LIDDIA: Language-based Intelligent Drug Discovery Agent

Motivation

• Known: 최근 AI 발전으로 개별 신약개발 작업(분자 생성, 성질 예측 등)의 자동화가 진행되고 있음. 또한 LLM이 과학 발견의 추론 엔진으로 활용되는 사례가 증가 중.
• Gap: 기존 LLM 기반 에이전트들(CHEMCROW, CACTUS, DRUGAGENT 등)은 신약개발의 복잡한 전체 과정을 통합적으로 네비게이션하지 못하며, 특히 구조 기반 신약개발(SBDD)을 위한 확립된 계산 도구를 활용하지 않음.
• Why: 신약개발은 장기간 소요되는 복잡한 과정으로, 다양한 약학적 요구사항 간의 균형을 취해야 함. 의약화학자의 전문성을 모방하는 자동화 에이전트가 필요.
• Approach: LLM의 추론 능력을 약물 발견 계산 도구(도킹, 성질 예측, 분자 생성 최적화)와 통합하여 REASONER, EXECUTOR, EVALUATOR, MEMORY 네 개 컴포넌트로 구성된 모듈식 에이전트 구축.

Achievement

좌측: 분자 품질 분석 - 여러 약학적 성질(QED, Vina 스코어 등)에서 생성된 분자들의 성능 분포. 우측: 액션 분석 - GENERATE, OPTIMIZE, SCREEN 액션의 호출 패턴

1. 높은 성공률: 30개의 임상적으로 관련된 치료 타겟 중 70% 이상에서 핵심 약학적 기준을 충족하는 분자들을 생성 성공.
2. 탐색-활용 균형: LIDDIA가 화학 공간(chemical space)에서 탐색(exploration)과 활용(exploitation)을 지능적으로 균형을 맞추는 패턴 확인 - 이것이 성공 결과의 핵심 메커니즘.
3. 신규 후보 발굴: AR/NR3C4(전립선암 및 유방암의 중요한 타겟) 타겟에 대해 약속 있는 신규 약물 후보 1개 식별.

How

• REASONER: 메모리의 분자 정보와 성질 프로파일을 기반으로 LLM을 활용하여 다음 액션을 계획. GENERATE(새 분자 생성), OPTIMIZE(기존 분자 개선), SCREEN(선별) 세 가지 액션 타입 수행.
• EXECUTOR: 각 액션별 최신 계산 도구 통합
  • GENERATE: Pocket2Mol 등 구조 기반 생성 모델로 표적 결합 부위 고려하여 분자 생성
  • OPTIMIZE: 분자 정제 생성 모델로 약물 유사성 및 구조 최적화
  • SCREEN: 복잡한 논리 기반 선별, 분자 조직화 및 관리
• EVALUATOR: 표적 결합 친화력, 약물 유사성(QED), 합성 접근성, Lipinski 규칙, 신규성, 다양성 등 다각적 평가. 플러그-앤-플레이 설계로 새 도구 추가 용이.
• MEMORY: 사용자 프롬프트(단백질 구조, 요구사항, 참고 분자), 액션 궤적, 생성 분자, 성질 정보 동적 저장 및 업데이트. REASONER의 정보 기반 계획 지원.

Originality

• 첫 통합 시스템: 구조 기반 신약개발(SBDD)을 위한 확립된 계산 도구들(도킹 시뮬레이션, 성질 예측)과 LLM 추론을 통합하는 첫 시도. 기존 에이전트들은 LLM의 내재 지식이나 웹 검색에만 의존.
• 생성 AI 기반 전체 파이프라인: 히트 식별(GENERATE)부터 리드 최적화(OPTIMIZE)까지 생성 모델 활용으로 화학 공간 확장. 기존 약물 라이브러리 검색 방식의 한계 극복.
• 의약화학 워크플로우 모방: 탐색-활용 균형, 반복적 분자 설계 최적화 등 실제 의약화학자의 의사결정 과정을 구현.
• 모듈식 및 확장 가능 설계: 각 컴포넌트의 독립적 교체/개선 가능. 새로운 계산 도구 통합 용이.

Limitation & Further Study

• 계산 도구 의존성: EXECUTOR의 성능은 Pocket2Mol, 도킹 시뮬레이션 등 기반 도구의 정확성에 제한. 도구의 오류 축적 가능성.
• LLM 환각(Hallucination) 위험: REASONER의 화학 지식 제한으로 화학적으로 불가능한 최적화 제안 가능성.
• 대규모 실험 검증 부족: 30개 타겟에 대한 in silico 평가이며, 실제 실험적 검증 미포함. 신약개발 후기 단계(임상시험) 통합 미실시.
• 탐색-활용 균형의 명시적 제어 메커니즘 부재: 현재 LLM의 암묵적 의사결정에 의존하며, 명시적 제어 전략 개발 필요.
• 후속 연구 방향:
  • 실제 화학 실험과의 통합 (셀프드라이빙 랩)
  • 세포/동물 모델 기반 생물학적 검증
  • 독성, 약물동역학 등 후기 개발 특성 예측 통합
  • 다중 타겟 및 조합 치료 시나리오 확장

Evaluation

총평: LIDDIA는 LLM의 추론 능력과 구조 기반 신약개발 도구를 통합하여 자동화된 신약개발을 향한 의미 있는 첫걸음을 제시한다. 70% 이상의 타겟에서 약학적 기준 충족 달성과 신규 후보 발굴은 고무적이나, in silico 평가에만 의존하고 실제 실험 검증이 부재한 점, 그리고 LLM의 화학적 신뢰성에 대한 심화 분석이 필요하다.