약물 발견의 혁신: LLM 기반 지능형 에이전트 DrugPilot 등장

Li Kun 등 연구진이 개발한 DrugPilot은 LLM 기반 약물 발견 에이전트로, 기존 LLM의 한계를 극복하고 다양한 데이터를 효율적으로 처리하며 높은 과제 완료율을 달성하여 약물 발견 과정의 혁신을 이끌 것으로 기대됩니다.

인공지능 기반 과학(AI4Science) 분야에서 대규모 언어 모델(LLM)은 복잡한 과학적 의미를 분석하고, 다양한 분야의 지식을 통합하며, 중요한 연구 과제를 지원하는 잠재력을 보여주고 있습니다. 하지만 약물 발견 분야에서는 전문 데이터 사전 학습, 문맥 창 확장, 인터넷 검색 등의 최적화에도 불구하고, 기존 LLM은 여전히 대규모 다양한 데이터 처리, 도메인 지식의 동적 업데이트 지연, 복잡한 계산 과제 결과 예측에 대한 신뢰도 부족과 같은 어려움에 직면해 있습니다.

Li Kun 등 연구진은 이러한 과제를 해결하기 위해 매개변수화된 추론 기능을 갖춘 LLM 기반 에이전트인 DrugPilot을 제안했습니다. DrugPilot은 기존의 end-to-end LLM 예측 방식의 주요 한계를 매개변수화된 추론 아키텍처를 통해 해결합니다. 이 에이전트 시스템은 약물 발견 파이프라인의 주요 단계를 지원하여 다단계 연구 과제의 자동 계획 및 실행을 가능하게 합니다.

특히, 공개 데이터셋과 사용자가 제출한 데이터를 모두 포함하는 다양한 약물 데이터 분석이라는 중요한 과제를 해결하기 위해 상호 작용적인 매개변수화된 메모리 풀을 개발했습니다. 이 혁신적인 구성 요소는 실제 약물 데이터를 매개변수 표현으로 표준화하여, 다회차 대화에서 효율적인 지식 검색을 가능하게 하는 동시에 텍스트 기반 데이터 전송에서 발생하는 정보 손실을 최소화합니다.

또한, 모델 미세 조정 및 평가를 위해 8가지 필수 약물 발견 과제에 걸친 약물 지시 데이터셋을 만들었습니다. Berkeley 함수 호출 평가 프레임워크를 기반으로 DrugPilot은 약물 발견 도구 지시 데이터셋에서 가장 진보된 도구 호출 기능을 보여주었으며, 기존 에이전트(예: ReAct, LoT)보다 우수한 성능을 달성했습니다. 구체적으로, 단순, 다중 및 다회차 과제에서 각각 98.0%, 93.5%, 64.0%의 과제 완료율을 달성했습니다.

DrugPilot은 약물 발견 과정의 혁신을 가져올 잠재력을 가지고 있으며, 앞으로 더욱 발전된 LLM 기반 에이전트의 개발과 활용을 기대하게 합니다. 이 연구는 AI를 활용한 과학 연구의 새로운 가능성을 제시하며, 특히 의약품 개발 분야에서 획기적인 발전을 가져올 수 있을 것으로 예상됩니다. 🎉