멀티모달 증거에서
논리적 가설과 실험으로

2026년 10월 2일 오전 기준으로 최신 공개 논문·프리프린트와 주요 연구기관 발표를 다시 확인했다. 이전에 추적한 연구와 중복되지 않으면서 신약개발 Neuro-Symbolic AI Co-Scientist 관점에서 알림 가치가 충분한 신규 항목은 2건이다. 특히 첫 번째 연구는 지금까지 추적한 흐름 중 LLM agent + symbolic relational learning + description logic + graph database + experimental constraints + 실제 automated wet lab을 한 폐루프에 가장 직접적으로 결합한 사례라 중요도가 매우 높다.

이 연구는 Journal of the Royal Society Interface에 2026년 7월 8일 정식 게재됐지만, Chalmers University of Technology가 2026년 9월 30일 연구성과를 공식적으로 새로 발표하면서 이번 추적에서 확인됐다. 시스템은 단순한 LLM scientist가 아니라 LLM 기반 agent를 automated cell-culture·metabolomics laboratory와 연결하고, 그 사이에 symbolic relational learning, structured vocabulary, experimental constraints로 구성된 logical scaffold를 배치한다. 모든 가설·실험·결과는 controlled vocabulary를 사용하는 graph database에 저장되며, 연구진은 과학적 가설 자체를 표현하기 위해 description logic 기반 표현도 새롭게 설계했다. PubMed

실험 검증도 실제 wet lab에서 이루어졌다. Saccharomyces cerevisiae를 대상으로 시스템이 가설을 제안하고 실험을 설계하며 결과를 해석한 뒤 다음 탐색을 수정했다. 그 결과 spermine 처리 조건에서 glutamate가 나타내는 growth inhibition, 그리고 formic-acid stress에서 aminoadipate가 보이는 부분적 rescue effect와 같은 새로운 상호작용을 실험적으로 확인했다. Chalmers는 이 시스템이 genome, metabolism, 기존 연구를 바탕으로 유망한 질문을 선택하고, 실험을 제안하고, 결과를 평가하며 새 evidence에 따라 이해를 반복적으로 refinement한다고 설명한다. BioRxiv

이 연구의 기존 연구 대비 신규성은 매우 큽니다. CELLAUDIT은 falsification/audit, GEMOT은 executable mechanistic hypothesis, PRAXIS-VirtualCell은 biological contract와 trustworthy runtime, T-REX는 LLM strategy와 deterministic control에 각각 초점을 맞췄다. 반면 이 연구는 neural agent가 symbolic knowledge representation과 experimental constraints 안에서 가설을 만들고, physical experiment를 수행하며, 결과를 다시 hypothesis refinement에 사용하는 실제 폐루프를 구현했다. 특히 단순 KG retrieval이 아니라 가설 자체를 description logic으로 표현했다는 점이 지속적으로 추적해 온 Neuro-Symbolic Co-Scientist와 직접 맞닿는다. PubMed

신약개발에서 가장 직접적인 적용 단계는 Disease/Mechanism Discovery → Target Validation → Phenotypic Screening → Combination Hypothesis → Preclinical Experiment Design이다. 예를 들어 Drug/perturbation + cellular context → phenotype을 단순 점수로 평가하는 대신, “어떤 조건에서 어떤 기전 가설이 성립하는가”를 논리적으로 표현하고 실제 assay로 시험할 수 있다. 이 구조는 향후 Eve 계열 robot scientist를 drug combination, metabolic vulnerability, synthetic lethality, resistance mechanism 탐색으로 확장하는 데 특히 적합한다. Chalmers의 Ross King 연구진은 과거부터 Eve를 drug discovery용 robot scientist로 개발해 왔다는 점에서도 연결성이 분명한다. 찰머스대학교

그러나 아직 완성형 Epistemic HRKG Co-Scientist는 아니다. graph database와 description logic은 있지만, qualifier-rich HRKG, 명시적인 Structural Causal Model, 사전에 고정된 falsification criterion, 그리고 AGM-style 또는 argumentation-based formal belief revision operator가 공개 구조에 포함된 것은 아니다. “새 evidence에 따라 hypothesis를 refine한다”는 수준과 어떤 belief를 어떤 규칙으로 폐기·약화·수정해야 하는지 형식적으로 정의하는 것은 구분해야 한다.

따라서 가장 강한 후속 연구기회는 이 시스템을 Description-Logic Hypothesis → Epistemic HRKG → Causal/Falsification Layer로 확장하는 것이다. 예를 들어

(Hypothesis H, predicts, Phenotype P | organism, cell_state, perturbation, dose, expected_effect, falsification_condition, provenance, confidence)

형태로 가설을 저장하고, 실제 실험결과가 사전 예측과 어긋나면 supported → weakened → contradicted → falsified를 formal rule로 수행하도록 만드는 것이다. 여기에 SCM을 추가하면 단순 상관적 가설수정이 아니라 어떤 causal edge가 틀렸는지를 수정하는 belief revision까지 가능해집니다.

Chalmers 공식 연구발표
PubMed 정식 논문 정보
bioRxiv 공개본

발표일은 2026년 9월 29일이다. Microsoft Research가 공개한 Quine은 사용자가 추적하는 과학특화 멀티모달 파운데이션 모델 축에서 매우 중요한 신규 신호이다. Quine은 하나의 biological prediction model이라기보다 multimodal biology world model + reasoning/orchestration harness + scientific tools + literature + wet-lab feedback을 결합한 연구시스템이다. Microsoft는 world model을 “생물학적 상태를 표현하고, intervention 후 상태 변화를 예측하며, 여러 단계 뒤의 결과를 추론하는 시스템”으로 정의한다. Microsoft

핵심 모델은 genomics, proteins, chemistry, RNA/cell state, bioimaging을 별도 specialist model로만 처리하지 않고 공동 표현공간에서 학습한다. Microsoft는 sequence, structure, function, cell state, imaging 사이의 evidence를 서로 연결해 한 modality의 증거가 다른 modality의 prediction을 보완하도록 설계했다고 설명한다. Harness는 연구질문을 세부 단계로 분해하고, 모델·과학도구·문헌을 호출하며, evidence를 비교하고 연구계획을 수정하는 역할을 담당한다. Microsoft

신약개발 관점에서 가장 중요한 것은 실제 pancreatic ductal adenocarcinoma(PDAC) wet-lab 결과이다. Broad Institute와의 협력에서 Quine은 수천 개 compound를 tumor cell-state shift 가능성으로 우선순위화했고, classical → basal 전환을 목표로 한 실험에서 top-ranked compounds가 실제 assay에서도 가장 큰 방향성의 전환을 만들었다고 Microsoft가 보고했다. 반대 방향의 basal → classical 전환은 약할 것이라고 예측했는데 실제로도 더 어려웠으며, 더 흥미롭게는 일부 compound가 기존의 classical–basal 축이 아닌 제3의 cell phenotype으로 이동시킬 것이라는 예측이 실험에서 확인됐다. 즉 실험이 단순히 모델을 검증한 것이 아니라 새로운 biological state hypothesis를 생성했다. Microsoft

이 점에서 Quine은 Speciesformer나 일반 Virtual Cell FM과 다릅니다. 기존 모델이 주로 intervention → response prediction에 집중한다면, Quine은 multiscale multimodal biological representation + intervention reasoning + experiment prioritization + physical validation을 하나의 연구 loop로 묶으려 한다. Microsoft는 현재 Quine을 cancer biology뿐 아니라 protein engineering, genomics, bioimaging에도 사용 중이며, 새 실험결과를 차세대 모델의 training signal로 다시 활용한다고 설명한다. Microsoft

신약개발 단계에서는 Target/Mechanism Discovery → Drug Repurposing → Perturbation Screening → Phenotype Reprogramming → Experiment Prioritization에 특히 의미가 큽니다. 기존 molecular-design FM이 compound 자체를 생성하는 데 강하다면, Quine은 **“어떤 compound가 복잡한 cellular state를 원하는 방향으로 움직이는가”**를 여러 modality의 evidence로 판단하는 상위 계층에 가깝다.

다만 Quine은 아직 공개 peer-reviewed 통합 논문이 아니라 Microsoft Research의 연구시스템 발표이다. 현재 공개자료에는 KG/HRKG belief state, description logic, explicit causal SCM, formal falsification 또는 belief-revision operator가 없다. 따라서 Quine 자체를 Neuro-Symbolic 시스템이라고 부르는 것은 이릅니다. 현재로서는 매우 강력한 neural/multimodal world-model layer와 agentic experimentation harness로 평가하는 것이 정확한다. Microsoft

가장 유망한 후속 방향은 Quine × Chalmers logical scaffold × Epistemic HRKG이다. Quine이 multimodal evidence와 intervention prediction을 생성하고, Chalmers식 description-logic layer가 testable scientific hypothesis로 컴파일하며, HRKG가 evidence/provenance/condition/counter-evidence를 저장하고, 실제 wet-lab 결과가 formal belief revision을 수행하는 구조이다.

Microsoft Research Quine 공식 발표
Quine 공식 연구 페이지

이번에는 Chalmers 연구가 가장 중요한다. 지금까지 추적해 온 신약개발 Neuro-Symbolic AI Co-Scientist의 여러 구성요소가 대부분 별개 논문으로 등장했다면, 이 연구는 실제로 LLM agent → symbolic relational/description-logic scaffold → experimental constraints → graph database → automated wet lab → empirical evidence → hypothesis refinement를 한 연구시스템 안에서 구현했다. PubMed

Quine은 반대편에서 multimodal world model → intervention prediction → experimental prioritization → wet-lab feedback이라는 매우 강력한 neural foundation layer를 제공한다. 두 흐름을 결합하면 현재 가장 설득력 있는 차세대 구조는 다음과 같다.

Multimodal Biology World Model → Evidence/Provenance HRKG → Description-Logic Scientific Hypotheses → SCM/Counterfactual Reasoning → Explicit Experimental Constraints → Multi-Agent Experiment Planner → Automated Wet Lab → Falsification Gate → Formal Belief Revision → Updated HRKG/World Model

이번 최신 확인에서도 이 전체 구조, 특히 HRKG를 지속적 scientific belief state로 사용하면서 실제 wet-lab counter-evidence에 의해 logical/causal belief를 형식적으로 수정하는 end-to-end 신약개발 시스템은 아직 확인되지 않았다. 그러나 Chalmers 연구와 Quine을 보면 이제 그 공백은 개념적 아이디어가 아니라 실제 구현 가능한 통합 연구주제로 빠르게 좁혀지고 있다.