허용 가능한 설계와
의미가 분명한 실험 증거

2026년 10월 3일 기준 최신 공개분을 다시 확인한 결과, 이전에 추적한 연구와 중복되지 않으면서 신약개발 Neuro-Symbolic AI Co-Scientist 관점에서 알림 가치가 충분한 신규 연구는 2건이다. 이번에는 새로운 멀티에이전트 Co-Scientist 자체보다는, 그 시스템에 필요한 ① 명시적 hard constraint를 만족시키는 biomolecular design 실행계층, ② description-logic ontology에 기반한 assay evidence 정규화·감사 계층에서 의미 있는 진전이 확인됐다.

공개일: 2026년 10월 1일 · NeurIPS 2026.

pCoMole은 단백질·펩타이드 같은 biomolecular therapeutic을 처음부터 생성하기보다 기존 분자를 삽입·삭제·치환으로 편집하면서 여러 목적함수를 동시에 개선하고, 생화학적·제조적 hard constraint를 반드시 만족시키도록 하는 생성모델이다. 사전학습된 Edit Flow에 augmented Tchebycheff 기반 Pareto utility와 명시적 inequality/equality constraint로 정의된 feasible set을 결합하고, Doob-\(h\) transform을 이용해 최종 feasible molecule 쪽으로 생성분포를 유도한다. 즉 학습모델이 “좋아 보이는 후보”를 자유 생성하는 구조가 아니라, neural proposal과 formal feasibility constraint를 수학적으로 결합한 constrained design layer이다. arXiv

신약개발과 가장 직접적인 실험은 peptidomimetic binder optimization이다. 알려진 peptide binder를 짧게 만들면서 non-toxicity, solubility, permeability, half-life, binding affinity, binding motif 유지, specificity라는 7개 drug-related objective를 동시에 최적화하고, RDKit 기반 peptidomimetic validity를 hard constraint로 적용했다. Constraint ablation에서는 제약을 제거할 경우 지나친 축소, affinity 저하, motif consistency 붕괴와 같은 퇴행적 해가 실제로 발생해, explicit constraint가 단순 장식이 아니라 설계 품질을 결정하는 요소임을 보여준다. arXiv

또한 GFP와 Cas9에서도 검증했다. Cas9에서는 독립적인 CICERO 평가에서 PAM guidance를 적용했을 때 exact PAM match가 St3Cas9에서 4%→88%, GeoCas9에서 **20%→72%**로 증가했다. 실제 wet-lab에서는 10개 amino-acid deletion과 1~2개 substitution을 포함한 두 개의 229-aa eGFP 변이가 BL21 cell에서 명확한 green fluorescence를 유지했다. 다만 peptidomimetic drug-design 결과 자체는 아직 대부분 in-silico prediction이며, GFP 실험도 제한적이므로 prospective therapeutic assay validation은 다음 단계이다. arXiv

기존 연구 대비 신규성은 SynCraft·SpecOpt와 비교하면 선명한다. SynCraft는 LLM이 제한된 symbolic edit DSL을 출력하고 deterministic chemistry engine이 실행하는 구조였고, SpecOpt는 target/off-target specificity를 중심으로 최소 편집을 수행했다. pCoMole은 여기에 더해 \(K\)개의 목적, equality/inequality hard constraints, Pareto preference를 하나의 수학적 생성과정 안에서 동시에 다루고 feasible terminal state를 형식적으로 정의한다. 따라서 완성형 Neuro-Symbolic Co-Scientist는 아니지만, Co-Scientist가 제안한 설계를 “물리·화학적으로 허용되는 영역” 안에서 실행시키는 symbolic constraint executor로서 상당히 중요한 신규 구성요소이다. arXiv

신약개발 단계에서는 특히 Biologics/Peptide Hit-to-Lead → Lead Optimization → Developability/Manufacturability Optimization, 그리고 Cas9 같은 gene-editing therapeutic의 delivery-oriented miniaturization에 의미가 큽니다. 향후에는 Co-Scientist가 자연어로 만든 목적과 금지조건을 직접 실행하지 않고, 이를 objective / hard constraint / soft constraint / provenance / evidence로 변환해 pCoMole과 같은 formal executor에 넘기는 구조가 유망한다.

가장 강한 후속 연구기회는 Epistemic HRKG + pCoMole + automated assay이다. 예컨대 (Candidate, must_satisfy, Constraint | rationale, source, assay_context, confidence)와 (Candidate, optimizes, Property | predicted, observed, model, uncertainty)를 HRKG에 저장하고, 실제 실험 실패 시 단순 후보 점수를 낮추는 대신 어떤 constraint 또는 property belief가 잘못됐는지 갱신하게 만드는 것이다. 그러면 scientific hypothesis → formal constraint compilation → Pareto-constrained design → experiment → falsification → constraint/belief revision 폐루프가 가능한다.

pCoMole — arXiv 원문

공개일: 2026년 10월 1일 · NeurIPS AIDaR Workshop accepted · AstraZeneca Molecular AI 중심 공동연구.

이 연구는 직접 molecule을 설계하는 Co-Scientist는 아니지만, Knowledge Graph/HRKG의 assay evidence layer와 symbolic ontology grounding 측면에서 매우 중요한다. 연구진은 약 200만 건의 PubChem BioAssay를 분석해 assay metadata가 심각하게 누락·불일치·혼재되어 있음을 확인하고, 7개의 open/closed LLM이 자유 텍스트 assay description을 BioAssay Ontology(BAO)의 formal class로 직접 매핑하고 기존 annotation을 감사할 수 있는지 평가했다. BAO는 assay format, biological component, endpoint, detection method 등을 서로 분리된 축으로 표현하며 description-logic semantics를 가진 ontology이다. arXiv

문제의 규모가 상당한다. 연구진이 내려받은 1,994,310개 PubChem BioAssay 중 약 36%는 assay-format metadata 자체가 없었고, BAO assay-format과 physical detection-method annotation이 있는 항목은 0.1% 미만이었다. 더 근본적인 문제는 PubChem의 기존 field가 cell-based, RNAi, toxicity처럼 format·method·endpoint를 서로 다른 의미층임에도 하나의 vocabulary에 섞어 놓는 경우가 있다는 것이다. 신약 AI에서 이 문제를 방치하면 동일한 IC50 또는 activity 값이라도 서로 다른 assay semantics가 하나의 학습표본처럼 섞이게 됩니다. arXiv

7개 LLM 사이의 agreement는 ChEMBL assay-format benchmark에서 모두 Cohen’s \(\kappa>0.9\)였고, majority vote는 ChEMBL label과 96% 일치했다. Cell-based와 biochemical assay는 모든 모델에서 recall이 최소 96%였다. 그러나 중요한 결과는 높은 분류성능 자체보다 기존 curated label도 반드시 ground truth가 아니라는 사실이다. LLM과 기존 label이 충돌한 사례를 사람이 재검토했을 때, senior industrial curator가 일부 사례에서는 기존 database label보다 LLM이 제시한 evidence를 받아들여 자신의 annotation을 수정했다. 연구진도 PubChem·ChEMBL·BARD label을 “gold”가 아니라 silver labels로 명시한다. arXiv

기존 ArticleMiner 대비 신규성이 특히 중요한다. ArticleMiner가 논문·표에서 observation을 추출해 ontology와 deterministic validity rule을 거쳐 KG에 넣는 literature-to-KG admission gate였다면, 이번 연구는 이미 존재하는 PubChem/ChEMBL 수준의 대규모 experimental repository에서 assay semantics 자체를 ontology-grounded하게 복원하고 기존 annotation까지 감사한다. 따라서 “LLM이 새로운 사실을 추출하는 문제”뿐 아니라 기존 데이터베이스의 사실 상태가 틀릴 수 있고 수정되어야 한다는 metadata-level belief revision 문제를 직접 드러냈다. arXiv

신약개발에서는 HTS/Assay Harmonization → SAR modeling → ADMET/property FM training → cross-assay evidence integration → candidate prioritization 전 단계에 영향을 줍니다. 특히 AI Co-Scientist가 Compound A is potent against Target B라는 주장을 사용하려면 단순 activity value뿐 아니라 어떤 assay format, endpoint, detection technology, biological context에서 얻어진 값인지를 함께 알아야 하기 때문이다.

가장 유망한 후속 연구는 이를 Assay-aware Hyper-Relational KG로 확장하는 것이다. 단순 triple인 (Compound, inhibits, Target) 대신

(Compound, inhibits, Target | assay_format, detection_method, endpoint, cell_line, organism, dose, unit, protocol, source, confidence)

형태로 저장하고, BAO/OWL reasoner 또는 SHACL constraint가 semantic consistency를 검사하게 하는 것이다. 기존 ChEMBL·PubChem label과 LLM evidence가 충돌하면 하나를 즉시 삭제하는 대신 competing evidence로 유지하고 provenance·curator confidence를 함께 기록한 뒤, 새로운 검증이 들어올 때 belief state를 수정할 수 있다. 이는 향후 HRKG 기반 Co-Scientist에서 falsification과 belief revision을 실제로 구현하려면 필요한 매우 현실적인 기반 계층이다. arXiv

Bioassay Metadata 연구 — arXiv 원문

이번 업데이트의 연구적 의미는 두 연구가 서로 다른 양 끝을 보강했다는 점이다. 첫 번째는 Co-Scientist가 제안한 biomolecular design을 formal objective와 hard constraint 아래 실제 후보로 컴파일하는 execution layer, 두 번째는 그 판단에 사용되는 experimental evidence를 description-logic ontology 아래 신뢰 가능한 의미 단위로 정규화하는 evidence layer이다.

따라서 현재 가장 설득력 있는 통합 방향은 Ontology-grounded Assay HRKG → Multimodal Scientific FM → Mechanistic/Causal Hypothesis → Formal Objective & Constraint Compiler → pCoMole-type Constrained Molecular Editor → Automated Assay → Counter-evidence → Assay-aware Belief Revision이다. 아직 이번 최신 공개분에서도 이 전체 구조를 하나의 end-to-end 신약개발 Neuro-Symbolic AI Co-Scientist로 통합한 시스템은 확인되지 않았다.