Data Mining for Co-Crystal Synthesis Design Powered by Large Language Models

Motivation

• Known: 기존 AI 기반 co-crystal 설계 연구는 주로 coformer 스크리닝 및 co-crystal formability 예측 등 분자쌍 선택 단계에 집중되어 왔으며, OSCAR4, ChemDataExtractor 등 화학 정보 추출 시스템과 LLM 기반 추출 프레임워크들이 문헌으로부터 화학 정보를 자동 추출하는 데 활용되어 왔다.
• Gap: 합성 조건(synthesis-condition) 설계에 필요한 실험적 지식은 논문마다 이질적인 서술 형태로 흩어져 있어 표준화된 데이터셋으로 존재하지 않으며, 방법별로 요구되는 실험 필드가 다르기 때문에 범용 텍스트 마이닝만으로는 신뢰할 수 있는 추출이 어렵다는 점에서 co-crystal 합성 조건 설계는 여전히 미개척 영역이다.
• Why: 합성 조건 설계는 co-crystal 개발의 실질적 병목이며, 문헌에 산재한 method-specific 실험 지식을 구조화하여 재사용 가능하게 만들면 분자쌍 선택을 넘어선 실제 실험 설계 지원이 가능해지므로 신약 물성 제어와 제형 개발에 중요한 실용적 함의를 가진다.
• Approach: CSD에 연계된 문헌 전문(full-text)을 3단계 계층적 LLM 파이프라인(절차 탐지, 방법 분류, 파라미터 추출)으로 처리하여 method-aware 합성 레코드 데이터베이스를 구축하고, 이를 few-shot 검색-예측 및 tool-augmented agent에 통합한다.

Achievement

Figure 1. Overview of COSYN. Full-text articles from CSD-linked DOIs pass through a three-stage, method-aware extraction

1. CoSyn-DB 구축: CSD 연계 DOI 4,287건에서 확보한 3,997건 PDF로부터 20,783건의 method-aware 합성 레코드를 갖춘 데이터베이스를 구축하였다.
2. 합성 조건 예측: 검색된 유사 실험 선례를 활용한 few-shot LLM 예측(CoSyn-Predictor)을 통해 새로운 API-coformer 쌍에 대한 method-specific 조건 추천이 가능함을 보였다.
3. 에이전틱 어시스턴트 통합 및 벤치마크: 추출·검색·예측 기능을 tool-augmented 멀티에이전트 구조(Orchestrator, Analysis/Retrieval/Predictor Agent)로 통합하고, 전문가가 큐레이션한 CoSyn-Bench로 시스템 수준 성능을 평가하였다.

How

Figure 2. COSYN-DB construction and parameter coverage. [A] Sankey diagram of the data flow from 4,287 source DOIs to no

• CSD의 co-crystal 구조 엔트리와 연계된 논문 DOI를 수집(4,287건)하고 자동 전문 검색을 통해 3,997건의 PDF를 확보
• 3단계 파이프라인 구성: (1) 절차 탐지(procedure detection), (2) 방법 분류(method classification, 12개 method type), (3) 파라미터 추출(parameter extraction)
• 용액 기반(solution, slurry, antisolvent crystallization) 및 고체상/특수 경로(grinding, hot-melt extrusion) 등을 포괄하는 method-aware taxonomy를 문헌 기반으로 설계
• 수작업 주석 데이터셋을 사용해 각 구성요소(단계별)와 시스템 전체 성능을 개별적으로 평가
• 검색된 유사 레코드를 in-context 예시로 활용하는 few-shot LLM 기반 CoSyn-Predictor로 새로운 분자쌍의 조건 예측
• Orchestrator가 Analysis Agent, Retrieval Agent, Predictor Agent를 조율하는 agentic assistant를 구성하고 CoSyn-Bench로 시스템 수준 평가 수행

Originality

• 기존 co-crystal AI 연구가 분자쌍 선택(pair-level screening)에 집중된 것과 달리, 문헌 기반 합성 조건 설계라는 미개척 문제를 정면으로 다룸
• 단일 범용 스키마 대신 방법별로 다른 실험 필드를 반영하는 method-aware taxonomy를 설계하여 이질적 합성 절차를 구조화
• 추출, 예측, 에이전틱 어시스턴스를 하나의 모듈형 파이프라인으로 결합하고, 도메인 특화 벤치마크(CoSyn-Bench)를 함께 제시한 점

Limitation & Further Study

• 필드 완전성(field completeness)이 원문 보고 수준에 의존하기 때문에 레코드 품질이 불균일하며, 이는 다운스트림 예측 신뢰도에 영향을 줄 수 있음
• PDF 변환 및 접근 제한으로 인한 문헌 손실(4,287건 중 3,997건만 확보)이 데이터셋의 대표성에 영향을 줄 가능성 존재
• 평가가 수작업 주석 및 전문가 큐레이션 벤치마크에 의존하여 규모가 제한적일 수 있으며, 대규모 정량적 검증(예: 실제 실험 재현율)이 추가로 필요
• 향후 연구로 더 다양한 방법 유형 확장, 다국어/다형식 문헌 대응, 실제 실험실 검증을 통한 예측 정확도 확인 등이 요구됨

Evaluation

총평: Co-crystal 합성 설계에서 그동안 간과되었던 조건 설계 문제를 LLM 기반 문헌 마이닝으로 체계화한 실용적이고 시의적절한 연구로, 데이터셋과 벤치마크 공개를 통해 후속 연구의 기반을 마련했다는 점에서 의의가 크다.