Coder as Editor: Code-driven Interpretable Molecular Editing

Motivation

• Known: LLM은 화학 지식을 이용해 분자 최적화를 위한 고수준 editing intention을 자연어로 생성하는 데 강점을 보이며, SMILES 기반 생성이나 그래프 기반 최적화(RL, diffusion 등) 방법들이 분자 편집 및 최적화에 널리 연구되어 왔다.
• Gap: SMILES는 분자 그래프를 선형화한 표현으로 하나의 분자에 여러 유효한 SMILES가 존재하고 작은 구조적 변경도 문자열에 큰 변화를 초래하는 modality mismatch가 있어, LLM이 생성한 자연어 편집 의도(rationale)와 실제 SMILES 출력 결과 사이에 정합성이 떨어지고 해석 가능성과 재현성이 저해된다.
• Why: 의도와 실행 사이의 정합성이 낮으면 human-in-the-loop 피드백 루프와 합성 가능성(synthetic feasibility)이 훼손되어 실제 신약 개발 워크플로우에서 LLM 기반 분자 설계의 신뢰성과 실용성이 크게 제한된다.
• Approach: MECo는 분자 편집을 cascaded 프레임워크로 재정의하여, 먼저 reasoning LLM이 분자와 설계 목표로부터 사람이 이해 가능한 editing intention(rationale과 action)을 생성하고, 이어서 별도로 학습된 compact code-oriented LLM(coder LLM)이 이를 RDKit 기반 executable code로 변환해 분자 그래프 상에서 직접 구조를 편집한다.

Achievement

1. 높은 재현 정확도: reaction 및 target-specific compound pair에서 추출한 held-out realistic edit에 대해 98% 이상의 정확도로 편집을 재현하여, 동일 크기의 SMILES 직접 생성 baseline을 크게 상회했다.
2. 의도-실행 정합성 대폭 개선: 물리화학적 특성 및 타겟 활성 최적화를 아우르는 다운스트림 벤치마크에서 editing intention과 결과 구조 간 consistency를 38~86%p 향상시켜 90% 이상 달성했다.
3. 구조 유사성 보존 및 성공률 향상: SMILES 기반 baseline 대비 구조적 유사성을 유지하면서 더 높은 최적화 성공률을 달성했다.
4. 합성 데이터만으로 일반화: 무작위 분자에 대한 제한적 moiety substitution으로 생성한 synthetic data만으로 학습된 coder LLM이 reaction- 및 activity-derived realistic edit에도 잘 일반화되었다.

How

• Compact code-oriented language model을 무작위 분자에 대한 제한적 moiety substitution으로 생성한 synthetic data만으로 fine-tuning하여 coder LLM을 학습.
• Chemical reaction 데이터셋과 target-specific bioactive compound pair로부터 편집 사례를 추출하는 scalable pipeline을 구축해 realistic evaluation set 구성.
• Reasoning LLM(예: Deepseek-R1)이 분자와 설계 목표로부터 rationale과 action(예: 특정 작용기 치환)을 자연어로 생성.
• Coder LLM이 해당 action을 RDKit 기반 executable script로 번역하여 precise locate, structure edit, results check 단계를 거쳐 분자 그래프를 직접 수정.
• 물리화학적 특성 및 target activity를 다루는 여러 다운스트림 벤치마크에서 SMILES 기반 baseline과 비교 평가(정확도, consistency, 성공률, 구조 유사성 지표 사용).

Originality

• 분자 편집을 SMILES나 그래프 공간에서 직접 생성하는 기존 패러다임 대신, code를 중간 표현(intermediate representation)으로 도입하여 reasoning과 execution을 명시적으로 분리한 cascaded 프레임워크를 제안.
• LLM이 강점을 보이는 code generation 능력을 활용해 분자 편집의 해석 가능성(interpretability), 검증 가능성(verifiability), 재현성(reproducibility)을 동시에 확보한 최초의 시도 중 하나.
• Chemical reaction 및 bioactive compound pair로부터 editing action을 자동 추출하는 scalable data construction pipeline을 제시하여 synthetic-to-real generalization을 실증.

Limitation & Further Study

• Coder LLM이 synthetic moiety substitution 데이터만으로 학습되었기 때문에, 매우 복잡하거나 다단계의 ring 재구성, stereochemistry 변경 등 고난도 편집에 대한 일반화 한계가 있을 수 있음.
• Figure 5에서 언급된 symmetry-to-asymmetry core replacement처럼 하나의 action에 대해 여러 유효한 구조적 permutation이 존재하는 모호성 문제를 충분히 다루지 못했을 가능성이 있음.
• Reasoning LLM(rationale/action 생성)과 coder LLM(code 생성)이 분리되어 있어 두 모듈 간 오류가 누적(error propagation)될 위험이 존재하며, 이에 대한 정량적 분석이 부족.
• 후속 연구로 실제 wet-lab 검증이나 합성 가능성(synthetic feasibility) 평가, 그리고 human-in-the-loop 피드백 루프를 통한 반복적 개선 실험이 필요.

Evaluation

총평: SMILES의 modality mismatch 문제를 code를 매개로 한 cascaded reasoning-execution 구조로 해결한 참신하고 실용적인 접근이며, 정량적 성과도 인상적이지만 편집 모호성과 오류 전파에 대한 심층 분석이 보완되면 더 완성도 높은 연구가 될 것이다.