기술 요약: 전역 탐색 – 약물 자산 발굴을 위한 광범위 검색 AI 에이전트

문제 정의

제약 산업은 새로운 약물 자산의 상당 부분이 미국 외부에서 기원하며 주로 지역적, 비영어권 채널을 통해 공개되는 구조적 전환을 겪고 있습니다. 최근 데이터에 따르면 전 세계 특허 출원의 약 86.5% 가 미국 외부에서 발생하며, 중국만으로도 거의 절반을 차지합니다. 이러한 환경에서 비즈니스 개발 (BD) 및 탐색 및 평가 (S&E) 팀은 고위험의 도전에 직면해 있습니다. 단일 자격 요건 충족 자산의 누락은 수십억 달러 규모의 인수 또는 파트너십 기회 상실을 초래할 수 있기 때문입니다.

현재 AI 기반의 '딥 리서치 (Deep Research)' 에이전트는 사실 확인 및 보고서 종합에 최적화되어 있지만, 개방형 '전체 찾기 (find-all)' 시나리오에서 완전성 측면에서 어려움을 겪습니다. 이러한 에이전트들은 종종 할루시네이션 없이 이질적이고 다국어 소스 전반에서 높은 회수율 (recall) 을 달성하지 못해 피상적인 검색과 신생 및 주목받지 못한 프로그램의 누락으로 이어집니다. 기존 벤치마크는 폭보다 깊이를 선호하여 다양한 언어와 개발 단계에 걸쳐 수백 또는 수천 개의 엔티티를 열거하는 복잡성을 포착하지 못합니다.

방법론

1. 완전성 벤치마크

자산 발굴에 대한 엄격한 평가의 부재를 해결하기 위해 저자들은 쿼리에서 '전진'하는 방식이 아닌, 검증된 프로그램 기록에서 '후진'하도록 설계된 완전성 벤치마크를 구축했습니다. 이 접근법은 방법론에 의한 커버리지 편향을 최소화합니다.

• 자산 마이닝: 다국어, 다중 에이전트 파이프라인이 10 개 큐레이션된 지역에 걸쳐 현지 언어 (예: 중국어, 일본어, 포르투갈어) 로 된 지역 뉴스 소스를 마이닝합니다. '지역 뉴스 마이너 (Regional News Miner)'는 지역, 언어, 소스, 개발 단계의 튜플을 반복하여 프로그램 이름을 추출합니다.
• 검증 및 풍부화: '속성 풍부화 에이전트 (Attributes Enrichment Agent)'는 후보를 검증하고, 교차 언어별 별칭을 해결하며, 딥 리서치 검색을 사용하여 구조화된 속성 (예: 모달리티, 타겟, 임상 시험 단계) 을 추출합니다. 강력한 글로벌 확산 (예: 주요 미국 언론 보도) 을 가진 자산은 필터링되어 벤치마크가 '주목받지 못한 (under-the-radar)' 자산에 집중하도록 합니다.
• 쿼리 생성: 쿼리로 시작하는 대신, 시스템은 진실 데이터 (GT) 자산에 조건부로 투자자 네이티브 쿼리를 생성합니다. 실제 투자자/BD 쿼리 코퍼스를 사용하여 직접 식별자 (이름, 시험 ID) 를 금지하는 다중 제약 쿼리 (광범위, 엄격, 복잡) 를 생성합니다. 이는 에이전트가 문자열 매칭이 아닌 증거 집계 및 다중 홉 추론에 의존하도록 강제합니다.
• 평가: 벤치마크는 다중 에이전트 토론과 전문가 정렬을 통해 보정된 LLM-as-judge 접근 방식을 사용하여 진실 데이터 자산에 대한 정밀도와 회수율을 등급화합니다.

2. Bioptic 에이전트 아키텍처

저자들은 완전하고 할루시네이션이 없는 발굴을 위해 설계된 트리 기반, 자기 학습 시스템인 Bioptic 에이전트를 제안합니다. 탐색을 단일 내러티브로 압축하는 순차적 검색 에이전트와 달리, Bioptic 에이전트는 후보 세트를 영구적 아티팩트로 유지하고 컴퓨팅을 동적으로 할당합니다.

• 트리 기반 탐색: 시스템은 웹 탐색을 노드가 탐색 지시를 나타내는 트리로 간주합니다.
  • 조사원 에이전트 (Investigator Agents): 다국어 (예: 영어와 중국어) 로 병렬 웹 검색을 실행하여 후보 자산을 검색합니다.
  • 기준 일치 검증기 (Criteria Match Validator): 각 후보를 쿼리 제약 조건에 대해 검증하는 전용 LLM 에이전트로, 증거 출처와 함께 통과/실패 판정을 제공합니다.
  • 중복 제거 에이전트 (Deduplication Agent): 전역 자산 스토어 전반에서 별칭을 해결하고 중복을 제거합니다.
  • 코치 에이전트 (Coach Agent): 핵심 '자기 학습' 구성 요소입니다. 실패 이유, 검색 기록, 격차를 분석하여 다음 에포크를 위한 새로운 비중복 자식 지시를 생성합니다. 이는 미탐색 검색 각도를 타겟팅하고 특정 오류를 해결하기 위해 프롬프트를 정제합니다.
• 알고리즘 루프:
  1. 선택 (Select): 상한 신뢰 구간 (UCB) 규칙을 사용하여 탐색할 리프 노드 (지시) 를 선택하여, 높은 보상 경로의 활용과 새로운 가지의 탐색 사이의 균형을 맞춥니다.
  2. 롤아웃 (Rollout): 조사원들이 선택된 지시에 기반하여 여러 언어에서 병렬로 검색을 실행합니다.
  3. 평가 (Evaluate): 검증기들이 후보를 등급화하며, 노드 보상은 매칭의 정밀도와 발견된 새로운 고유 자산의 수에 따라 계산됩니다.
  4. 역전파 및 확장 (Backpropagate & Expand): 보상이 역전파되어 노드 통계를 업데이트합니다. 코치 에이전트가 트리를 확장할 새로운 자식 지시를 생성하여 나머지 검색 공간의 커버리지를 보장합니다.

주요 기여

1. 새로운 벤치마크: 비미국, 비영어권 소스와 투자자 네이티브 다중 제약 쿼리를 활용하는 약물 자산 발굴을 위한 도전적이고 완전성 중심의 벤치마크.
2. Bioptic 에이전트: 영구적 후보 세트를 유지하고, 다국어 병렬성을 활용하며, 자기 수정 코치 에이전트를 채용함으로써 범용 딥 리서치 모델보다 우수한 성능을 보이는 전용 트리 기반 에이전트 시스템.
3. 방법론적 통찰: '전체 찾기' 작업의 경우, 단순히 컴퓨팅을 늘리거나 순차적 루프에서 더 큰 모델을 사용하는 것보다 전용 발판 (트리 탐색, 오류 기반 확장) 이 더 나은 결과를 산출함을 논문이 입증합니다.

결과

22 개의 쿼리 - 자산 쌍으로 구성된 홀드아웃 테스트 분할에서 Bioptic 에이전트는 F1 점수 79.7% 를 달성하여 최첨단 상용 딥 리서치 베이스라인을 크게 능가했습니다.

• Bioptic 에이전트: 79.7% F1 (회수율: 73.0%, 정밀도: 87.7%)
• Gemini 3.1 Deep Think: 59.2% F1
• Gemini 3.1 Pro Deep Research: 58.6% F1
• Claude Opus 4.6: 56.2% F1
• OpenAI GPT-5.2 Pro: 46.6% F1
• Perplexity Deep Research: 44.2% F1
• Exa Websets: 26.9% F1

절대적 연구 (Ablation Studies):

• 트리 구조와 다국어 병렬성을 제거한 것 (Bioptic 에이전트 no-tree, lang-free) 은 더 높은 컴퓨팅 사용량 (전체 모델 대비 20 회 대비 50 회의 조사원 호출) 에도 불구하고 더 일찍 포화 상태에 도달하고 성능이 저하되었습니다.
• 강력한 모델 (예: GPT-5.2, o4-mini) 을 사용한 순차적 '더 찾기 (find-more)' 루프는 느리게 개선되어 현저히 낮은 F1 점수에서 정체되었으며, 이는 순진한 반복이 지속적인 커버리지를 위해 불충분함을 나타냅니다.

중요성 및 주장

이 논문은 투자자 등급 및 BD 등급 자산 발굴이 단순히 증가된 탐색 컴퓨팅이나 더 나은 종합이 아닌, 완전성 중심의 검색 제어, 손실 없는 후보 추적, 그리고 전문가 정렬 검증을 필요로 한다고 주장합니다.

저자들은 파편화된 다국어 데이터 전반에 걸쳐 복잡한 투자자 쿼리를 매칭하는 완전한 자산 세트로 번역하는 약물 발굴의 '지능 격차'는 범용 에이전트만으로는 해결할 수 없다고 논합니다. 결과는 더 많은 컴퓨팅이 미탐색 가지에 자원을 체계적으로 할당하고 엄격한 제약 조건에 대한 발견을 검증하는 전용 아키텍처와 결합될 때만 더 나은 결과를 산출한다는 견해를 지지합니다. Bioptic 에이전트는 현재 딥 리서치 에이전트가 관련 모든 자산을 식별하는 데 일관되게 실패하는 도메인에서 트리 기반 자기 학습 접근 방식이 높은 회수율과 정밀도를 달성할 수 있음을 입증합니다.