arXiv:2511.20510v3 cs.AI

FRAGMENTA: 소규모 데이터 환경에서 약물 선도물질 최적화를 위한 에이전트 기반 튜닝을 갖춘 효율적인 엔드투엔드 단편화 기반 생성 모델

FRAGMENTA: Efficient End-to-end Fragmentation-based Generative Model with Agentic Tuning for Drug Lead Optimization in Small Data Regime

Yuto Suzuki, Paul Awolade, Daniel V. LaBarbera, Farnoush Banaei-Kashani

제출 2025-11-25

한국어 초록

극히 제한된 학습(training) 데이터로부터 분자를 생성하는 것은 신약 개발에서 중요한 과제입니다. 기존의 단편 기반(fragment-based) 방법은 이러한 환경에서 원자 기반 접근법보다 더 적합하지만, 일반적으로 단편 선택과 다운스트림 생성을 분리하여 최적화합니다. 또한 데이터가 제한적일 때는 전문가 피드백이 특히 유용하지만, 이러한 피드백을 모델 목표로 변환하는 데는 보통 AI 엔지니어링 전문 지식이 필요합니다. 본 논문에서는 두 가지 구성 요소로 이루어진 소규모 데이터 약물 선도물질 최적화를 위한 엔드투엔드 프레임워크인 FRAGMENTA를 소개합니다: (1) 테이블 형식 보상(reward) 업데이트 메커니즘을 통해 단편화와 생성을 공동 최적화하는 단편 기반 생성기 LVSEF, (2) 대화형 전문가 피드백을 업데이트된 생성 목표로 변환하는 에이전트(agent) 시스템. 3개의 소규모 데이터 데이터셋(11~104개 분자)에 대한 실험에서, LVSEF는 데이터가 가장 적은 환경에서 SOTA(state-of-the-art) 방법들을 능가했고, 더 큰 규모에서는 유사한 성능을 보였으며, 약 16배(${\sim}16\times$) 빠르게 학습되었습니다. 3개의 공개 단백질 타깃에서 반복적인 폐루프(closed-loop) 최적화는 키나아제(kinase)에 대해 원샷 LVSEF 단독 대비 최종 라운드 발굴 수율을 최대 약 16%(${\sim}16%$) 향상시켰으며, 이러한 이득은 피드백이 타깃 화학과 얼마나 잘 일치하는지에 따라 달라졌습니다. 실제 암 신약 개발 배포 환경에서 인간-에이전트 FRAGMENTA는 기준선(baseline) 방법보다 유리한 도킹 점수($< -6$)를 가진 분자를 거의 두 배나 많이 식별했습니다.

원문 초록

Molecule generation from extremely limited training data is a key challenge in drug discovery. Existing fragment-based methods are more suitable than atom-based approaches in this regime, but typically optimize fragment selection separately from downstream generation. Expert feedback is also especially valuable with limited data, yet translating such feedback into model objectives usually requires AI engineering expertise. We introduce FRAGMENTA, an end-to-end framework for small-data drug lead optimization with two components: (1) LVSEF, a fragment-based generator that jointly optimizes fragmentation and generation through a tabular reward-update mechanism, and (2) an agentic system that converts conversational expert feedback into updated generative objectives. Across three small-data datasets (11--104 molecules), LVSEF outperforms state-of-the-art methods in the smallest-data settings, matches them at larger scales, and trains ${\sim}16\times$ faster. On three public protein targets, iterative closed-loop optimization improves final-round discovery yield by up to ${\sim}16%$ over one-shot LVSEF-only on kinase, with gains depending on how well feedback matches target chemistry. In a real-world cancer drug-discovery deployment, Human-Agent FRAGMENTA identified nearly twice as many molecules with favorable docking scores ($< -6$) as baseline methods.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2511.20510v3

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.22468v1quant-ph공통 태그 Reinforcement Learning, Drug Discovery

트랜스포머 모델을 이용한 분자 기저 상태 준비 학습

Learning to Prepare Molecular Ground States with Transformer Models

양자 상태 준비는 많은 양자 알고리즘의 핵심 구성 요소이다. 이 단계를 효율적으로 수행하는 것은 양자 화학 응용에서 실용적인 양자 이점(quantum advantage)을 실현하는 데 필수적이다. ADAPT-VQE와 같은 반복 알고리즘은 얕은 기저 상태 준비 회로를 생성할 수 있지만, 재료 과학 및 의약품 개발과 관련된 더 큰 분자에 대해서는 계산적으로 비현실적이 된다. 여기서 우리는 전자 구조 계산을 위한 기저 상태 준비 회로를 합성하는 방법을 학습하는 생성형 AI 프레임워크인 ADAPT-GQE를 소개한다. 먼저 ADAPT-VQE를 사용하여 고품질 참조 회로를 생성하고, 이를 회로 생성 모델 학습의 목표로 사용한다. 학습이 완료되면 모델은 회로를 효율적으로 제안하고 점수를 매길 수 있으며, 이를 통해 강화학습(RL)이 ADAPT-VQE 학습 데이터의 정확도를 넘어서는 회로 생성 정확도를 달성하도록 할 수 있다. 이 파이프라인은 상태 준비 정확도를 유지하거나 개선하면서 ADAPT-VQE 대비 회로 생성 시간을 자릿수(order of magnitude) 수준으로 단축한다. 우리는 이미프라민(imipramine)에 ADAPT-GQE를 시연하는데, 이미프라민은 약물 안정성 프로토콜에서 계산 모델링을 위한 대표적이고 도전적인 표적 역할을 하는 잘 알려진 삼환계 항우울제이다. 생성된 회로를 Quantinuum Helios-1에서 실행하였으며, 이는 최첨단 양자 하드웨어에서 AI가 생성한 양자 화학 회로의 이정표를 나타낸다. 이러한 결과는 실용 규모(utility-scale) 양자 계산 화학을 위한 자동화된 양자 회로 합성으로 나아가는 경로를 확립한다.

arXiv:2607.22371v1cs.CV공통 태그 Reinforcement Learning, Few-Shot Learning

데이터 선택 강화를 통한 능동적 퓨샷 분할

Active few-shot segmentation by reinforcing data selection

퓨샷 학습(few-shot learning)은 의료 이미지 분할 모델이 소수의 레이블이 붙은 예시만으로 새로운 태스크에 적응할 수 있게 한다. 그러나 적응 성능은 서포트 집합(support set)에 어떤 예시를 선택하느냐에 크게 좌우된다. 효과적인 서포트 집합은 대상 도메인 내 관련 변이를 포착하고 적응에 유용한 정보를 담아야 하며, 구성 샘플들이 상호 보완적인 정보를 제공해야 한다. 그럼에도 기존 능동적 데이터 선택 접근법은 대체로 샘플을 개별적으로 우선시하며 예시 간 상호작용을 명시적으로 고려하지 않는다. 본 연구에서는 퓨샷 의료 이미지 분할에서 서포트 집합 선택을 위한 강화학습 프레임워크를 제안하여, 독립적인 샘플 점수화가 아니라 서포트 집합을 공동으로 최적화할 수 있게 한다. 레이블이 없는 후보 이미지 풀(pool)이 주어지면, 에이전트는 하류 분할 성능을 최대화하는 서포트 집합을 직접 예측한다. 기관 간 교차 골반 MRI 데이터셋에서의 실험은 무작위 선택 및 현재 최첨단(state-of-the-art) 방법 대비 개선을 보여준다. 우리의 발견은 효과적인 적응을 위해 서포트 집합의 상호 보완성(complementarity)이 중요함을 강조하며, 적응 집합 최적화를 위한 강화학습의 잠재력을 보여준다.

arXiv:2607.22864v2cs.CV공통 태그 Reinforcement Learning

Spatial-IQ: 계층적 능력 테스트를 통한 공간 지능 분해

Spatial-IQ: Deconstructing Spatial Intelligence via Hierarchical Capability Tests

다중모달 대규모 언어 모델(MLLM)은 시각 해석에는 뛰어나지만, 인간이 안정적으로 풀 수 있는 공간 추론 과제에서는 실패한다. 기존 벤치마크는 이러한 모델을 블랙박스로 평가하여 낮은 성능의 근본 원인을 식별하는 능력을 제한한다. 모델이 공간 추론 과제에서 실패할 때, 그 장애가 객체 경계 인식과 같은 지각(perceptual) 문제인지, 가려짐에 대해 추론하여 숨겨진 기하를 추론하는 것과 같은 인지(cognitive) 문제인지 판별하기 어렵다. 우리는 Spatial-IQ를 제안한다. 이는 쌓인 3D 구조에서의 객체 개수 세기를 인간 공간 인지의 발달 단계에 따라 구성된 9개의 지각·인지 하위 과제로 분해하는 계층적 진단 프레임워크이며, 정신 회전(mental rotation)을 추가 목표 프로브로 포함한다. NVIDIA Isaac Sim을 사용하여 과제별 ground truth를 갖춘 약 80,000개의 다양한 쌓인 3D 구조 데이터셋을 절차적으로 생성했다. 자유 응답 텍스트, 객관식 이미지, 이미지 편집의 세 가지 출력 형식과 인간 기준선을 함께 사용하여 모델을 평가한다. Spatial-IQ 프레임워크는 최고 성능 모델이 종종 목표 과제(객체 개수 세기)를 뒷받침하도록 의도된 하위 수준 하위 과제에는 성공하지 못한 채 목표 과제에서 성공하는 경우가 많으며, 모델마다 이러한 계층적 연쇄를 얼마나 유지하는지가 다르다는 것을 보여준다. 이는 목표 과제 정확도만으로는 드러나지 않을 지름길(shortcut) 행동을 종종 드러낸다. 마지막으로, 계층적 하위 과제에 대한 사고의 연쇄(Chain-of-Thought, CoT) 감독과 검증 가능 보상을 이용한 강화학습을 결합하여 모델을 학습하면, 하위 과제 간 공간적 일관성과 목표 과제 정확도가 모두 크게 향상됨을 보여준다. 이는 제안한 분해가 진단 도구이자 학습 신호 모두로서 가치 있음을 뒷받침한다.

arXiv:2609.27710v3cs.CV공통 태그 Few-Shot Learning

FFM-CP: 퓨샷 계산병리학을 위한 비전-언어 기반 모델의 교차 백본 융합

FFM-CP: Cross-Backbone Fusion of Vision-Language Foundation Models for Few-Shot Computational Pathology

병리학 비전-언어 기반 모델은 질환과 과제에 따라 성능이 달라지며, 어떤 단일 모델도 일관되게 최고 성능을 내지 못한다. 전문가 병리 주석의 높은 비용은 과제별 적응에 사용할 수 있는 라벨 데이터를 제한하기도 한다. 상호 보완적인 사전학습 표현을 결합하는 것은 이러한 한계에 대한 잠재적 접근이지만, 소수의 라벨 예시로부터 효과적인 융합을 학습하는 것은 여전히 어렵다. 본 연구는 퓨샷 학습 설정에서 여러 병리학 비전-언어 모델을 결합하는 프레임워크인 Few-shot Fusion Foundation Models of Computational Pathology(FFM-CP)를 제안한다. 이 프레임워크는 먼저 대응하는 서포트 이미지로부터 추정한 폐형식(closed-form) 직교 프로크루스테스(Orthogonal Procrustes) 변환을 사용하여 이질적인 표현을 정렬한다. 이 정렬은 추가 정렬 네트워크를 학습하지 않고도 모델 내부 특징 기하를 보존한다. 정렬된 공간 안에서 통합 그래프는 서포트 이미지 특징과 시각·텍스트 클래스 프로토타입을 공동으로 정제함으로써 백본 간 정보 교환을 가능하게 한다. 이렇게 정제된 표현은 의미적 클래스 지식과 클래스 내 시각적 변이를 각각 포착하는 상호 보완적인 텍스트-프로토타입 분기와 케이스 검색(case-retrieval) 분기를 지원한다. 각 분기는 모든 순서화된 백본 쌍의 예측을 결합하는 방법을 학습하여, 한 모델로 인코딩된 쿼리가 다른 모델이 표현한 증거를 활용할 수 있게 한다. 우리는 6개의 조직병리학 데이터셋에서 클래스당 4, 8, 16샷 조건으로 3가지 백본 조합을 평가했다. FFM-CP는 54번 비교 중 50번에서 각 융합 집합의 개별 적응 멤버 중 가장 강한 모델보다 더 높은 평균 macro-F1을 달성했다. 이러한 결과는 주석이 제한될 때 상호 보완적인 사전학습 표현의 결합이 조직병리학 분류를 개선할 수 있음을 시사한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.