Expert-guided Bayesian optimization for sustainable protein design

Motivation

• Known: 기존 연구에서는 LLM 및 tool-augmented agent가 실험 계획, 가설 생성, 분자/유전자 설계를 보조하는 closed-loop 과학적 발견 워크플로우가 활발히 연구되어 왔으며, REMBO, TuRBO, SAASBO, SEBO 등 고차원 Bayesian optimization을 위한 다양한 방법이 존재한다. 또한 LLAMBO, OPRO, GPTuner 등 LLM을 최적화 루프의 구성요소로 사용하는 연구들도 존재한다.
• Gap: 기존 고차원 BO 방법들(REMBO, SAASBO, SEBO 등)은 관련 부분공간을 데이터로부터 추론해야 하므로 예산을 소모하며, LLM/인간 전문가가 설계 공간을 사전에 좁히는 관행에 대한 신뢰성과 실패 시 위험(무작위 탐색보다 성능 저하 가능성)을 정식화하고 분석한 이론적 틀이 없었다. 또한 식물성 식품 포뮬레이션과 같은 실제 고비용 블랙박스 최적화 문제에서 LLM 기반 전문가 가이드의 효과를 평가할 in silico 벤치마크도 부재했다.
• Why: 축산업이 전 세계 온실가스 배출의 약 16.5%를 차지하는 상황에서 지속가능한 단백질(식물성, 발효, 배양육/유제품) 개발은 기후·생물다양성·팬데믹 위험 완화에 중요하며, 각 후보 레시피가 물리적 제조와 인간 평가를 요구하는 고비용 블랙박스 최적화 문제이므로 샘플 효율적인 최적화 방법론이 실질적 산업적 가치를 갖는다.
• Approach: 전문가가 저차원 활성 변수 집합을 제안하고 이를 라운드마다 적응적으로 확장할 수 있는 EGBO 알고리즘을 정식화하고, 선택 갭(selection gap)과 최적화 갭(optimization gap)으로 분해되는 이론적 성능 보장을 제시한 뒤, FormulateBench라는 24개 식물성 포뮬레이션 벤치마크와 실제 유제품 배포 실험으로 검증했다.

Achievement

Figure 3. Best plant-based yogurt formulation (iteration 7,

1. 이론적 프레임워크: EGBO의 준최적성을 전문가 의존적 선택 갭(support discovery 관련 recall p, false-positive rate q)과 저차원 BO의 최적화 갭으로 분해하고, coverage(커버리지)-dimension(차원) 트레이드오프를 특성화하여 전문가 가이드가 언제 도움이 되는지 규명했다.
2. FormulateBench 벤치마크 공개: 실제 영양 목표에 기반한 24개(육류 14개, 유제품 10개) 식물성 포뮬레이션 태스크 suite를 도입, in silico 프로토타이핑을 지원하며 LLM-guided EGBO가 vanilla BO, random search, REMBO, SAASBO, TuRBO, SEBO 등 모든 baseline을 능가함을 보였다.
3. 실제 배포 및 인간 비교: Proxy Foods AI와 협력해 두 종의 식물성 유제품에 EGBO를 배포, 훈련된 인간 패널 평가 기준 utility를 10회 반복 내 각각 29%, 26% 개선했으며, 동일 시간 예산에서 전문 식품 과학자(utility 0.850) 대비 EGBO가 near-perfect utility 0.992(약 17% 개선)를 달성함을 실증했다.

How

Figure 1. EGBO vs. baselines on Hartmann6 embedded in d = 200 dimensions, with 95% CIs. CIs for all methods are shown in

• EGBO 알고리즘: 활성 변수 집합 Sr을 라운드마다 단조 증가시키며(S1 ⊆ S2 ⊆ ... ⊆ SQ), 제한된 도메인 X_Sr 위에서 Gaussian process 서라게이트와 BO acquisition function을 사용해 탐색
• 초기 라운드에서 전문가가 초기 활성 집합 S1을 제안하고, Sobol sequence로 ninit개 초기점을 샘플링
• Q=1(one-shot)과 Q>1(adaptive) 두 변형을 정의하고, 총 평가 예산 T를 각 라운드에 T1,...,TQ로 배분
• 이론 분석을 위해 sparse approximate optima family(Assumption 1: sparsity gap η, target sparsity k, multiplicity M, support union U_η)와 전문가 품질(Assumption 2: recall p, false-positive rate q, 좌표별 독립 가정)을 정의
• FormulateBench에서 Hartmann6를 d=200차원에 임베딩한 합성 실험과 24개 실제 영양 목표 기반 태스크로 벤치마킹, LLM(Claude Opus 4.6 등)을 전문가로 활용
• 실제 유제품(요거트 등) 제형 최적화에 EGBO를 배포하고 훈련된 인간 관능 패널로 utility 평가, 전문 식품 과학자와의 통제된 비교 실험 수행

Originality

• LLM 기반 설계 공간 축소라는 기존 관행을 단순 휴리스틱이 아닌 이론적으로 정식화한 최초의 시도로, 전문가 신뢰성을 recall p와 false-positive rate q라는 해석 가능한 파라미터로 분리
• one-shot과 adaptive expert querying을 통합하는 일반 프레임워크 제시 및 coverage-dimension 트레이드오프 분석
• 순수 시뮬레이션이 아닌 실제 산업 파트너(Proxy Foods AI)와의 closed-loop 실배포 및 전문 인간 식품과학자와의 직접 비교라는 드문 실증 사례 제공
• FormulateBench라는 재사용 가능한 공개 벤치마크를 통해 후속 연구자들이 실제 실험 전에 방법을 검증할 수 있는 인프라 구축

Limitation & Further Study

• Assumption 2에서 전문가의 변수 추가가 라운드마다 좌표별 독립이며 fresh draws라는 가정은 실제 LLM이나 인간 전문가의 판단이 상관관계를 가질 수 있다는 점에서 다소 강한 단순화임
• 이론적 분석이 특정 sparse approximate optima 구조(Assumption 1)에 의존하므로, 이 가정이 성립하지 않는 도메인에서의 일반화 가능성이 불분명함
• 실제 배포 실험이 두 종의 유제품과 한 명의 식품과학자와의 비교로 제한되어 있어 표본 크기가 작고 통계적 일반화에 한계가 있음
• 향후 연구로 전문가 신뢰성 p, q를 실시간으로 추정하거나 다양한 도메인(신약, 합금/촉매 설계)으로 EGBO를 확장하는 방향이 필요함

Evaluation

총평: LLM/인간 전문가 가이드 기반 최적화라는 널리 쓰이는 실무 관행에 이론적 근거를 부여하고 실제 산업 배포와 전문가 비교까지 수행한 보기 드문 완성도 높은 연구로, AI for Science 워크숍 논문으로서 이론과 실용성 양면에서 견고하다.