 가능한 폐루프로 연결하려는 구상이다.

이번 업데이트에서 가장 중요한 것은 SHERLOCK이다. 지금까지 추적한 많은 시스템은 perturbation을 잘 예측하거나, agent가 다음 실험을 선택하거나, falsification으로 모델의 허점을 찾는 수준이었다. SHERLOCK은 여기에 SCM·intervention·counterfactual·identifiability라는 명시적 causal semantics를 넣는다. 따라서 지금까지 따로 등장했던 구성요소를 연결하면 다음과 같은 구조가 점점 현실적인 연구아키텍처가 된다.

Scientific/Virtual-Cell FM → Ontology/ArticleMiner Evidence Gate → Epistemic HRKG → SHERLOCK-type SCM/Counterfactual Engine → Multi-Agent Experiment Planner → Deterministic Constraints → Virtual/Wet-Lab Experiment → CELLAUDIT-type Falsification → Formal Belief Revision

이번 확인에서도 여전히 HRKG를 명시적인 scientific belief state로 사용하고, SCM 기반 causal hypothesis와 실험 counter-evidence를 연결하여 graph 자체를 formal operator로 수정하는 end-to-end 신약개발 Neuro-Symbolic AI Co-Scientist는 새로 확인되지 않았다. 따라서 이제 가장 선명한 연구공백은 단순히 “KG + LLM”이 아니라, HRKG의 명시적 belief state와 SCM의 causal intervention semantics, 그리고 falsification-driven belief revision을 실제 multi-agent/wet-lab loop 안에서 통합하는 것으로 좁혀지고 있다.