[기술 요약] AgentDrug: 제로샷 분자 편집을 위한 에이전트 워크플로우 기반 LLM 활용 기술

1. 문제 정의 (Problem Statement)

신약 개발의 핵심 단계 중 하나인 **분자 편집(Molecular Editing)**은 주어진 분자의 구조를 유지하면서(유사성 제약) 특정 화학적 성질(예: LogP, TPSA, QED 등)을 개선하는 작업입니다. 기존 방식은 다음과 같은 한계가 있었습니다.

• 전통적 방식: 숙련된 화학자가 수동으로 반복 작업을 수행해야 하므로 비용이 많이 들고 확장이 어렵습니다.
• 기존 AI 방식: 지도 학습(Supervised Learning) 기반 모델은 대규모의 라벨링된 분자 쌍 데이터가 필요하며, 새로운 목표에 대한 일반화 능력이 부족합니다.
• 기존 LLM 방식: 단순 프롬프팅(Vanilla Prompting)은 정확도가 낮고, 대화형 방식(ChatDrug 등)은 화학적으로 유효하지 않은 구조를 생성하는 '분자 환각(Molecular Hallucination)' 문제와 피드백이 너무 일반적(Generic)이라 구체적인 개선 방향을 제시하지 못한다는 단점이 있습니다.

2. 제안 방법론 (Methodology: AgentDrug)

본 논문은 LLM을 단순한 생성기가 아닌, 외부 도구와 상호작용하며 스스로 오류를 수정하는 **에이전트 워크플로우(Agentic Workflow)**로 설계한 AgentDrug를 제안합니다. 핵심은 **중첩된 정제 루프(Nested Refinement Loop)**입니다.

① 내부 루프 (Inner Loop): 화학적 유효성 검증

• LLM이 생성한 SMILES(분자 구조 표현식)를 화학 정보학 툴킷인 RDKit으로 검사합니다.
• 만약 문법 오류(Syntax), 원자가 오류(Valence), 고리 미폐쇄(Unclosed ring) 등의 ParseError가 발생하면, 해당 오류 메시지를 LLM에 즉시 피드백으로 제공하여 유효한 구조가 나올 때까지 반복 수정하게 합니다. 이를 통해 '분자 환각' 문제를 근본적으로 해결합니다.

② 외부 루프 (Outer Loop): 성질 개선 가이드

분자가 유효해지면, 성질을 목표치에 맞추기 위해 두 가지 강력한 신호를 제공합니다.

• 일반 피드백(Generic Feedback): 목표 달성 여부를 알려줍니다.
• 명시적 그래디언트 신호(Explicit Gradient Signal, $\nabla p$): 단순히 "성질을 높여라"라고 하는 대신, 현재 값과 목표 값의 차이 및 방향(증가/감소)을 수치화하여 제공합니다. 이는 LLM이 마치 경사 상승법(Gradient Ascent)을 사용하는 것처럼 구체적인 편집 방향을 잡게 돕습니다.
• 인컨텍스트 예시(In-context Example, $m_e$): 데이터베이스에서 현재 분자와 유사하면서도 목표 성질을 이미 만족하는 분자를 검색하여 예시로 제공함으로써 LLM의 성능을 극대화합니다.

3. 주요 기여 (Key Contributions)

• 에이전트 기반 구조 설계: 내부(유효성) 및 외부(성질 개선) 루프를 결합한 중첩 구조를 통해 LLM의 화학적 추론 능력을 체계화했습니다.
• 그래디언트 기반 가이드: 자연어 프롬프트에 수치적 그래디언트 개념을 도입하여 LLM의 편집 정확도를 획기적으로 높였습니다.
• 제로샷(Zero-shot) 능력: 별도의 추가 학습 없이도 다양한 단일 및 다중 성질 편집 작업에서 높은 성능을 보였습니다.

4. 실험 결과 (Results)

다양한 LLM(Qwen-2.5, Llama-3.1)과 벤치마크를 통해 검증한 결과는 다음과 같습니다.

• 정확도 향상:
  • Qwen-2.5-3B 모델 기준, 단일 성질 편집에서 정확도가 약 20.7%(Loose) ~ 16.8%(Strict) 향상되었습니다.
  • Qwen-2.5-7B 모델에서는 단일 성질 편집 정확도가 무려 28.9% ~ 29.0% 향상되는 압도적인 성능을 보였습니다.
• 다중 성질 편집: 여러 성질을 동시에 만족시켜야 하는 복잡한 작업에서도 기존 ChatDrug 대비 유의미한 성능 향상을 기록했습니다.
• 유사성 유지: 편집을 수행하면서도 원래 분자의 구조적 유사성을 효과적으로 유지하며, 정확도와 유사성 사이의 트레이드오프(Trade-off)를 잘 조절했습니다.
• 효율성: Ablation Study 결과, 예시 분자($m_e$)를 사용하는 것이 성능 향상에 기여하며, 반복 횟수($T$)가 늘어남에 따라 성능이 포화되는 지점이 있음을 확인했습니다.

5. 의의 및 결론 (Significance)

AgentDrug는 LLM이 가진 잠재력을 화학 도메인에 맞게 **'에이전트화'**함으로써, 기존 LLM의 고질적 문제인 환각 현상을 극복하고 정밀한 분자 설계가 가능함을 입증했습니다. 이는 대규모 데이터셋 없이도 고도의 화학적 최적화가 가능함을 시사하며, 향후 AI 기반 신약 설계(AIDD) 분야에서 LLM을 활용하는 새로운 패러다임을 제시합니다.