MoLRSI: A Recursive Self-Improving AI agent for Molecular Discovery

이 논문은 분자 발견용 에이전트가 과제를 거듭하며 스스로 워크플로우 탐색 정책을 개선하는 재귀적 자기개선(RSI) 구조를 실험으로 검증한 연구다.

이 논문은 한마디로 분자 발견 에이전트 MolRSI가 과거 과제의 경험을 persistent memory에 쌓아 워크플로우 탐색 정책을 재귀적으로 개선하게 만든 연구다. Explore Agent가 논문과 코드를 검증된 실행 스킬로 바꾸고, 경험이 이끄는 몬테카를로 트리 탐색(MCTS)으로 워크플로우를 만들고 고친다. 항생제 스크리닝에서 실험 적중률 15.9%로 전문가 워크플로우의 8.7%를 넘었고, 펩타이드-MHC 바인더 설계에서는 8개의 실험적 히트를 냈다.

핵심 요약

• MolRSI는 과학 논문과 코드를 검증된 실행 스킬로 바꾸고, 경험이 이끄는 몬테카를로 트리 탐색(MCTS)으로 워크플로우를 조립하고 개선했다.
• 25개 원천 과제에서 얻은 성과, 수정 결과, 실행 기록을 persistent memory에 저장해 이후 과제의 탐색 정책을 재귀적으로 개선했다.
• 항생제 가상 스크리닝에서 107개 화합물 중 17개가 MIC 32µg/mL 이하의 항균 활성을 보였고, 실험 적중률 15.9%는 전문가 주도 워크플로우의 8.7%보다 높았다.
• 펩타이드-MHC 바인더 설계에서 MART-1과 SARS-CoV-1에 대해 각각 5개, 3개씩 모두 8개의 실험적 히트를 냈고, 같은 조건의 Claude Science는 히트를 내지 못했다.
• 소형분자 자원 라이브러리는 110개의 재사용 가능한 스킬(모델 55, 메서드 48, 도구 7)로 구성했고, 단백질 라이브러리는 65개 스킬로 구성했다.
• 한계로, 저자들은 생물학적 표적과 평가 기준이 바뀌어도 정책 갱신이 유용한지가 남은 과제이며 실험 결과를 정책 갱신에 넣는 것은 향후 작업이라고 밝혔다.

논문 링크

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