Agentic Systems for Sample-Efficient Drug Formulation Design

Motivation

• Known: SEDDS는 난용성 약물의 경구 생체이용률을 높이는 지질기반 제형 전략으로, 부형제 스크리닝, pseudo-ternary phase diagram, design-of-experiments(DoE) 등 전통적 방법과 최근에는 Bayesian optimization(BO) 기반 surrogate model이 실험 효율을 개선해왔다.
• Gap: 기존 워크플로우는 노동집약적이며 국소적 최적화에 치우쳐 친숙하고 보수적인 formulation space만 탐색하는 한계가 있고, BO 역시 매 배치마다 surrogate model 재학습과 다회차 순차적 wet-lab 실험이 필요하며 API(활성의약성분)마다 학습 지식이 전이되지 않는다는 문제가 있다.
• Why: 신약 후보물질의 70% 이상이 난용성(BCS Class II/IV)으로 분류되는 상황에서, 실험 효율적이며 확장 가능한 자율 제형 설계 시스템은 formulation space의 폭넓은 탐색을 가능하게 하여 신약 개발의 병목을 해소하고 차별화된 제형 발견 기회를 넓힐 수 있다는 점에서 중요하다.
• Approach: 구조화된 실험 데이터(부형제 쌍 성능 통계, 유사 API 검색, level/response 트렌드)로 augmentation된 LLM 기반 proposer-reviewer 2-에이전트 아키텍처를 구축하고, 이를 준비-물리화학적 특성분석-분산 어세이가 end-to-end로 통합된 소형 자동화 실험실에서 closed-loop로 실행하여 Clofazimine SEDDS 제형을 설계·검증했다.

Achievement

Figure 1. Cumulative best AUC15–180 vs. formulations screened

1. 샘플 효율성 입증: 단 1개 배치(16개 제형)의 agentic 시스템이 4배치(64개 제형) BO 베이스라인과 동등한 성능을 달성함.
2. 실험 데이터의 기여도 정량화: ablation study를 통해 in-house 실험 데이터가 평균 약물 용해도(drug solubilization) 45% 개선에 기여함을 보이며, 이는 LLM의 parametric knowledge만으로는 부족함을 입증함.
3. 모델 재학습 없는 in-context 학습: 두 번째 agentic batch가 모델 가중치 업데이트 없이 prompt 기반 학습만으로 첫 배치 대비 제형 품질을 33% 개선함.
4. 완전 자율 실험실 시연: 128개 제형을 4개 실험 조건에 걸쳐 단 8일 만에 설계, 제조, 분석까지 완료하는 closed-loop 자율 SEDDS 실험실을 구현함.

How

Figure 2. Formulation space exploration and batch-to-batch

• 자동화된 liquid handling 시스템과 부속 계측 장비를 통합한 closed-loop 자율 실험실을 구축, 16개 제형 배치를 설계·제조·3시간 분산 어세이·분석까지 약 24시간 내 완료
• 모든 실험 메타데이터, 조성 벡터, 엔드포인트 측정값을 구조화된 데이터베이스에 자동 기록하여 평가 기록이자 후속 설계 사이클의 in-context evidence layer로 활용
• Agent 1(Proposer)이 전체 context window를 입력받아 16개 후보 제형을 8개 파라미터 값과 자유텍스트 reasoning을 포함한 구조화 JSON 배열로 생성
• Agent 2(Reviewer)가 제안된 제형을 검증(구체적 검증 메커니즘은 본문 발췌에 명시되지 않음)하여 wet-lab에 바로 투입 가능한 형태로 정제
• Clofazimine(BCS Class II, 고지용성, 높은 침전 위험)을 타깃 API로 선정해 BO 베이스라인, ablation 조건(실험 데이터 제거), 2차 agentic batch(prompt 기반 학습)의 네 가지 조건에서 비교 실험 수행

Originality

• LLM의 parametric knowledge와 구조화된 in-house 실험 데이터(부형제 쌍 통계, 유사 API 검색, level/response 트렌드)를 결합해 augmentation하는 새로운 방식 제시
• 합성 계획(synthesis planning)에 집중되어 온 기존 autonomous chemistry 연구와 달리, 지질 기반 제형 설계-제조-테스트 사이클 전체를 자율화한 최초 시도 중 하나
• 두 에이전트(proposer-reviewer) 구조를 통해 사람의 수동 제형 선택 없이도 검증된 제형을 생성하는 아키텍처 제안
• 모델 재학습 없이 in-context 정보만으로 배치 간 성능이 개선되는 batch-to-batch in-context learning 현상을 실증

Limitation & Further Study

• 단일 API(Clofazimine)에 대해서만 검증되어, 다양한 화학적 특성을 가진 다른 약물에 대한 일반화 가능성이 불확실함
• BO 대비 4배 실험 효율은 고무적이나, 절대적 성능(최종 solubilization 수준) 자체가 BO를 능가하지는 못하고 "매칭" 수준에 그침
• Reviewer 에이전트의 구체적 검증 로직 및 실패 사례에 대한 상세 분석이 발췌 내용에는 부족하여 시스템의 강건성 평가가 제한적임
• 향후 연구로는 다수의 API에 걸친 cross-compound 전이 학습 검증, reviewer agent의 역할 및 실패 모드에 대한 세부 분석, 더 큰 배치 수를 통한 장기적 성능 수렴 검증이 필요함

Evaluation

총평: 실제 wet-lab 자동화 실험실과 결합해 LLM 기반 agentic 시스템의 실질적 실험 효율성을 정량적으로 입증한 실용적이고 의미 있는 연구로, 단일 화합물에 국한된 검증이라는 한계에도 불구하고 자율 제형 설계 분야의 중요한 첫걸음으로 평가된다.