FROGENT: An End-to-End Full-process Drug Design Multi-Agent System

Motivation

• Known: AI 기반 신약 개발 방법론은 표적 식별, 분자 설계, 독성 평가 등에서 상당한 성과를 이루고 있으나, 기존 AI 도구들이 웹 애플리케이션, 데스크톱 소프트웨어, 코드 라이브러리 등으로 분산되어 있음
• Gap: 대부분의 기존 에이전트 기반 시스템은 신약 개발 파이프라인의 특정 단계에만 국한되어 있으며, 고정된 실행 경로로 인해 LLM의 지식 기반 추론, 장기 계획, 중간 반성 능력을 제대로 활용하지 못함
• Why: 신약 개발은 복잡한 다단계 프로세스로, 이질적인 도구들을 통합하고 전체 파이프라인을 동시에 최적화할 수 있는 자동화된 폐루프 시스템이 필요함
• Approach: 네 가지 전문화된 에이전트(중앙 조정 에이전트, 데이터 검색 에이전트, 분자 생성 에이전트, 평가 에이전트)로 구성된 분산 협업 멀티에이전트 시스템을 설계하고, Model Context Protocol을 통해 동적 데이터베이스와 계산 모델에 접근

Achievement

Figure 2: FROGENT의 개념적 워크플로우. 사용자의 고수준 목표에서 시작하여 다단계 전략 계획으로 분해되고 특화된 에이전트들에게 위임됨

1. 통합 자동화: 표적 식별, 소분자 생성, 펩타이드 최적화, 합성 계획을 포함한 신약 개발의 전 단계를 하나의 폐루프 자동화 시스템으로 통합 (소분자 및 펩타이드 치료제 모두 지원)
2. 벤치마크 성능: 8개의 다양한 벤치마크(신약 발견의 핵심 작업들)에서 6개의 고급 ReAct 스타일 기준 에이전트를 일관되게 능가
3. 실제 사용성: 심근비대/울혈성 심부전 치료, GLP-1 수용체 리드 최적화 등 실제 임상 사례를 통해 실용성과 일반화 가능성을 입증
4. 자율성 향상: 명시적 추론과 계획 모델링을 통해 다단계 의사결정을 지원하고, 동적 메모리(Global Context)를 통해 에이전트 간 정보 공유 및 전역적 일관성 확보

How

Figure 3: 벤치마크에서 각 에이전트의 전체 성능 평가

아키텍처 설계

• Orchestrate Agent: 중앙 제어기로서 사용자 목표를 구조화된 작업 그래프(task graph)로 분해하고 전문화된 에이전트들에게 위임. Global Context를 관리하여 전체 워크플로우의 상태 추적
• Retrieve Agent: 정보 검색과 파일 다운로드 담당. PubMed, bioRxiv, UniProt, RCSB PDB, DrugBank 등의 정적 지식베이스와 웹 검색, 웹페이지 추출, 콘텐츠 맵핑을 포함한 동적 Retrieve-Augment Workflow를 통해 표적 식별 수행
• Forge Agent: 창의적 생성 핵심으로, 심층 학습, 도구 라우팅, 코드 실행을 결합. TargetDiff, Pocket2mol, DiffSBDD, SAFE-GPT, DecompDiff, MolCRAFT 등 생성 모델과 DirectMultiStep 역합성 계획기 활용
• Gauge Agent: 정량적 검증 및 필터링 담당. 분자/펩타이드 도킹, ADMET 예측, 상호작용 분석을 수행. 폐루프 최적화 사이클에서 Forge 에이전트의 생성 결과를 평가하고 반복적으로 정제

협업 메커니즘

• 폐루프 최적화: Forge 에이전트의 "생성" → Gauge 에이전트의 "평가" → 정제의 반복 사이클로 제약 조건을 만족하는 후보를 생성할 때까지 지속
• Global Context: 표적 정보, 작업 제약사항, 후보 분자, 평가 점수 등의 중요 산출물을 동적으로 관리하여 에이전트 간 정보 공유 및 상태 추적
• 다층 도구 통합: Model Context Protocol을 통해 단백질 포켓 발견, 단백질-리간드 상호작용 분석, 도킹 소프트웨어, 분자 계산 라이브러리(RDKit, Open Babel, PyMol, BioPython, OpenMM) 등을 원활하게 접근
• 반복적 계획과 반성: 명시적 계획 단계와 다단계 의사결정을 통해 LLM의 추론 능력을 최대한 활용하며, 각 단계별 결과 검증을 통한 적응적 조정 가능

Originality

• 첫 번째 통합 엔드-투-엔드 시스템: 소분자와 펩타이드 치료제 모두를 지원하는 신약 발견의 완전한 파이프라인을 자동화하는 첫 번째 멀티에이전트 프레임워크 (기존 시스템들은 특정 단계에만 국한)
• 동적 멀티에이전트 협업: 고정된 워크플로우 대신 Orchestrate 에이전트의 동적 계획과 위임을 통해 문제 맥락에 따라 유연하게 에이전트 간 협업 조율
• 폐루프 설계-평가-정제 사이클: Forge와 Gauge 에이전트 간의 동적 상호작용으로 반복적 최적화가 가능하며, 전역적 제약 조건 만족을 보장
• Global Context 기반 상태 관리: 중앙집중식 메모리 모듈을 통해 에이전트 간 정보 공유, 작업 의존성 추적, 결과 검증 지원
• 다양한 생화학 데이터베이스와 도구 통합: Model Context Protocol을 활용한 확장 가능한 도구 라이브러리 아키텍처로, 새로운 계산 모델이나 데이터베이스의 추가가 용이
• 실제 임상 사례 검증: 가상 벤치마크를 넘어 실제 질병(심근비대/울혈성 심부전, GLP-1 수용체)에 대한 설계 사례 제시

Limitation & Further Study

• LLM 의존성: 전체 시스템이 LLM의 성능에 크게 의존하며, 모델의 환각(hallucination) 또는 추론 오류가 워크플로우 전체에 영향을 미칠 수 있음. 향후 LLM 신뢰성 향상 및 검증 메커니즘 강화 필요
• 실제 실험 검증 부족: 인실리코(in silico) 평가만 수행되었으며, 제안된 분자들의 실제 생화학적 성능이나 생체 활성에 대한 실험적 검증이 필요
• 계산 비용: 반복적 도킹, ADMET 예측, 웹 검색 등으로 인한 높은 계산량과 API 호출 비용에 대한 정량적 분석 부재
• 확장성 제한: 현재 가용 도구와 모델의 제약으로 인한 설계 공간의 제한, 더욱 복잡한 생물학적 시스템(다중 표적, 부작용 예측 등)에 대한 확장 필요
• 에이전트 간 오류 전파: 상위 단계 에이전트의 오류가 하위 단계에 누적될 수 있는 문제. 향후 오류 복구 및 백트래킹 메커니즘 개선 필요
• 해석성 부족: LLM 기반 의사결정의 검은 상자 특성으로 인해 약물 설계의 과학적 근거를 완전히 설명하기 어려움

Evaluation

총평: FROGENT는 신약 개발의 완전한 파이프라인을 최초로 통합하는 멀티에이전트 시스템으로, LLM의 계획과 추론 능력을 활용한 자동화된 폐루프 최적화를 구현했다는 점에서 매우 의미 있다. 8개 벤치마크와 실제 임상 사례를 통한 검증도 확실하지만, 인실리코 평가에만 의존하고 실제 약물 효능 검증이 부재하며, LLM 기반 시스템의 근본적 한계(환각, 오류 전파)에 대한 대책이 불충분한 점이 아쉽다. 향후 실험 검증, 오류 복구 메커니즘, 해석성 향상 등의 연구가 이루어진다면 신약 개발 자동화의 실용화 가능성을 더욱 높일 수 있을 것으로 기대된다.