PharmAgents: Building a Virtual Pharma with Large Language Model Agents

Essence

Figure 1: Virtual Pharma (PharmAgents)가 신약 발견 과정(타겟 발견부터 전임상 평가까지)을 시뮬레이션

대규모 언어모델(LLM) 기반 멀티-에이전트 시스템을 활용하여 신약 발견의 전체 워크플로우(타겟 발견 → 리드 식별 → 리드 최적화 → 전임상 평가)를 자동화하고 설명 가능하게 수행하는 가상 제약회사 시스템을 제안한다. 기존 단일 모델의 한계를 극복하고 학습 경험을 통해 자가 진화하는 능력을 갖춘 혁신적 패러다임을 제시한다.

Motivation

Known: 신약 개발 과정은 매우 복잡하고 비용이 많이 드는 학제간 협업 작업이며, 최근 AI/ML 모델들이 가상 스크리닝, 분자 생성, 결합 친화도 예측, 독성 평가 등 개별 단계에서 우수한 성과를 보였다.
Gap: 기존 ML 모델들은 (1) 개별적으로 작동하여 실무 워크플로우에 통합되지 못하고, (2) 설명 가능성이 부족하여 제약 전문가의 신뢰와 규제 승인 획득이 어렵다. 전체 약물 발견 프로세스를 통합하면서 투명성을 유지하는 자동화 시스템이 부재하다.
Why: LLM은 광범위한 도메인 지식, 추론 능력, 생성 능력을 보유하고 있으며, 자연언어를 통한 원활한 소통이 가능하므로 멀티-에이전트 협업 프레임워크의 중심으로 적합하다. 멀티-에이전트 시스템은 소프트웨어 개발, 의료 진단, 자율주행 등에서 이미 복잡한 작업 분해를 통한 협업의 효과를 증명했다.
Approach: MetaGPT의 역할 기반 전략에서 영감을 얻어, 신약 발견의 4대 단계(타겟 발견, 리드 식별, 리드 최적화, 전임상 평가)를 세분화하고, 각 단계마다 특화된 LLM 에이전트를 설계한다. 각 에이전트는 전문화된 ML 모델, 도메인 특화 도구, 정교한 프롬프트 엔지니어링, 그리고 명확한 워크플로우로 구성하여 협력하는 구조를 채택한다.

Achievement

Figure 2: PharmAgents의 전체 워크플로우

타겟 발견 성능: 테스트된 한 질병에서 식별된 18개 타겟 중 16개가 인간 전문가에 의해 적절한 것으로 평가되었으며, 복잡한 질병 상황에서도 오류 누적이 발생하지 않았다. 질병 관련 단백질 타겟을 정확히 식별하고, 최적의 구조 배치를 선택하며, 분자 특성에 기반한 리간드-결합 부위를 정확히 위치시켰다.
분자 생성 및 최적화 성능: 동일 타겟에 대해 질병 맥락에 따라 상충되는 특성을 갖는 화합물을 설계할 수 있는 능력을 입증했으며, 기존 최첨단 방법 대비 전체 성공률을 15.72%에서 37.94%로 대폭 향상시켰다. 각 에이전트의 협업을 통해 결합 친화도와 약물성(drug-likeness) 특성을 동시에 개선했다.
전임상 평가 견고성: 신진대사(metabolism)와 독성을 정확하게 평가하면서 낮은 저평가(underestimation) 위험도(12%)를 유지했다. 분자 합성 가능성을 정량적 지표(Pearson 상관계수 0.645)와 잘 맞는 해석 가능한 근거(rationale)로 제시했다.
자가 진화 능력: 과거 경험을 요약 학습하여 향후 결과물을 개선하는 능력으로, 선행 경험이 통합되었을 때 성공률이 30%에서 36%로 증가했다.

How

Figure 3: 타겟 발견 모듈의 워크플로우 및 예시 출력

Figure 4: 리드 식별 모듈의 워크플로우 및 예시 출력

Figure 5: 리드 최적화 모듈의 워크플로우 및 예시 출력

핵심 방법론

역할 기반 에이전트 설계: 각 단계별로 명확히 정의된 책임을 가진 특화된 에이전트(질병 전문가, 구조 전문가, 분자 설계자 등) 배치
타겟 발견 모듈:
- 질병 전문가가 Drug Target Database에서 병리학적으로 유사한 질병 3개 검색 후 관련 타겟(UniProt ID) 추출
- 구조 전문가가 PDB ID를 문헌과 리간드 정보로 필터링하여 최적 리간드 결합 포켓 선택
- LLM의 내재된 지식과 외부 데이터베이스 통합
리드 식별 모듈: 타겟의 3D 구조 정보와 질병 맥락을 분석하여 유망한 화합물 생성
- 구조 기반 분자 생성 모델 활용
- 결합 친화도 예측 모델로 스크리닝
리드 최적화 모듈:
- 결합 친화도 향상과 약물성 특성 개선을 동시에 추구
- ADMET(Absorption, Distribution, Metabolism, Excretion, Toxicity) 특성 고려
- 반복적 분자 설계 및 평가
전임상 평가 모듈:
- 신진대사 경로 분석
- 다중 독성 분류 모델 통합
- 합성 가능성 평가(역합성 분석, 반응 경로 설계)
- 해석 가능한 화학 근거 제공
구조화된 지식 교환: 에이전트 간 명확한 정보 흐름과 피드백 루프로 오류 누적 방지
도메인 특화 도구 통합:
- 약물 타겟 데이터베이스, UniProt, PDB 등 외부 데이터 소스
- 결합 친화도, 독성, 합성성 예측 모델
- 구조 분석 및 분자 조작 도구
자가 진화 메커니즘: 이전 설계 경험을 요약하고 학습하여 프롬프트 및 에이전트 행동 개선

Originality

첫 멀티-에이전트 LLM 통합 시스템: 신약 발견의 전체 파이프라인을 LLM 기반 멀티-에이전트로 자동화한 최초 시도로, 기존의 개별 ML 모델 중심 접근과 차별화됨
설명 가능성 우선 설계: 성능과 투명성의 균형을 맞춘 구조로, LLM의 자연언어 추론과 도메인 도구의 정량적 분석을 결합하여 제약 전문가가 검증 가능한 의사결정 지원
질병 맥락 인식: 동일 타겟에 대해 서로 다른 질병 배경에서 다양한 분자 설계를 할 수 있는 능력으로, 기존 단순 최적화 접근을 넘어선 맥락 기반 설계
폐루프 자가 진화: 경험 요약 및 학습 메커니즘을 내장하여 시스템이 반복 사용과 피드백을 통해 점진적으로 개선되는 능력 구현
현실 워크플로우 모방: MetaGPT의 구조적 영감을 약물 개발에 맞게 재설계하여, 실제 제약회사 조직 구조(질병 전문가, 구조 생물학자, 화학자, 규제담당자)를 반영한 계층적 에이전트 시스템

Limitation & Further Study

한계

데이터베이스 의존성: 타겟 발견이 Drug Target Database(427개 질병, 1789개 타겟)와 UniProt, PDB 등 외부 데이터에 크게 의존하므로, 신규 또는 희귀 질병의 경우 성능이 제한될 수 있음
평가 규모 제한: 논문에서는 "하나의 테스트 질병"에 대해 타겟 평가를 제시했을 뿐, 충분히 광범위한 질병 세트에 대한 검증이 부족함
3D 구조 이해의 한계: LLM의 3D 구조 인식 능력 부족을 외부 도구로 보완했으나, 복잡한 단백질-리간드 상호작용 예측에서의 LLM 기여도 명확하지 않음
비용-효율성 분석 부재: LLM 호출의 계산 비용, 실제 제약회사 프로세스 대비 경제성 비교가 제시되지 않음
실험실 검증 미수행: 모든 평가가 in silico(컴퓨터 시뮬레이션) 수준이며, 실제 생화학 실험을 통한 검증 없음
규제 경로 미포함: 현재 4단계(타겟→리드→최적화→전임상)만 다루며, 임상시험 및 규제 승인 과정은 미포함