AgentDrug: 대형 언어 모델을 활용한 제로샷 분자 편집 에이전트 워크플로우

초록

AgentDrug는 LLM을 중심으로 화학 툴킷과의 이중 루프를 결합한 에이전트형 워크플로우로, 분자 유효성 검증과 속성 향상을 단계적으로 수행한다. 내부 루프는 RDKit을 이용해 SMILES 파싱 오류를 교정하고, 외부 루프는 일반 피드백과 속성 변화의 그래디언트를 제공해 목표 속성을 효율적으로 개선한다. 실험 결과 Qwen‑2.5‑3B와 7B 모델에서 기존 ChatDrug 대비 단일·다중 속성 편집 정확도가 각각 20%‑30% 이상 상승하였다.

상세 분석

AgentDrug는 기존 LLM 기반 분자 편집 접근법이 갖는 두 가지 주요 한계를 체계적으로 보완한다. 첫째, LLM이 생성하는 SMILES 문자열의 ‘분자 환각(molecule hallucination)’ 문제를 해결하기 위해 내부 루프에서 RDKit 파싱 오류를 실시간으로 감지하고, 오류 유형(문법, 괄호 불일치, 중복 결합, 원자 원가, 방향족성, 고리 미완성)별로 구체적인 ParseError 메시지를 LLM에 피드백한다. 이를 통해 LLM은 오류를 단계별로 디버깅하듯 수정하면서 유효한 분자를 생성한다. 둘째, 외부 루프는 단순 “목표를 달성하지 못했다”는 일반 피드백을 넘어, 각 목표 속성 p_i에 대해 현재값과 목표값 차이를 정량화한 그래디언트 ∇p를 제공한다. 이 그래디언트는 방향(증가/감소)과 크기(필요 변동량)를 동시에 인코딩하므로, LLM이 ‘그라디언트 상승’ 방식으로 편집을 진행하도록 유도한다. 또한, 유효한 분자가 확보되면 유사도 기반 검색을 수행해 데이터베이스 D에서 구조적 유사도와 목표 속성 만족도를 동시에 만족하는 후보 m_e를 추출하고, 이를 인‑컨텍스트 예시로 제공한다. 이렇게 하면 LLM이 기존 화학 지식을 활용해 보다 현실적인 편집 전략을 채택한다. 실험 설계는 ZINC에서 추출한 500개의 입력 분자를 사용했으며, LogP, TPSA, QED 세 가지 속성을 단일·다중 목표로 설정하였다. 평가 지표는 ‘loose’와 ‘strict’ 두 임계값을 적용한 성공률(accuracy)과 유효성(valid) 비율이다. 결과는 Qwen‑2.5‑3B 모델에서 AgentDrug가 기존 ChatDrug 대비 단일 속성 ‘loose’에서 평균 20.7%p, ‘strict’에서 16.8%p 향상했으며, 다중 속성에서도 각각 7.0%p, 5.3%p 상승했다는 점을 보여준다. 모델 규모를 7B로 확대하면 향상 폭이 더욱 커져, 단일 속성 ‘loose’ 28.9%p, ‘strict’ 29.0%p, 다중 속성 ‘loose’ 14.9%p, ‘strict’ 13.2%p까지 도달한다. 이러한 성능 향상은 특히 그래디언트 기반 피드백과 유효성 검증 루프가 결합된 구조적 설계가 LLM의 무작위성에 의존하던 기존 방식보다 훨씬 안정적이고 효율적인 편집을 가능하게 함을 입증한다.