MEDA, 문헌·제약·부분데이터로 생물 ODE를 찾는 LLM 에이전트의 검증 결과

생물학적 동역학을 설명하는 미분방정식을 사람이 아니라 시스템이 스스로 찾아낼 수 있는지 묻는 연구가 나왔다. 이 arXiv v1 프리프린트는 대규모 언어모델과 심볼릭 회귀를 결합한 에이전트 프레임워크 MEDA를 제안하며, 생물 및 생물에서 영감을 받은 시스템의 ODE 모델 발견을 겨냥했다. 핵심은 단순한 곡선 맞춤이 아니라, 문헌에서 배경지식을 모으고 허용 가능한 변수와 기계적 제약을 정한 뒤 후보식을 만들고 평가하는 흐름을 자동화하는 데 있다.

실험은 세 갈래로 진행됐다. 첫째는 정답 모델을 다시 찾아내는 정보 회수형 과제, 둘째는 보지 못한 변형으로의 추론적 외삽, 셋째는 정답이 없는 개방형 발견이다. 각 과제는 데이터가 없는 경우와 실험적 시계열이 함께 주어진 경우를 나눠 검증했다. 성능 평가는 변수 회복, 제약 일치도, 항(term) 회복, 식 전체 유사도, 포함도, 그리고 5명의 생물수학자가 매긴 타당성 점수로 이뤄졌다.

MEDA, 문헌·제약·부분데이터로 생물 ODE를 찾는 LLM 에이전트의 검증 결과 논문의 Figureure 1 — Figureure 1. Figureure 1: provides a schematic view of MEDA’s architecture. The pipeline proceeds in stages. A Literature Surveyor compiles cited background on the target system, including expected constraints, candidate model families, and qualitative dynamical signatures. A Formalizer curates this material into a machine-readable problem specification: it selects the relevant constraints, expresses them in a typed grammar, and proposes seed equations. A Runner then performs an evolutionary search over polynomial ODE systems, scoring candidates by how well they satisfy the biological constraints, how sparse they are, and, when data are available, how well they reproduce the observed trajectories. Finally, a Reporter, Recapper, and Evaluator summarize, critique, and (against held-out ground truth) score the discovered model. 출처: arXiv:2607.13608

표 1에 따르면 MEDA는 단일 개체군 성장, Lotka–Volterra 포식-피식, SIR 전염병, Allee 고정 임계값, FitzHugh–Nagumo, 연령구조 SIR, 숙주-이중 병원체, 4종 IGP, 협력적 지지, 정보 왜곡, 만성 상처 등 8개 이상 사례에서 상태변수를 대체로 정확히 잡아냈다. 예를 들어 정보 회수형 Lotka–Volterra는 데이터가 없을 때 term F1 0.80, plausibility 0.93이었고, 데이터가 있을 때는 term F1 1.00, plausibility 1.00으로 맞아떨어졌다. 반면 FitzHugh–Nagumo 적응형은 데이터가 있어도 term F1 0.77, plausibility 0.78에 그쳐, 숫자 적합만으로는 기계적 구조가 자동 보장되지 않음을 보였다.

저자들은 특히 데이터가 항상 도움이 되지는 않는다고 본다. 만성 상처와 FitzHugh–Nagumo 적응형에서는 시계열 적합이 오히려 trajectory-compatible하지만 생물학적으로 잘못된 식을 남겼다. 표 1의 만성 상처 사례는 데이터가 없을 때 plausibility 0.90이었지만, 데이터가 있으면 0.57로 내려갔고 term F1도 0.40으로 떨어졌다. 정보 왜곡 역시 데이터가 있을 때는 term F1 1.00으로 회복됐지만, 개별 항의 선택과 구조가 과제마다 다르게 흔들렸다.

구조를 밝히는 데 어떤 구성요소가 중요한지도 ablation으로 확인했다. 표 2에서 전체 시스템은 데이터가 있는 세 대표 문제에서 평균 term F1 1.00, plausibility 0.967을 기록했다. EDA와 SINDy를 빼도 성능은 거의 변하지 않았지만, 문헌을 제거하면 평균 plausibility가 0.700, term F1이 0.732로 하락했다. pure-SINDy 변형은 더 크게 무너져 평균 plausibility 0.603, term F1 0.541, term precision 0.382를 보였고, SIR형 시스템에서는 보존 제약이 없을 때 회복식이 불안정해졌다.

구분	문제	주요 수치
정보 회수형	Lotka–Volterra predator–prey	무데이터 term F1 0.80, plausibility 0.93; 데이터 있음 term F1 1.00, plausibility 1.00
정보 회수형	FitzHugh–Nagumo adaptation	무데이터 term F1 0.83, plausibility 0.94; 데이터 있음 term F1 0.77, plausibility 0.78
개방형 발견	Misinformation dynamics	무데이터 term F1 0.74, plausibility 0.74; 데이터 있음 term F1 1.00, plausibility 0.98
ablation	Full system vs No literature	IR plausibility 0.980 vs 0.780; EX 0.940 vs 0.730; DI 0.980 vs 0.590

자료: STORIUM 정리

잡음과 숨은 변수에 대한 강건성도 살폈다. 표 3에서 고전적 SIR은 30% 비례 가우시안 잡음까지 term F1 1.00을 유지했고, 40~60%에서만 0.73으로 떨어졌다. 연령구조 SIR은 모든 잡음 수준에서 term F1이 0.90 이상이었다. 반면 정보 왜곡은 깨끗한 조건에서도 term F1 0.67 수준으로 제한돼 잡음 추가의 영향이 작았다. 표 4의 숨은 변수 실험에서는 SIR의 R을 제거해도 변수 F1과 term F1이 모두 1.00이었고, 연령구조 SIR의 RO 제거도 거의 영향이 없었다. 그러나 정보 왜곡에서 C를 감추면 변수 F1은 0.80, term F1은 0.83으로 내려가, 억제 기전이 직접 사라지는 경우는 복원이 어려웠다.