LIDDIA: Language-based Intelligent Drug Discovery Agent

Essence

LIDDIA 프레임워크의 개요: 사용자 프롬프트(AR/NR3C4 타겟팅 분자)에서 시작하여 REASONER, EXECUTOR, EVALUATOR, MEMORY 네 가지 연결된 컴포넌트를 통해 약물 후보군을 생성하는 과정

본 논문은 대규모 언어 모델(LLM)의 추론 능력을 활용하여 전임상 신약개발 과정을 자동화하는 지능형 에이전트 LIDDIA를 제시한다. LIDDIA는 계산 도구들을 결합하여 분자 생성, 최적화, 선별을 통해 주요 약학적 기준을 만족하는 신규 치료약물 후보를 식별할 수 있다.

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

높은 성공률: 30개의 임상적으로 관련된 치료 타겟 중 70% 이상에서 핵심 약학적 기준을 충족하는 분자들을 생성 성공.
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.
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

Novelty: 4/5 Technical Soundness: 3/5 Significance: 3/5 Clarity: 4/5 Overall: 3/5

총평: LIDDIA는 LLM과 SBDD 도구의 첫 통합으로 구조 기반 신약개발의 자동화 가능성을 보여주는 의미 있는 시도이다. 다만 in silico 평가에만 기반한 검증, 기반 도구의 오류 축적 위험, 그리고 명시적 제어 메커니즘 부재로 인해 실제 임상 적용까지는 상당한 추가 연구가 필요하다.

같이 보면 좋은 논문

DrugPlayGround: Benchmarking Large Language Models and Embeddings for Drug Discovery

기반 연구분자 생성 및 최적화 방법론의 기초를 제공한다.

다른 접근대형언어모델의 화학/생물학적 작업 성능을 체계적으로 평가하는 유사한 벤치마킹 프레임워크를 제시한다.

DrugAgent: Automating AI-aided Drug Discovery Programming through LLM Multi-Agent Collaboration

다른 접근신약개발 자동화를 위한 다른 LLM 에이전트 접근법을 제시한다.

Physical formula enhanced multi-task learning for pharmacokinetics prediction

다른 접근물리 제약을 다중작업학습에 통합하는 유사한 접근법이다.

후속 연구약물 발견 파이프라인을 확장하여 자동화한다.

De Novo Generation of Odorant Molecules with Targeted Olfactory Receptor Activation Patterns

후속 연구SPECTER2 유사도 0.92로 Computational Molecular Design와 AI-Driven Drug and Materials Discovery가 맞닿아, 'LIDDIA: Language-based Intelligent Drug Discovery Agent'가 이 ICML 2026 논문의 배경·대안·응용 맥락을 보완한다.

Efficient Evolutionary Search Over Chemical Space with Large Language Models

응용 사례계산 도구를 실제 신약개발 과정에 적용한다.

TxAgent: An AI Agent for Therapeutic Reasoning Across a Universe of Tools

응용 사례LLM 추론 능력을 실제 전임상 약물 개발에 적용