기술 요약: DeepRoot – 역사적 의학 텍스트에 대한 치료적 추론을 위한 KG 협력형 멀티 에이전트 시스템

문제 정의

역사적 의로 기록과 전통 의학은 현대 생물 의학 파이프라인으로의 전환을 위한 중요한 기반을 제공해 왔으나, 이들을 현대적 약물 발견의 검증 가능한 리드로 변환하는 데는 독특한 분류 체계와 표준화된 메커니즘의 부재로 인해 어려움을 겪고 있다. 기존의 대규모 언어 모델(LLM) 에이전트 시스템—도구 호출(tool-calling), 검색 증강(RAG), 또는 에이전트 기반 심층 연구 방식 등—은 이러한 텍스트를 검증 가능한 약물 발견 리드로 변환하는 과정에서 확장성 문제를 겪는다. 이들은 검증된 생물학적 근거에 기반한 추론 흔적(reasoning trace)이 부족하여, 역사적 주장과 현대적 기전을 연결하려 할 때 높은 환각(hallucination) 발생률을 보인다.

방법론: DeepRoot 시스템

DeepRoot는 검증된 지식 그래프(Knowledge Graph, KG)를 공동 구축하고 활용하여 치료적 추서(therapeutic reasoning)를 수행하도록 설계된 멀티 에이전트 LLM 파이프라인이다. 시스템은 Neo4j 그래프 위에서 작동하며, **조립(Assembly)**과 **발견(Discovery)**의 두 가지 주요 단계로 나뉜다.

1. 지식 그래프 구축 (DeepRoot 조립)

조립 단계에서는 7개의 특화된 에이전트가 원문(특히 신농본초경)으로부터 KG를 채우며, 큐레이션된 생물 의학 데이터베이스에 대한 엄격한 검증을 수행한다.

• 추출 및 감사 (Extraction & Auditing): 추출 에이전트는 출처(Sources), 전통적 질환(Traditional Maladies), 조제 방법(Preparation methods) 노드를 생성한다. 감사 에이전트는 출처를 정규화(예: 라틴 학명 해결)하고, 환각된 인용을 방지하기 위해 소스 텍스트에 대한 증거 범위를 검증한다.
• 접지 및 연결 (Grounding & Linking): 3개의 연결 에이전트가 감사된 엔티티를 현대 생물 의학 개념에 접지한다.
  • 출처-화합물 연결: 출처를 COCONUT 2.0 및 PubChem을 사용하여 화학 화합물과 연결한다.
  • 화합물-타겟 연결: 화합물을 ChEMBL을 사용하여 분자 타겟과 연결한다.
  • 타겟-질병 연결: 타겟을 Open Targets, NCBI Taxonomy, OLS4를 사용하여 현대 질병과 연결한다.
• 매핑 (Mapping): 질환-질병 매퍼(Malady-to-Disease Mapper)는 "생성 후 검증(generate-then-verify)" 프로토콜을 사용한다. LLM은 표준 명칭을 제안하지만, 온톨로지 코드(ICD-10, MeSH, SNOMED)는 외부 서비스에 대한 관용적인 완전 일치(tolerant exact match)를 통해서만 회수되어 환각된 식별자 생성을 차단한다.
• 스키마 (Schema): 결과 그래프는 6가지 노드 유형(출처, 전통적 질환, 현대 질병, 화학 화합물, 생물학적 타겟, 조제 방법)과 7가지 엣지 유형을 포함한다. 치료적 주장은 다음과 같은 루프가 존재할 때 "기전적으로 폐쇄(mechanistically closed)"된 것으로 간주된다: 출처 → 화합물 → 타겟 → 현대 질병. 이때 출처는 또한 전통적으로 전통적 질환을 치료하며, 해당 질환은 현대 질병으로 매핑된다.

2. 치료적 추론 (DeepRoot 발견)

발견 단계는 구축된 KG를 활용하여 주장을 평가하고 후보를 지명한다.

• 비판 에이전트 (Critic Agent): 그래프를 탐색하여 기전적 루프를 찾아냄으로써 역사적 출처-질환 주장을 평가한다. 경로 신뢰도 계층(T1–T4)과 엣지 증거 유형에 따라 타당성을 점수화한다.
• 발견 에이전트 (Discovery Agent): 특정 타겟 현대 질병에 대한 새로운 화합물 후보를 지명하기 위해, 그래프를 역방향(질병 ← 질환 ← 출처 ← 화합물) 및 정방향(화합물 → 타겟 → 질병)으로 탐색하여 기전적 타당성을 점수화한다.
• 점수 산정 로직 (Scoring Logic): 경로는 "가장 약한 연결(weakest link)" 계층(버킷)에 의해 사전식 순서로 정렬된 후, 엣지 신뢰도의 곱으로 순위가 매겨진다. 이는 체인이 가장 덜 검증된 구성 요소만큼만 강하다는 것을 보장하기 위함이다.

주요 기여

1. 접지와 추론의 분리: 본 논문은 접지(검증된 사실의 검색)와 추론(사실의 합성)이 분리 가능한 축임을 입증한다. DeepRoot는 검증된 KG를 접지로 사용하고 LLM을 추론에 사용하여, 두 기능을 혼용하는 시스템보다 우수한 성능을 보인다.
2. 에이전트 기반 KG 구축: 전문가의 감독이나 순수 LLM 생성에 의존하는 기존의 Graph-RAG 접근 방식과 달리, DeepRoot는 외부 데이터베이스(COCONUТ, PubChem, ChEMBL, Open Targets)에 대한 엄격하고 결정론적인 검증을 갖춘 에이전트 기반 조립 프로세스를 사용하여 고충실도 그래프를 구축한다.
3. 환각 억제: 본 시스템은 추론 시점에 온디맨드 도구 호출을 하는 것보다 사전에 검증된 KG를 구축하는 것이 환각을 더 효과적으로 억제함을 보여준다.

결과

시스템은 신농본초경 코퍼스(71개 청크)를 대상으로 여러 벤치마크에서 평가되었다.

• 보류된 항목 복구 (Held-Out Recovery): 블라인드 재발견 작업에서, DeepRoot는 Recall@20에서 21개의 보류된 화합물-질병 치료 쌍 중 10개를 복구했다(47.6%). 이는 원문 코퍼스 기반 LLM 베이스라인(4.8%)과 무작위 확률(~2.4%)을 크게 상회하는 수치이다.
• 기전적 복구 (Mechanistic Recovery): 노이즈가 있는 역사적 텍스트에서 후보를 순위 매길 때, DeepRoot Discovery는 LLM 베이스라인 대비 **1.95배 높은 출처 재현율(source recall)**과 **6.11배 높은 화합물 재현율(compound recall)**을 달성했다.
• 추론 품질 감사 (Reasoning Quality Audit): 독립적인 LLM 심사역(Claude Sonnet 4.6)이 6가지 차원에서 추론 품질을 평가했다. DeepRoot(KG + LLM)는 가장 높은 종합 점수(3.70–3.83)와 가장 낮은 환각률(7–10%)을 기록했다.
  • 도구 호출 베이스라인: 동일한 데이터베이스에 직접 API 접근 권한을 가진 LLM은 증거에 대해 **87%**의 환각을 보였다.
  • 그래프 전용 베이스라인: 환각은 0%였으나 추론 일관성(2.69)에서 가장 낮은 점수를 받았다.
  • DeepRoot: 낮은 환각률을 유지하면서도 추론 합성 능력을 보존하며 최적의 중간 지점을 점유했다.
• 절제 연구 (Ablation Studies): KG 엣지를 섞었을 때, 비판 에이전트의 치료적 타당성 확신도가 엣지 섭동에 따라 선형적으로 저하됨을 확인하였으며, 이는 LLM의 사전 지식이 아닌 실제 그래프 구조에 의존하고 있음을 입증한다.

의의 및 주장

본 논문은 DeepRoot가 역사적 의학 지식을 체계적으로 채굴하고 재목적화할 수 있는 경로를 제공한다고 주장한다. 역사적 산문을 검증 가능한 생물 의학 지식 그래프로 변환함으로써 DeepRoot는 다음을 가능하게 한다:

• 기전적 치료 추론: 단순한 텍스트 분류을 넘어 추적 가능한 생물학적 기전으로 이동한다.
• 확장 가능한 약물 재창출: 데 노보(de novo) 지명 및 천연물 가설의 우선순위 결정을 위한 후보 물질을 식별한다.
• 비용 효율성: KG 구축은 일회성 비용(~코퍼스당 $0.25)이며, 쿼리마다 발생하는 온디맨드 데이터베이스 검색의 반복적인 비용과 환각 위험을 피할 수 있다.

저자들은 DeepRoot가 의료적 조언이 아닌 가설 생성을 위한 연구 도구임을 강조한다. 시스템의 가치는 역사적 주장으로부터 현대 생물학까지의 추적 가능하고 기전에 근거한 체인을 제공함으로써, 실험적 후속 조치를 위한 후보 물질의 우선순위를 정하는 능력에 있다.