가상 세포에서의 자율적 메커니즘 추론을 향하여

생물학 분야에서 LLM의 활용은 사실에 근거한 실행 가능한 설명이 부족하다는 한계가 있었다. 이 논문은 생물학적 추론을 구조화된 액션 그래프로 정형화하고, 멀티 에이전트 프레임워크인 VCR-Agent를 통해 검증 가능한 메커니즘 추론을 자동화함으로써 신약 개발 및 세포 반응 예측의 신뢰성을 높인다.

기존 LLM은 수학이나 프로그래밍처럼 결정론적인 규칙이 있는 분야에서는 강한 추론 능력을 보이지만, 생물학처럼 파편화된 문헌 지식에 의존하는 분야에서는 환각 현상이 심하고 검증이 어렵다. 이는 LLM이 생성하는 설명이 구조화되지 않은 자유 형식의 자연어이기 때문에 발생하는 문제이다.

VCR-Agent는 이 문제를 해결하기 위해 생물학적 추론 과정을 'Mechanistic Action Graph'라는 구조화된 데이터로 변환한다. 이는 마치 코드를 실행하여 결과를 확인하듯, 생물학적 인과 관계를 노드(액션)와 엣지(의존성)로 연결하여 각 단계가 생물학적 사실과 일치하는지 개별적으로 검증할 수 있게 만든다.

결과적으로 LLM은 단순한 텍스트 생성을 넘어, 외부 지식 베이스에서 추출된 사실을 바탕으로 논리적인 그래프를 설계하는 '메커니즘 설계자' 역할을 수행한다. 이러한 구조적 제약은 모델이 학습 데이터에 없는 새로운 약물이나 세포 환경에서도 생물학적으로 타당한 가설을 세울 수 있는 유도 편향(Inductive Bias)을 제공한다.

VCR-Agent 프레임워크는 크게 세 단계로 작동한다. 첫째, Report Generator가 입력된 섭동(Perturbation)과 세포 컨텍스트에서 엔티티를 추출하고 StarkPrimeKG, Harmonizome, PubMed, Wikipedia 등 외부 지식 베이스에서 관련 사실을 검색하여 종합적인 자연어 보고서를 생성한다.

둘째, Explanation Constructor가 생성된 보고서를 바탕으로 미리 정의된 20개의 액션 프리미티브(Action Primitives)를 사용하여 구조화된 설명을 생성한다. 각 액션은 [입력 엔티티 → 메커니즘 연산 → 출력 상태 변화]의 논리 구조를 가지며, 이들은 유향 비순환 그래프(DAG) 형태로 연결되어 인과 관계를 형성한다.

셋째, Verifier-based Filtering 단계에서 생성된 각 액션의 타당성을 검증한다. 예를 들어 binds_to 액션의 경우 Boltz-2 모델을 사용한 DTI 검증기가 [약물과 단백질 구조 입력 → 물리적 결합 확률 계산 → 임계값 초과 여부 확인] 과정을 거쳐 물리적 개연성을 평가한다. regulates_expression 액션은 실제 실험 데이터와 대조하여 유전자 발현 방향의 일치 여부를 확인한다.

실험 결과, VCR-Agent는 기존의 오픈 소스 및 폐쇄형 LLM 대비 구조적 유효성(Validity)과 검증 가능성(Verifiability) 측면에서 압도적인 성능을 보였다. 특히 Claude-4 기반의 VCR-Agent는 1.000의 유효성을 기록하며 복잡한 생물학적 제약 조건을 완벽하게 준수했다.

TahoeQA 벤치마크를 통한 하위 작업 평가에서, 구조화된 설명을 학습 데이터로 사용한 모델(SFT-Prompt)은 단순 라벨 예측 모델 대비 유전자 발현 예측 정확도(F1-score)가 크게 향상되었다. 구체적으로 Differential Expression 작업에서 평균 F1-score 0.435를 기록하여 기본 SFT(0.292) 대비 약 49%의 성능 향상을 보였다.

또한 검증기 기반 필터링을 통해 잘못된 DTI 주장의 28.2%를 제거하고, 유전자 발현 관련 환각의 87.3%를 정제함으로써 데이터셋의 신뢰도를 높였다. 이는 구조화된 추론이 단순한 설명 도구를 넘어 모델의 예측 성능을 가이드하는 강력한 감독 신호가 될 수 있음을 입증한다.

VCR-Agent의 핵심 아키텍처는 지식 획득과 추론 생성을 분리한 2단계 파이프라인이다. Report Generator는 HunFlair2를 사용한 NER과 StarkPrimeKG 등의 다중 소스 검색을 통해 컨텍스트를 보강하며, Explanation Constructor는 이를 DAG 구조의 DSL(Domain Specific Language)로 변환한다.

액션 공간(Action Space)은 시스템 초기화, 대사, 조절, 기능, 상호작용, 표현형, 단백질 항상성의 7개 카테고리, 20개 프리미티브로 구성된다. 각 프리미티브는 엄격한 인자 스키마(Argument Schema)를 따르며, 이는 자동화된 검증기가 각 인자의 생물학적 타당성을 수치적으로 평가할 수 있게 한다.

검증 파이프라인은 Boltz-2 기반의 구조적 결합 예측과 Tahoe-100M 기반의 실험 데이터 대조를 결합한다. DTI 검증기는 단백질-리간드 복합체의 결합 에너지를 모사하여 확률 점수를 산출하고, DE 검증기는 통계적 유의성(p < 0.05)과 발현 변화량(log2 fold change)을 기준으로 환각을 필터링한다.

현재 구현된 검증기는 약물-표적 상호작용(DTI)과 차등 발현(DE)에 집중되어 있어, 대사 반응이나 후성유전학적 변화 등 다른 액션 타입에 대한 전수 검증에는 한계가 있다. 또한 외부 지식 베이스 자체의 편향이나 불완전성이 생성된 보고서의 품질에 영향을 미칠 수 있다.