🤖 machine learning

DrugSAGE:Self-evolving Agent Experience for Efficient State-of-the-Art Drug Discovery

DrugSAGE는 검증된 기술, 효과적인 전략, 오류 수정과 같은 작업 간 경험을 축적하고 재사용하여 최첨단 신약 개발 모델을 효율적으로 구축하는 자기 진화 에이전트 프레임워크로, 새로운 작업에서 비용이 많이 드는 탐색을 줄이거나 제거함으로써 기존 에이전트보다 훨씬 뛰어난 성능을 발휘합니다.

원저자: Yikun Zhang, Xiwei Cheng, Tianyu Liu, Yuanqi Du, Wengong Jin

게시일 2026-05-18

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yikun Zhang, Xiwei Cheng, Tianyu Liu, Yuanqi Du, Wengong Jin

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

특정하고 까다로운 레시피를 위해 완벽한 케이크를 굽고 있다고 상상해 보세요. 신약 개발 세계에서는 이 '케이크'가 새로운 의약품이 인체 내에서 어떻게 작용할지 예측하는 컴퓨터 모델을 의미합니다.

현재 과학자가 새로운 레시피 (새로운 약물 특성) 를 위한 케이크를 굽고자 한다면, 보통 처음부터 다시 시작합니다. 어떤 재료를 사용할지 추측하고, 오븐 온도를 다르게 시도하며, 반죽을 맛보고, 실패한 후 다시 시작해야 합니다. 100 가지 다른 레시피를 위해 100 개의 케이크를 굽더라도, 첫 번째 케이크를 굽는 과정에서 얻은 교훈은 종종 모두 폐기됩니다. 그들은 모든 새로운 레시피를 완전히 새로운 미스터리로 취급하여, 이미 알고 있는 것을 다시 배우는 데 시간과 돈을 낭비합니다.

DRUGSAGE는 규칙을 바꾸는 새로운 '스마트 베이커 (AI 에이전트)'입니다. 실수와 성공을 잊어버리는 대신, 굽는 케이크마다 더 똑똑해지는 거대하고 진화하는 레시피 책을 보관합니다.

다음은 이를 간단한 부분으로 나누어 설명한 작동 원리입니다:

1. '레시피 책' (메모리)

대부분의 AI 에이전트는 단기 기억만 있어 어제 무엇을 했는지 잊어버립니다. 반면 DRUGSAGE 는 세 가지 특정 섹션으로 구성된 장기 기억을 가지고 있습니다:

'승리 레시피' (해결책 메모리): 과거 유사한 작업에 대해 어떤 재료 조합 (모델 및 학습 방법) 이 가장 잘 작동했는지 기억합니다.
'셰프의 노트' (정제 메모리): 왜 어떤 변화가 작동했는지 기억합니다. 예를 들어, "오븐 온도를 10 도 낮추었을 때 케이크가 더 잘 부풀어 올랐다"는 식입니다.
'재난 로그' (실행 메모리): 부엌에 불이 나게 만든 것들 (코드 오류, 메모리 충돌 등) 과 다음에 이를 정확히 어떻게 고칠지 목록으로 보관합니다.

2. '스마트 탐색' (최고의 모델을 찾는 방법)

DRUGSAGE 가 새로운 케이크를 굽도록 요청받으면 무작위로 추측하지 않습니다. 대신 MCTS(몬테카를로 트리 탐색) 라는 전략을 사용하여 가능한 레시피들의 숲을 탐험합니다.

메모리 없이: 에이전트는 막다른 길로 이어지는 경로조차 모두 시도하며 숲 전체를 헤매습니다.
DRUGSAGE 와 함께: 숲에 들어가기 전에 레시피 책을 확인합니다. "이 케이크와 유사한 케이크를 위해 '초콜릿 칩' 경로가 지난번에 훌륭하게 작동했어"라고 말합니다. 막다른 길은 건너뛰고 유망한 경로로 곧바로 이동합니다.
보장: 해당 논문은 수학적으로 증명했습니다. 과거의 '요령'을 사용하더라도 에이전트가 결국 절대적으로 최선의 해결책을 찾을 수 있으며, 단지 훨씬 더 빠르게 찾을 수 있다는 것입니다.

3. '제로 탐색' 초능력

이것이 가장 인상적인 트릭입니다. 때로는 새로운 레시피가 기존 레시피와 너무 유사하여 DRUGSAGE 가 아예 굽지 않아도 됩니다.

상황: 약물이 물에 어떻게 녹는지 예측해 달라고 요청하고, 이미 약물이 기름에 어떻게 녹는지와 매우 유사한 문제를 해결했다면, 다음과 같이 말할 수 있습니다: "이미 정답을 알고 있습니다. 기름 작업에서 승리한 레시피를 그대로 복사해 여기에 사용하겠습니다."
결과: 추가 테스트나 탐색을 전혀 하지 않고 최상급 해결책을 제공합니다. 마치 레몬 타르트를 만들어 달라는 요청을 받은 셰프가, 어제 완벽한 라임 타르트를 이미 만들었음을 깨닫고 과일만 바꾸어 몇 시간의 작업을 절약하는 것과 같습니다.

결과: 효과가 있었을까요?

저자들은 이 '스마트 베이커'를 33 가지 다른 신약 개발 과제(독성 예측, 용해도, 단백질에 대한 약물 결합력 등) 에서 테스트했습니다.

혼자서 수행한 성과: 도움을 받지 않고 혼자 일하도록 강요받았을 때, DRUGSAGE 는 여전히 다른 모든 최상위 AI 에이전트보다 뛰어난 성과를 냈습니다.
팀워크 수행 성과: 16 개의 작은 작업에서 얻은 기억을 17 개의 새롭고 더 어려운 작업을 돕는 데 사용할 수 있도록 허용했을 때, 경쟁자들을 압도했습니다.
대승: '제로 탐색' 모드 (테스트 없이 과거 해결책을 복사하는 모드) 에서, 몇 시간 동안 답을 찾기 위해 노력한 다른 에이전트들보다 더 나은 성과를 거두었습니다. 경쟁자들이 훨씬 더 열심히 일했음에도 불구하고 10% 에서 30% 더 우수했습니다.

한 줄 요약

DRUGSAGE 는 배우는 법을 배우는 AI 입니다. 모든 신약 개발 문제를 새로운 시작으로 취급하는 대신, 모든 문제를 다음 작업을 더 쉽게 만드는 교훈으로 취급합니다. 이는 '검증된 기술'과 '입증된 해결책'의 도서관을 구축하여 이전 어떤 시스템보다 복잡하고 비싸며 정확한 신약 문제를 더 빠르고 저렴하며 정확하게 해결할 수 있게 합니다.

기술 요약: DRUGSAGE

문제 정의

신약 발견을 위한 최첨단 (SOTA) 예측 모델 구축은 비용이 많이 드는 탐색 문제입니다. 현재 대규모 언어 모델 (LLM) 기반 에이전트는 도구, 아키텍처, 학습 전략을 광범위하게 탐색함으로써 SOTA 성능을 달성할 수 있습니다. 그러나 이러한 에이전트는 일반적으로 각 작업을 독립적인 문제로 간주하여 작업이 완료되면 축적된 모든 탐색 경험 (예: 효과적인 특징화, 학습 레시피, 오류 수정) 을 폐기합니다. 결과적으로 이들은 새로운 작업마다 전체적인 계산 및 토큰 탐색 비용을 치러야 하므로, 신약 발견에서 발견되는 수천 가지의 다양한 예측 문제에 걸쳐 SOTA 모델 개발을 확장하기 어렵습니다.

방법론

저자들은 신약 발견 모델을 효율적으로 구축하기 위해 작업 간 경험을 축적하고 재사용하도록 설계된 DRUGSAGE(Self-evolving AGent Experience) 프레임워크를 제안합니다. 이 시스템은 세 가지 주요 구성 요소를 통해 작동합니다:

1. 실행 가능 기술 라이브러리 ( $K$ )

예산이 할당된 탐색이 시작되기 전에, 탐색 에이전트가 문헌과 GitHub 저장소를 검색하여 공유 기술 라이브러리를 구축합니다. 이 과정은 다음을 포함합니다:

발견: 여러 전문가 관점에서 문헌을 조회하여 관련 논문과 저장소를 식별합니다.
그라운딩: 저장소를 복제하고 추상 구문 트리 (AST) 스냅샷을 추출하여 LLM 이 코드에서 관찰된 심볼만 사용하도록 보장합니다.
검증: 자동 수리를 포함한 계층적 검사 (구문, 가져오기 해결, 샌드박스 내 종단 간 실행) 를 수행합니다. 검증된 기술만 $K$ 에 추가됩니다.

2. 작업 간 경험 메모리 ( $Z$ )

DRUGSAGE 는 이전 작업의 증거를 저장하는 영구 메모리 $Z = (R, H, Q)$ 를 유지합니다:

해결책 메모리 ( $R$ ): 아키텍처, 하이퍼파라미터 및 검증 점수를 포함하여 다양한 작업에서 모델 계열과 특정 해결책의 성능을 기록합니다.
정제 메모리 ( $H$ ): 탐색 트리의 엣지에 대한 정보를 저장하며, 여기에는 LLM 이 제안한 편집, 근거, 부모 노드와 자식 노드 간의 성능 차이 (deltas) 가 포함됩니다.
실행 메모리 ( $Q$ ): 실행 실패, 검증된 수정 사항, 리소스 프로필 (실행 시간/메모리) 및 환경 추적을 기록하여 향후 실행 중 빠른 수리를 가능하게 합니다.

3. 경험 조건부 탐색

탐색 예산 ( $B > 0$ ) 이 사용 가능한 경우, 핵심 탐색 루프는 **메모리 강화 몬테카를로 트리 탐색 (MCTS)**을 활용합니다. 메모리 $Z$ 는 다음 네 단계를 안내합니다:

루트 선택: 현재 작업 성능과 역사적 전이 점수를 균형 있게 유지하기 위해 메모리 강화 상한 신뢰 구간 (UCB) 규칙을 사용하여 모델 계열을 선택합니다. 저자들은 이 수정이 표준 UCB 의 $O(|F| \log T)$ 후회 상한을 유지함을 증명했습니다.
부모 샘플링: 대상 작업 성능, 확장 범위 및 역사적 성능을 기반으로 확장할 특정 부모 해결책을 선택합니다.
자식 생성: LLM 이 $H$ 에 의해 그라운딩된 편집을 제안하며, 유사한 과거 작업에서 관련 근거와 성공적인 레시피를 검색합니다.
실행 및 수리: $Q$ 를 사용하여 환경을 준비하고 알려진 오류를 마주치면 즉시 검증된 수정 사항을 적용합니다.

4. 제로-테스트타임 탐색 (DRUGSAGE-ZERO)

탐색 예산이 제로 ( $B=0$ ) 일 때, 시스템은 탐색을 완전히 우회합니다. 작업 서명 (작업 유형, 지표, 데이터셋 크기, 설명 임베딩) 을 형성하여 메모리 $Z$ 내의 유사한 작업을 식별합니다. 가장 유사한 역사적 작업에서 검증된 최상의 해결책을 검색하여 새로운 대상에 직접 배포합니다.

주요 기여

프레임워크 설계: MCTS 기반 탐색 루프에 작업 간 메모리를 통합하는 자율 에이전트 DRUGSAGE 의 도입. 저자들은 메모리 강화 선택 정책이 표준 UCB 의 후회 상한을 유지한다는 공식적 보장을 제공합니다.
자동화된 기술 발견: 사용자 제공 또는 상위 리더보드 모델을 정제하는 이전 작업 (예: Autoresearch) 과 달리, DRUGSAGE 는 문헌과 저장소를 검색하여 기술 라이브러리를 자동으로 구축함으로써 인간이 큐레이션한 시작점의 필요성을 제거하고 탐색 공간을 확장합니다.
제로-테스트타임 효율성: 작업 간 메모리가 "제로-테스트타임 탐색" 체제를 가능하게 함을 입증. DRUGSAGE-ZERO 는 테스트 타임 탐색 없이 검증된 해결책을 새로운 작업으로 전이하여 20 회 탐색 반복을 수행하는 베이스라인 에이전트보다 성능이 뛰어납니다.

실험 결과

이 프레임워크는 Therapeutic Data Commons (TDC) 와 Polaris Hub 의 두 가지 벤치마크에 걸쳐 33 가지 분자 특성 예측 작업에서 평가되었습니다.

단일 작업 설정: 작업 간 메모리 없이 에이전트가 처음부터 해결책을 구축하는 설정에서 DRUGSAGE 는 9 개의 SOTA 에이전트 (Autoresearch, STELLA, Biomni 포함) 중 평균 순위 1.95 와 22 개 작업 중 10 개에서 1 위를 차지하며 1 위를 기록했습니다.
작업 간 설정: 16 개의 작은 작업에서 축적된 메모리를 사용하여 17 개의 홀드아웃 작업에서 DRUGSAGE 를 평가했습니다.
- DRUGSAGE-ZERO ( $B=0$ ): 17 개의 홀드아웃 작업에서 평균 정규화 점수 0.935를 달성하여 최대 20 단계의 탐색을 사용한 모든 베이스라인 에이전트보다 10–30% 더 높은 성능을 보였습니다.
- 효율성: DRUGSAGE-ZERO 는 테스트 타임에서 거의 제로에 가까운 LLM API 비용을 발생시킨 반면, 베이스라인은 반복적 탐색을 위해 상당한 컴퓨팅 및 토큰 예산이 필요했습니다.
- 성능: 특정 경우 (예: 용해도 및 CYP2D6 억제) 에 제로샷 전이 해결책은 DRUGSAGE 의 전체 탐색 버전보다 우수한 성능을 보였으며, 이는 전이된 전략이 에이전트가 예산 내에서 처음부터 발견할 수 있는 것보다 우수함을 시사합니다.

중요성 및 주장

이 논문은 신약 발견에서 효율적인 SOTA 모델 개발을 위한 작업 간 메모리의 뚜렷한 이점을 DRUGSAGE 가 입증한다고 주장합니다. 각 작업을 미래 작업을 위한 에이전트를 풍부하게 하는 경험으로 간주함으로써, 시스템은 탐색 공간을 축소하고 경우에 따라 탐색을 완전히 우회할 수 있습니다. 이 연구는 많은 신약 발견 작업이 현재 에이전트들이 간과하는 구조적 유사성 (입력/출력 구조, 특징화 필요성) 을 공유하며, 검증된 기술과 통계적 증거를 축적함으로써 반복적인 시행착오의 전체 비용을 치르지 않고도 새로운 문제에 빠르게 적응할 수 있음을 강조합니다. 저자들은 이 프레임워크가 주로 신약 발견에서 테스트되었지만, 구조화된 작업 간 경험을 축적하는 접근 방식은 다른 과학 연구 분야로 일반화될 수 있다고 지적합니다.