Agentic generation of verifiable rules for deterministic, self-expanding reaction classification

기술 요약: 결정론적이고 자기 확장 가능한 반응 분류를 위한 에이전트 기반 생성 기술

문제 정의

컴퓨터 보조 합성 계획(CASP)은 표적 분자를 전구체로 분해하기 위해 대규모 반응 규칙 라이브러리에 의존한다. 그러나 화학 반응은 멱법칙(power-law) 분포를 따르며, 이로 인해 희귀한 변환이 발생하는 "롱 테일(long tail)" 영역을 전수 수동 인코딩하는 것은 불가능에 가깝다. 기존의 분류 도구(예: NameRXN, Rxn-INSIGHT)는 고정된 수동 큐레이션 온톨로지와 규칙 세트에 의존한다. 이러한 시스템은 두 가지 결정적인 한계에 직면해 있다:

1. 정적 커버리지(Static Coverage): 설계 당시 존재하지 않았던 새로운 화학 구조나 변환에 적응할 수 없어, 유익하지 않은 "미분류(unclassified)" 태그를 남기거나 잘못된 할당을 수행한다.
2. 확장성(Scalability): 수천 가지의 반응 유형을 포함하여 필요한 입체 화학적 제약 조건과 작용기 호환성을 수동으로 인코딩하는 것은 노동 집약적인 병목 현상을 야기하며, 이는 새로운 화학 공간 탐색을 제한한다.

템플릿 프리(template-free) 신경망 모델이 반응 결과를 예측하는 데서 유망한 성과를 보여주었으나, 이들은 종종 물리적으로 유효하지 않은 분자를 생성하며 신뢰할 수 있는 합성 계획에 필요한 결정론적이고 해석 가능한 라벨이 부족하다. 반대로, 규칙 기반 매칭은 모호함 없는 할당을 제공하지만, 자동화된 방법으로는 대규모로 구축하기 어려운 포괄적이고 검증된 라이브러리를 필요로 한다.

방법론

저자들은 665,901개의 USPTO 특허 반응 코퍼스를 대상으로 반응을 분류하고 검증 가능한 반응 규칙(SMIRKS)을 생성하기 위해, 대규모 언어 모델(LLM)을 활용하는 완전 자동화된 멀티 에이전트 파이프라인을 제시한다. 이 시스템은 세 가지 핵심 구성 요소로 작동한다:

1. 멀티 에이전트 분류 및 동적 분류 체계 확장
파이프라인은 환각(hallucination)을 최소화하기 위해 "검증 사슬(Chain-of-Verification)" 패러다임을 사용하여 분류 작업을 다섯 개의 특화된 LLM 에이전트로 분해한다:

• 코호트 그룹화(Cohort Grouping): 기계론적으로 동일한 변환이 동일한 라벨을 받도록 하기 위해 RDChiral을 사용하여 반응들을 공유된 역합성 템플릿별로 그룹화한다.
• 계층적 에이전트(Hierarchical Agents): *계층 에이전트(Hierarchy Agent)*는 RXNO 온톨로지와 Carey 등의 연구를 기반으로 코호트를 68개의 시드 하위 클래스로 매핑한다. *상세 에이전트(Detailed Agent)*는 이를 가장 세밀하게 적용 가능한 수준까지 정교화한다.
• 검증 및 생성: *검증 에이전트(Verifier Agent)*는 할당을 감사한다. 만약 반응이 기존 카테고리에 부합하지 않을 경우, *생성 에이전트(Generator Agent)*가 새로운 분류 체계 항목(코드, 이름, 계층)을 제안한다. *집계 에이전트(Aggregator Agent)*는 이러한 제안들을 중복 제거하고 "살아있는" 계층 구조에 통합한다.
• 결과: 분류 체계는 인간의 큐레이션 없이 68개의 시드 클래스에서 14,073개의 고유 클래스로 유기적으로 확장된다.

2. 자율적 SMIRKS 일반화
각 클래스에 대해, LLM은 반복적인 정제 루프를 통해 일반화된 반응 패턴(SMIRKS)을 생성한다:

• 초안 작성(Drafting): LLM은 초기적이고 광범위한 패턴(낮은 특이도, 높은 재현율)을 생성한다.
• 검증(Validation): 패턴들이 코퍼스에 대해 테스트된다. 잘못된 반응 클래스에 매칭되는 패턴(False Positives)이 식별된다.
• 정제(Refinement): LLM은 잘못된 양성 사례를 제거하면서 재현율을 유지하기 위해 화학적으로 근거 있는 변이(예: 수소 개수 조절, 컨텍스트 원자 추가, 할로겐 목록 병합)를 적용한다.
• 결과: 이 과정은 4,964개의 일반화되고 높은 특이도를 가진 SMIRKS 패턴을 산출한다.

3. 결정론적 분류 아키텍처
최종 시스템인 ReactionClassifier는 LLM 기반 계층 구조와 SMIRKS 데이터베이스를 다음 두 가지 추론 모드와 결합한다:

• 하이브리드 엄격 모드(Hybrid Strict): 반응 차이 핑거프린트(MDP)로 학습된 경량 다층 퍼셉트론(MLP)이 고차원 클래스를 예측한다. 이 예측은 정확한 템플릿 라이브러리의 일부를 게이팅(gating)하여, 고정밀의 빠른 결정론적 매칭을 보장한다.
• 일반화된 SMIRKS(Generalised SMIRKS): 오탐지를 최소화하는 알고리즘(강결합 컴포넌트를 위한 Tarjan 알고리즘 기반)에 따라 정렬된 4,964개의 일반화된 패턴을 사용하는 '첫 번째 매치 우선(first-match-wins)' 전략을 사용한다.
• LLM 폴백(Fallback): 결정론적 레이어(템플릿 매치 실패)를 통과하지 못한 반응은 다시 멀티 에이전트 파이프라인으로 전달되어 분류되고, 잠재적으로 분류 체계를 더욱 확장한다.

주요 결과

• 분류 체계 확장: 시스템은 반응 분류 체계를 68개에서 14,073개로 확장하여, 기존 수동 도구가 놓치는 미세한 구별(예: 특정 시약 또는 조건)을 포착했다.
• 정확도:
  • Hybrid Strict 모드는 빈도 가중치가 적용된 USPTO 스플릿에서 3단계 계층에서 **97.9%**의 전체 정확도를, 템플릿 균형 스플릿에서 **94.1%**의 정확도를 달성했다.
  • Generalised SMIRKS 모드는 3단계에서 **85.9%**의 전체 정확도를 달성했다.
  • 확신 학습(confident learning)과 LLM-as-judge 판정을 통한 라벨 노이즈 추정 결과, 실제 오라벨링 비율은 약 **0.33%**로 나타났으며, 이는 인간이 큐레이션한 NameRXN의 기준선과 유사하다.
• 분포 외(OOD) 성능:
  • CRD-2025 코퍼스(2025년 이후 학술 반응)에서 Generalised SMIRKS 모드는 **68.3%**의 커버리지를 달성하여, Rxn-INSIGHT(64.8%)를 능가하고 NameRXN(89.3%)에 근접했다. 이는 규칙 수가 약 10%에 불과함에도 달성한 성과이다.
  • RingBreaker 코퍼스(고리 형성 반응)에서 시스템은 **80.6%**의 커버리지를 달성하여, NameRXN(73.7%)과 Rxn-INSIGHT(6.9%)를 크게 앞질렀다.
• 지연 시간(Latency): 결정론적 모드는 반응당 6~9 ms로 작동하며, 이는 Rxn-INSIGHT보다 약 2배 빠르다.
• 자기 확장: 미분류 학술 화학 분야에 적용되었을 때, 시스템은 C–H 기능화, 환원적 교차 결합(reductive cross-coupling) 등 특허 데이터에서 과소 대표된 확립된 방법론을 포함하여 1,942개의 새로운 분류 항목을 성공적으로 추가했다.

의의 및 주장

본 논문은 LLM이 단순히 화학적 언어를 이해하는 것을 넘어, 대규모로 신뢰할 수 있는 결정론적 심볼릭 규칙을 생성함으로써 "화학의 문법을 쓰는" 능력을 갖추었음을 입증한다고 주장한다. 주요 의의는 결정론(신뢰할 수 있는 합성을 위해 필수적)과 적응성(진화하는 화학 지식에 필요) 사이의 긴장을 해결하는 데 있다.

빠르고 결정론적인 심볼릭 레이어와 생성적 언어 모델 레이어를 분리함으로써, 시스템은 "살아있는 반응성 데이터베이스"를 구축한다. 이 접근 방식은 다음과 같다:

1. 큐레이션 자동화: 수년간의 전문가 수동 인코딩 과정을 온디맨드(on-demand) 자동화 파이프라인으로 대체한다.
2. 미세 제어 가능: 확장된 분류 체계를 통해 생성 모델이 광범위한 카테고리가 아닌 특정 명명된 변환에 조건화될 수 있게 하여, 더욱 정밀한 화학 공간 탐색을 가능하게 한다.
3. 훈련 데이터 너머의 일반화: 원래의 훈련 분포 외부의 새로운 화학을 식별하고 인코딩할 수 있어, 산업용 특허 데이터와 학술적 방법론 사이의 간극을 메운다.

저자들은 이 아키텍처가 생성 모델을 신뢰할 수 있고 자기 확장 가능한 심볼릭 시스템으로 전환하는 일반적인 경로를 제공하며, 향에는 CASP 도구가 현재 맞춤형 방법론 개발이 필요한 복잡한 분자 합성에 접근할 수 있도록 할 것이라고 결론짓는다.