구조화 메모리와 화학 도구를 결합한 LLM 에이전트, 역합성 경로 탐색을 USPTO-190·ChEMBL-1000에서 평가

다단계 역합성 계획은 목표 분자를 상용 가능한 빌딩 블록으로 되돌리는 반응 경로를 찾는 문제다. 이 작업은 조합적 탐색 공간이 매우 커서 숙련된 화학자에게도 어렵다고 카드에 적혀 있다. 이번 arXiv 프리프린트는 LLM 에이전트 RetroAgent가 구조화 메모리와 화학 도구를 결합해, 탐색된 경로와 대안 후보, 중간체 성질까지 함께 관찰하도록 설계했다고 설명한다.

기존 접근은 트리 탐색과 오프라인 학습 값 네트워크를 결합하되 후보를 개별적으로 점수화하는 데 머무는 경우가 많았고, 최근 LLM 기반 방법도 단순한 인터페이스 때문에 전체 탐색 공간을 충분히 넓게 보지 못했다고 정리한다. RetroAgent는 심볼릭 탐색과 신경 추론을 연결하는 하네스를 통해, 현재까지의 전역 진행 상황과 도메인 지식을 함께 반영한 결정을 내리게 하는 것을 목표로 한다.

구조화 메모리와 화학 도구를 결합한 LLM 에이전트, 역합성 경로 탐색을 USPTO-190·ChEMBL-1000에서 검증 논문의 Figure 1 — Figure 1. Figure 1: (a) Multi-step retrosynthesis planning iteratively decomposes a target molecule into commercially available building blocks through repeated cycles of selection, prediction, expansion, and filtering. (b) The harness of RETROAGENT, which couples an LLM agent with a structured-memory environment. The search proceeds over an AND-OR graph where molecule nodes are OR nodes, solved if any child reaction succeeds, and reaction nodes are AND nodes, solved only if all child molecules are solved. The agent calls memory tools to expand the tree and inspect the frontier, and chemistry tools to query the single-step model and obtain heuristic guidance. The environment maintains the graph, automatically propagates node statuses, and returns observations after each tool call. The agent is trained end-to-end with RL using an outcome-based reward. 출처: arXiv:2607.14512

검증은 두 벤치마크에서 이뤄졌다. USPTO-190은 USPTO-Full에서 추출한 190개 타깃 분자로, 참조 경로가 있으며 평균 깊이는 6.0이라고 제시된다. ChEMBL-1000은 ChEMBL 데이터베이스의 1,000개 약물 유사 분자로, 참조 경로가 없는 분포 밖 데이터셋으로 일반화 성능을 시험하는 데 쓰였다. 평가 프로토콜은 타깃마다 10회 독립 실험을 수행하고, 도구 서버의 셔플 순서에서 오는 확률성만 남긴 채 평균과 표준편차를 보고한다고 적었다.

정량 결과에서 RetroAgent는 USPTO-190에서 Pass@1 53.26±0.69%, N=50 성공률 58.42±1.34%, N=200 성공률 70.53±1.93%, N=500 성공률 85.05±0.80%를 기록했다. ChEMBL-1000에서는 Pass@1 73.82±0.49%, N=50 성공률 76.36±0.35%, N=200 성공률 79.62±0.15%, N=500 성공률 84.40±0.38%였다. 같은 표에서 Retro-R1(V1)은 USPTO-190 Pass@1 50.00±0.00%, ChEMBL-1000 Pass@1 68.52±1.58%로 제시돼, 두 데이터셋 모두에서 RetroAgent가 더 높은 첫 시도 성공률을 보였다.

부가 분석은 구조화 메모리의 사용 방식도 보여준다. 학습 중 도구 호출 비율은 증가했고, 행동 분석 그림에서는 zero-shot 모델이 낮은 깊이와 적은 노드 수에 머무는 반면 RetroAgent는 더 깊고 넓은 탐색을 이어갔다고 해석된다. 또 전체 expand 호출의 약 84%가 1~2개의 반응만 적용했으며, w=1 비율은 USPTO-190에서 54.3%, ChEMBL-1000에서 55.6%, w=2는 각각 29.3%와 28.2%라고 적혀 있다. 이는 무차별 확장보다 선택적 확장이 핵심임을 시사한다.

항목	값	근거 위치
USPTO-190	190개 타깃 분자, 참조 경로 보유, 평균 깊이 6.0	p.6 \| source_excerpt
ChEMBL-1000	1,000개 약물 유사 분자, 참조 경로 없음, 분포 밖 평가	p.6 \| source_excerpt
RetroAgent 성능	USPTO-190 Pass@1 53.26±0.69%, ChEMBL-1000 Pass@1 73.82±0.49%	p.7 \| source_excerpt
선택적 확장	expand 호출의 약 84%가 1~2개 반응만 적용, w=1은 54.3%/55.6%, w=2는 29.3%/28.2%	p.10 \| source_excerpt

자료: STORIUM 정리

이 논문의 내부 비교에서도 데이터 효율성이 강조된다. 검색 기반 방법 PDVN은 USPTO-Full의 약 300K 전체 경로를 학습에 쓰는 반면, RetroAgent는 20K 타깃만 사용했다고 카드에 적었다. 한편 zero-shot 모델은 pass@1이 4.42%에 그쳐 RL의 필요성을 뒷받침했다고 보고한다. 단, 비교는 동일 조건의 완전 대등 실험이 아니며, 검색 기반 방법은 확장당 최대 50개의 예측을 모두 적용하는 반면 RetroAgent는 USPTO-190 평가에서 평균 1.71개의 반응만 선택적으로 적용했다고 명시한다.