My Chemical Harness: Evolutionary Molecular Design over Synthetic Pathways with Large Language Model Agents

이 논문은 대규모 언어 모델을 고수준 전략 컨트롤러로 활용하여 빌딩 블록으로부터 실행 가능한 합성 경로의 구축을 유도함으로써, 환각 현상이나 모델 미세 조정 없이도 최첨단 분자 설계 성능을 달나성하는 경로 네이티브 진화 프레임워크인 "My Chemical Harness"를 소개한다.

핵심

당신이 새롭고 매우 효과적인 약을 발명하려고 한다고 상상해 보십시오. 과거에 과학자들(또는 AI)은 마치 꿈속에서 자동차를 스케치하듯, 먼저 완벽한 분자 모양을 구상하려고 노력했습니다. 그러고 나서 그 모양을 공장에서 실제로 어떻게 만들 수 있을지 고민했습니다. 하지만 종종 그 '꿈속의 자동차'는 부품이 존재하지 않거나 조립 설명서가 말도 안 되는 내용이라서 실제로 제작이 불가능한 경우가 많았습니다.

**"마이 케미컬 하네스(My Chemical-Harness)"**는 이를 수행하는 새로운 방식입니다. 이 시스템은 완성된 자동차를 먼저 꿈꾸는 대신, 조립 설명서와 부품 카탈로그에서부터 시작합니다.

이 시스템이 어떻게 작동하는지 쉬운 비유를 통해 설명하겠습니다.

1. 탐색의 대상은 '케이크'가 아니라 '레시피'입니다

대부분의 AI는 최종적인 케이크(분자)를 추측하고 그것이 맛이 있기를 바랍니다. 하지만 이 시스템은 모든 후보를 하나의 레시피로 취급합니다.

• 재료: 실제로 구매 가능한 화학 물질 목록 (예: 밀가루, 설탕, 달걀).
• 단계: 실제 검증된 요리법 목록 (예: "섞기", "굽기", "접기").
• 규칙: 당신이 실제로 살 수 있는 재료를 사용하고, 그 단계가 주방에서 물리적으로 가능한 경우에만 레시피를 작성할 수 있습니다.

만약 레시피가 "마법 가루"를 요구하거나 주방을 태워버릴 정도의 단계를 요구한다면, 시스템은 즉시 이를 거부합니다. 여기서 '탐색'은 모양을 찾는 것이 아니라, 유용한 제품을 만들기 위한 최적의 단계적 순서를 찾는 것입니다.

2. AI는 '요리사'가 아니라 '셰프 매니저'입니다

이것이 이 논문의 가장 중요한 부분입니다. 대규모 언어 모델(AI)은 단순히 무작위로 분자를 써 내려가는 것이 허용되지 않습니다. 그것은 마치 셰프에게 팬트리에 어떤 재료가 있는지도 모른 채 새로운 요리를 발명하라고 요구하는 것과 같습니다.

대신, AI는 전략 매니저 역할을 합니다:

• AI는 데이터베이스에 있는 현재의 "레시피"들을 살펴봅니다.
• 그리고 계획을 세웁니다: "설탕 대신 꿀로 바꿔보자", "우리가 아직 많이 사용하지 않은 굽기 방식을 시도해보자", 또는 "레시피를 짧게 유지하자" 등입니다.
• 그러고 나서 컴퓨터에게 명령합니다: "이러한 구체적인 변화들을 시도해 보세요."

AI는 실제로 분자를 "요리"하지 않습니다. AI는 단지 높은 수준의 지침만을 제공할 뿐입니다.

3. "로봇 주방"이 실제 작업을 수행합니다

AI 매니저가 계획을 세우면, 결정론적인 로봇 주방(로컬 코드)이 업무를 인계받습니다. 이 로봇은 다음과 같은 일을 합니다:

• 재료가 실제로 존재하는지 확인합니다.
• 단계를 정확히 따라 하여 레시피가 제대로 작동하는지 확인합니다.
• 분자를 실제로 만듭니다.
• 최종 결과물이 좋은지 테스트합니다 (질병 표적에 잘 결합하는가?).
• 실패하거나 중복된 레시피는 폐기합니다.

이러한 분리는 매우 중요합니다. 만약 AI가 환각 현상(hallucination)을 일으켜 엉뚱한 것을 만들어내더라도, 로봇 주방이 레시피가 작동하지 않음을 즉시 잡아낼 수 있기 때문입니다. AI는 방향을 제시하지만, 로봇은 현실성을 보장합니다.

4. 실수로부터 배우는 과정 ("성찰" 루프)

이 시스템은 "성찰(Reflection)"이라고 불리는 스마트한 루프를 사용합니다.

1. 시도: AI가 전략을 제안하면, 로봇은 1,000개의 레시피를 시도합니다.
2. 검토: 로봇은 AI에게 보고합니다. "당신의 '꿀' 사용 아이디어는 아주 좋았지만, '500도에서 굽기'는 매번 실패했습니다."
3. 조정: AI는 이 보고서를 읽고 학습하여, 다음 1,000개의 레시피를 위한 전략을 수정합니다.
4. 반복: 이 과정은 계속 반복되며, 매 라운드마다 점점 더 똑똑해집니다.

무엇을 발견했는가?

연구진은 이를 특정 효소 표적(sEH)과 표준적인 약물 설계 과제들에 테스트했습니다.

• 더 나은 결과: 이 시스템은 단순히 모양을 먼저 추측하는 시스템이나, AI의 "성찰" 능력을 사용하지 않는 시스템보다 더 나은 분자들을 찾아냈습니다.
• 제작 용이성: 발견된 분자들은 효과적일 뿐만 아니라, 실제로 실험실에서 합성(제작)하기에도 훨씬 쉬웠습니다.
• 학습 불필요: AI를 재학습시키거나 새로운 화학 지식을 가르칠 필요가 없었습니다. AI는 기존 지식을 활용하여 로봇 주방을 위한 똑똑한 매니저 역할을 수행했을 뿐입니다.

핵심 요약

이 시스템을 하나의 팀으로 생각하십시오. AI는 숙련된 프로젝트 매니저이고, 코드는 정밀한 건설 팀입니다. 매니저는 어디를 살펴볼지, 그리고 무엇을 시도할지를 결정하지만, 건설 팀은 모든 구성 요소가 실재하며 모든 단계가 안전한지를 보장합니다. 이는 AI가 불가능한 것을 꿈꾸는 것을 방지하며, 최종적인 발견물이 실제 세상에서 제작 가능하다는 것을 보장합니다.

기술 요약

기술 요약: My Chemical Harness

문제 정의
신약 및 신소재 개발의 핵심 과제는 목표로 하는 화학적 특성을 갖추면서도 동시에 합성 가능한 분자를 설계하는 것입니다. 트랜스포머(transformer), 확산 모델(diffusion model)과 같은 최근의 생성 모델 연구들은 새로운 분자 구조를 샘플링하는 데 성공을 거두었으나, 이들이 생성한 후보 물질들은 합성 경로가 실행 불가능한 경우가 많습니다. 전통적인 접근 방식은 대개 분자 구조를 먼저 생성한 다음 사후적으로(a posteriori) 이를 합성 가능한 경로에 매핑하려고 시도하거나, 합성 가능성을 외부적인 페널티로 취급합니다. 본 논문은 분자 설계가 단순히 최종 분자 그래프만을 대상으로 하는 것이 아니라, 실행 가능한 합성 경로 자체를 대상으로 하는 탐색으로 직접 정식화되어야 한다고 주장합니다. 즉, 후보 객체는 경로 그 자체가 되어야 합니다.

방법론: My Chemical Harness
저자들은 결정론적(deterministic) 화학 파이프라인 내에서 전략 컨트롤러로서 대규모 언어 모델(LLM)을 통합하는 경로 네이티브 진화 프레임워크인 "My Chemical Harness"를 소개합니다. 이 시스템은 모집단(population)이 고립된 분자가 아닌 실행 가능한 합성 경로로 구성되는 유전 알고리즘으로 작동합니다.

• 탐색 공간 표현: 탐색 공간은 구매 가능한 빌딩 블록($B$), SMARTS 패턴으로 표현된 반응 템플릿 세트($R$), 그리고 호환성 행렬($M$)에 의해 정의됩니다. 후보는 $r = (s_1, \dots, s_L)$인 경로, 즉 인스턴스화된 반응 단계들의 시퀀스입니다. "유전자형(genotype)"은 경로이며, "표현형(phenotype)"은 결정론적 도구(예: RDKit)를 사용하여 경로를 실행함으로써 얻은 최종 생성물 분자입니다.
• 전략 컨트롤러로서의 LLM 역할: LLM은 환각(hallucination)을 방지하기 위해 분자나 반응 단계를 직접 생성하는 것이 명시적으로 제한됩니다. 대신, LLM은 경로 길이, 이동 유형(예: 치환, 확장), 반응 군(family), 탐색 압력과 같은 탐색 선호도를 선택하는 고수준의 플래너 역할을 수행합니다.
• 결정론적 실행: 로컬 코드는 모든 핵심 작업을 처리합니다. 호환 가능한 반응물을 샘플링하고, 반응 슬롯을 검증하며, RDKit 변환을 실행하고, 중복을 제거하며, 작업별 오라클(oracle)을 사용하여 생성물을 점수화합니다.
• 성찰적 최적화 루프(Reflective Optimization Loop): 프레임워크는 다음과 같은 "성찰적" 반복 프로세스를 채택합니다:
  1. 컨텍스트 조립: 시스템은 아일랜드 메모리(성공/실패한 경로의 이력)를 수집합니다.
  2. 계획: LLM은 과업 및 컨텍스트를 바탕으로 탐색 전략을 제안합니다.
  3. 1차 실행(First Pass): 로컬 코드가 전략을 실행하여 후보를 생성하고 점수를 매깁니다.
  4. 성찰(Reflection): LLM은 결과물(성공, 실패, 모티프)을 검토하고 남은 예산에 대해 전략을 수정합니다.
  5. 2차 실행 및 선택: 수정된 전략이 실행되며, 가장 우수한 후보들이 모집단에 반영됩니다.
  6. 학습: LLM은 향후 반복을 가이드할 보고서를 생성합니다.

주요 기여

1. 경로 네이티브 진화 탐색: 본 논문은 유전 알고리즘이 실행 가능한 합성 프로그램(경로) 상에서 작동하도록 함으로써, 합성 가능성이 사후적 제약이 아닌 탐색 공간의 구조적 요소가 되도록 하는 패러다임 전환을 제안합니다.
2. 제한된 LLM 통합: LLM이 화학적 생성에 직접 관여하지 않고 고수준의 전략을 통해 탐색을 가이드하는 "하네스(harness)" 구조를 입증함으로써, 환각된 생성물이나 지원되지 않는 반응 단계의 위험을 제거했습니다.
3. 성찰적 에이전트 메커니즘: 중간 단계의 성찰 과정을 도입하여, LLM이 결정론적 화학 엔진으로부터 즉각적인 피드백을 받아 탐색 정책을 적응시키고 탐색 노력의 배분을 개선할 수 있도록 했습니다.

결과
프레임워크는 두 가지 벤치마크를 통해 평가되었습니다:

• 가용성 에폭사이드 가수분해효소(sEH) 대리 지표: 성찰적 LLM 에이전트는 결정론적 컨트롤러 및 비성찰적 LLM 베이스라인과 비교하여 최첨단(SOTA) 성능을 달old았습니다. 이 에이전트는 $0.984 \pm 0.005$의 최저 top-1000 평균 sEH 점수, $1.996 \pm 0.027$의 최저 합성 용이성(SA) 점수, 그리고 $0.994 \pm 0.004$의 최고 AiZynthFinder 성공률을 기록했습니다. 성찰적 에이전트는 알려진 sEH 억제제 화학과 일치하는 화학적으로 해석 가능한 모티프(예: 요소(urea) 및 아미드 그룹)를 성공적으로 농축했습니다.
• 치료제 데이터 커먼스(TDC) 오라클: 이 방법은 13개의 다양한 분자 설계 오라클에 적용되었습니다. 성찰적 LLM 접근 방식은 amlodipine_mpo(0.6436 vs. 0.620)와 sitagliptin_mpo(0.4522 vs. 0.314)를 포함한 여러 타겟에서 합성 제약 기반 방법들(ReaSyn, SynthesisNet, SynNet)보다 우수한 성능을 보였으며, 이는 다양한 최적화 목표에 대한 전략 제어의 일반화 가능성을 입증합니다.

의의 및 주장
본 논문은 제약된 LLM 에이전트가 별도의 학습이나 미세 조정, 또는 전용 생성 모델 없이도 분자 발견에서 중요한 역할을 할 수 있다고 주장합니다. LLM의 주요 가치는 제약된 합성 액션 공간에 대한 **적응적 우선순위 지정(adaptive prioritization)**에 있습니다. LLM의 전략적 역할과 결정론적 화학 실행을 분리함으로써, 본 시스템은 LLM이 유망한 화학 공간 영역으로 탐색을 유도하는 동시에 로컬 도구가 화학적 실재성과 유효성을 강제하도록 하여 균형을 달성합니다. 저자들은 이 접근 방식이 합성 가능한 약물 및 분자 각인 고분자의 합리적 설계를 촉진하며, AI 보조 과학적 발견을 위한 신뢰할 수 있고 감사 가능하며 환각이 없는 경로를 제공한다고 결론짓습니다.