MolHop: Scaffold-Hopping Molecular Design with Agentic Reinforcement Learning

이 논문은 분자 구조를 바꾸는 스캐폴드 hopping 을 계층적 탐색 문제로 만들고 강화학습으로 배우는 MolHop 에이전트 프레임워크를 만들었다.

이 논문은 한마디로 구조가 완전히 다른 대체 분자를 찾는 스캐폴드 hopping 을 에이전트 탐색 문제로 정식화한 MolHop 프레임워크를 제안했다. 상업 분자 라이브러리에서 약 1.6M 개의 스캐폴드를 뽑아 H1 부터 H7 까지 굵게부터 곱게 단계를 나눈 행동 공간으로 조직했고, 에이전트는 스캐폴드 탐색, 분자 편집, 궤적 기억을 한 환경 안에서 함께 쓴다. 훈련 없이도 Grok-4.6 과 DeepSeek-Flash-V4.1 을 MolHop 에 연결하자 공동 성공률이 크게 올랐고, SFT 뒤 GRPO 로 학습한 MolHop-9B 는 GPT-5.6-sol, Claude-5-Opus, Gemini-3.1-Pro 같은 생성 기준 모델들을 이겼다.

핵심 요약

• Enamine 상업 분자 라이브러리에서 약 1.6M 개의 스캐폴드를 뽑아 H1 에서 H7 까지 굵고 곱게 계층을 나눈 행동 공간을 만들었다.
• 에이전트가 스캐폴드 탐색, 분자 편집, 실행 취소를 같은 흐름 안에서 고르고, 환경이 궤적 기억을 구조화된 상태로 관리해 긴 탐색을 지원하게 했다.
• 훈련 없이 Grok-4.6 을 MolHop 에 연결하자 약물 과제 joint@H1 이 41.0%에서 64.0%로, 상업 화합물 과제가 36.5%에서 69.0%로 올랐다.
• SFT 후 GRPO 로 학습한 MolHop-9B 는 약물 데이터셋 joint@H1 55.5%, 상업 데이터셋 73.5% 로 GPT-5.6-sol, Claude-5-Opus, Gemini-3.1-Pro 를 모두 이겼다.
• MolHop-9B 가 낸 후보의 스캐폴드 Tanimoto 중앙값은 0.123 과 0.115 로, 기준 모델들보다 더 큰 구조 차이를 보였다.
• 스캐폴드 라이브러리나 궤적 기억을 빼면 성능이 크게 떨어져, 계층적 탐색 공간과 기억이 긴 탐색의 핵심임을 확인했다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.