기술 요약: 에이전트 도구 계획을 통한 분자 리드 최적화 (TRACE)

문제 정의

리드 최적화는 약물 발견 과정에서 초기 '히트' 화합물을 실효성 있는 약물 후보로 정제해야 하는 중요하고 자원이 많이 소요되는 단계입니다. 핵심적인 과제는 표적 결합 친화도를 담당하는 핵심 분자 골격을 엄격하게 보존하면서, ADMET(흡수, 분포, 대사, 독성, 배설) 속성을 미세하고 국소적인 구조적 변형을 통해 개선하는 데 있습니다.

기존 접근법들은 종종 일회성 분자 최적화나 집단 수준의 변이에 의존하는데, 이는 순차적 설계 결정의 장기적 결과를 고려하지 못합니다. 또한, 단일 최적화 모델은 '분자별 이질성'을 보이며, 이는 어떤 단일 도구가 서로 다른 리드 화합물과 목적에 걸쳐 일관되게 신뢰할 수 없음을 의미합니다. 이러한 이질성을 해결하기 위해 여러 도구를 단순히 병렬로 실행하는 것은 막대한 계산 비용을 초래합니다. 본 논문은 엄격한 구조적 제약 하에서 최적화 효과성, 견고성, 그리고 계산 효율성을 균형 있게 잡을 수 있는 프레임워크의 필요성을 제기합니다.

방법론: TRACE 프레임워크

저자들은 TRACE(TRajectory-Adjusted Chemical Editing)를 제안합니다. 이는 궤적 인식형 대규모 언어 모델 (LLM) 추론 에이전트로, 도구 선택을 순차적 의사결정 문제로 형식화합니다. 이 프레임워크는 LLM 기반 추론기, 오케스트레이터, 생성 도구 집합, 예측 평가기, 그리고 궤적 버퍼로 구성된 폐루프 시스템으로 작동합니다.

TRACE 는 구체적인 메커니즘을 통해 세 가지 주요 과제를 해결합니다:

1. 적응형 도구 오케스트레이션: 단일 최적화기에 의존하는 대신, TRACE 는 이질적인 LLM 기반 리드 최적화 도구들을 조정합니다. 에이전트는 현재 분자 문맥과 진화하는 최적화 상태에 기반하여 동적으로 도구를 선택합니다.
2. 인-컨텍스트 자기 수정: 재학습 없이 실행 견고성을 향상시키기 위해, TRACE 는 추론 시 자기 수정 메커니즘을 구현합니다. 만약 도구가 무효한 구조를 생성하거나 제약을 위반하거나 목표 속성을 개선하지 못한다면, 에이전트는 실패 세부 사항과 수정 지침을 원래 프롬프트에 추가한 후 도구를 다시 호출합니다. 이를 통해 모델은 즉각적인 피드백에 기반하여 생성 행동을 조정할 수 있습니다.
3. 고정된 다단계 진화적 탐색: TRACE 는 최적화를 다단계 과정으로 취급합니다. 각 단계에서 후보들은 예측 모델에 대해 평가되며, 목표 속성 대비 가장 성능이 좋은 분자가 다음 단계의 시작점으로 선택됩니다. 결정적으로, 모든 평가는 궤적 전반에 걸쳐 구조적 유사성 제약이 유지되도록 **원래 리드 분자에 고정 (Anchored)**되어 통제되지 않은 편향을 방지합니다.
4. 유도된 궤적 재사용: 병렬 도구 실행의 계산 비용을 완화하기 위해, TRACE 는 오프라인 궤적 버퍼를 활용합니다. 이는 현재 분자와 과거 최적화 궤적 간의 구조적 유사성을 계산합니다. 충분히 유사한 참조가 발견되면, 에이전트는 고성능 도구 사용 순서를 템플릿으로 검색하여 따릅니다. 이는 단계당 단일 도구 호출로 효과적인 다단계 계획을 가능하게 하여 성능을 유지하면서 자원 요구 사항을 크게 줄입니다.

주요 기여

본 논문은 기계학습 방법론과 실용적인 약물 발견 모두에 걸친 기여를 제시합니다:

• LLM 기반 에이전트: 독립형 모델을 넘어 구조적 제약 하에서 이질적인 최적화 도구들을 조정하는 에이전트.
• 인-컨텍스트 자기 수정: 실행 시간 실패에 기반하여 도구 지시를 정제함으로써 최적화기를 안정화하는 메커니즘.
• 고정된 진화적 탐색: 원래 리드의 구조적 무결성을 엄격히 준수하면서 유리한 변형을 점진적으로 축적하는 절차.
• 궤적 재사용 전략: 과거 경험에서 효과적인 도구 사용 궤적을 검색하고 이어받아 포괄적인 병렬 실행의 필요성을 줄이는 방법.

실험 결과

저자들은 MuMOInstruct 데이터셋을 사용하여 다섯 가지 ADMET 최적화 작업 (BBBP, HIA, Mutagenicity, QED, pLogP) 에서 TRACE 를 평가했습니다. TRACE 는 다음과 비교되었습니다:

• 고전적 최적화 도구 (예: GraphGA).
• 범용 LLM (예: Llama, Mistral).
• 화학 지향 기초 LLM (예: ChemLLM, LlaSMol 변형).
• 전문 리드 최적화 LLM (예: GeLLMO).

주요 발견:

• 성능: TRACE 변형들은 모든 베이스라인 대비 더 높은 성공률 (SR) 과 유효성률 (VR) 을 달성했으며, 종종 거의 포화된 성공과 완벽한 유효성에 도달했습니다.
• 속성 개선: TRACE 는 요구되는 임계값 (0.5) 이상의 구조적 유사성 (SIM) 을 유지하면서 목표 속성에서 더 큰 상대적 개선 (RI) 을 보여주었습니다.
• 어블레이션 연구:
  • 자기 수정: 오류율을 현저히 줄이고 탐색 단계 전반에 걸쳐 실패한 생성물의 상당 부분을 구출했습니다.
  • 탐색 깊이: 가장 성능이 좋은 분자들은 종종 첫 번째 단계가 아닌 더 깊은 탐색 단계에서 나타났으며, 이는 다단계 접근법의 타당성을 입증했습니다.
  • 궤적 재사용: 궤적 재사용을 사용하는 TRACE-Retrieve 변형은 다중 도구를 병렬로 실행하는 고예산 TRACE-Parallel 변형의 성능 이득의 대부분을 계산 비용의 일부로 회복했습니다.

중요성과 주장

본 논문은 TRACE 가 실제 약물 설계 워크플로우에서 리드 최적화를 위한 실용적인 접근법으로서 궤적 인식형 에이전트 최적화의 잠재력을 보여준다고 주장합니다. 리드 조건부 최적화를 명시적으로 순차적 의사결정 과정으로 모델링함으로써, 이 프레임워크는 일회성 또는 집단 수준의 방법의 한계를 극복합니다.

저자들은 그들의 접근법이 다음을 가능하게 한다고 강조합니다:

• 견고성: 분자별 변이를 처리하기 위해 여러 도구의 상호 보완적 강점을 활용.
• 효율성: 유사성 유도 궤적 재사용을 통해 병렬 실행의 막대한 비용 없이 높은 최적화 품질 달성.
• 정확성: 실질적인 ADMET 개선을 달성하면서도 핵심 분자 골격을 보존하여, 최소한의 국소적 편집이 필요한 의약 화학자들의 실용적 요구와 부합.

이 연구는 적응형 도구 오케스트레이션, 자기 수정, 그리고 고정된 다단계 탐색을 결합함으로써 에이전트가 엄격한 구조적 제약 하에서 후보들을 효과적으로 점진적으로 정제할 수 있게 하며, 초기 단계 약물 발견의 주요 병목 현상에 대한 확장 가능한 해결책을 제공한다고 결론 내립니다.