Latent-Y: A Lab-Validated Autonomous Agent for De Novo Drug Design 논문 정리

핵심 요약

Latent-Y는 텍스트 프롬프트만으로 항체 설계 캠페인을 실행하는 자율 에이전트입니다.

이 논문의 주장은 단순합니다.

전문가가 하던 초기 항체 설계의 상당 부분을 에이전트가 대신 수행할 수 있고, 그 결과가 실제 실험에서 확인되었다는 것입니다.

핵심 성과는 다음과 같습니다.

• 아홉 개 실험 타깃 중 여섯 개에서 결합체 확인
• 최고 수준 후보는 한 자리 나노몰 범위의 강한 결합력 기록
• 전문가 단독 대비 전체 계산 설계 워크플로를 평균 56배 단축
• 문헌 검토, 구조 분석, 에피토프 선택, 후보 생성, QA까지 한 번에 수행
• 일부 캠페인은 완전 자율로 진행
• 일부 캠페인은 인간 연구자가 방향만 잡고 에이전트가 세부 전략을 수정

Crop 포인트: 하단의 시간 비교 막대는 Latent-Y가 후보 생성뿐 아니라 문헌 검토와 구조 분석 병목까지 줄인다는 점을 보여줍니다.

왜 이 논문이 중요한가

최근 단백질·항체 설계 모델은 후보 분자를 직접 만들 수 있는 수준까지 발전했습니다.

하지만 실제 신약 초기 탐색은 여전히 느립니다.

병목은 모델 자체보다 다음 과정에 있습니다.

• 어떤 표적을 골라야 하는가
• 어떤 구조 정보를 믿어야 하는가
• 어디에 항체를 붙여야 기능을 막을 수 있는가
• 어떤 후보를 실험으로 보낼 만큼 신뢰할 수 있는가
• 실패한 배치를 보고 어떤 방향으로 다시 시도해야 하는가

이 판단은 보통 박사급 전문가의 시간이 필요합니다.

Latent-Y는 이 병목을 겨냥합니다.

분자를 직접 만드는 모델이 아니라, 캠페인을 운영하는 에이전트입니다.

즉, Latent-X2가 원자 수준에서 항체 후보를 설계한다면, Latent-Y는 그 위에서 연구 계획을 세우고 도구를 호출하고 결과를 해석합니다.

Latent-Y가 하는 일

Latent-Y의 입력은 자연어입니다.

예를 들면 이런 형태입니다.

“IL-6와 IL-6R의 상호작용을 막는 VHH 항체를 설계해 달라.”

 

에이전트는 이 문장을 바로 후보 생성으로 넘기지 않습니다.

먼저 연구 문제로 바꿉니다.

1. 관련 문헌을 찾습니다.
2. 표적 단백질 구조를 확인합니다.
3. 항체가 붙어야 할 표면 영역을 고릅니다.
4. 여러 에피토프와 항체 프레임워크를 시험합니다.
5. 성공 가능성이 높은 조건을 확대합니다.
6. 후보의 다양성, 신규성, 서열 리스크를 검사합니다.
7. 실험에 보낼 후보를 고릅니다.

여기서 에피토프는 항체가 붙는 표면 영역입니다.

중요한 점은 “예쁜 구조”를 만드는 것이 아닙니다.

항체가 붙었을 때 원하는 기능을 방해하는 위치를 찾아야 합니다.

실험으로 확인한 성과

논문은 세 가지 유형의 캠페인을 평가합니다.

캠페인 유형	입력	검증된 결과
에피토프 탐색	치료 목적을 담은 텍스트 프롬프트	IL-6, PRL, IL-6R에서 결합체 확인
종간 교차 반응성	인간 구조와 cyno 서열	인간·cyno TNFL9에 모두 결합하는 후보 확인
논문 기반 설계	피어리뷰 논문	hTfR1 후보 40개 중 11개가 결합 hit

 

실험 검증은 SPR 기반으로 진행됐습니다.

SPR은 표적과 후보가 실제로 결합하는지, 그리고 얼마나 강하게 결합하는지를 시간에 따라 측정하는 방법입니다.

결합 친화도 값은 낮을수록 강한 결합입니다.

논문에서 보고된 대표 후보는 다음과 같습니다.

• PRL 후보: 5.44 nM
• IL-6 후보: 12.5 nM
• IL-6R 후보: 517 nM

PRL과 IL-6 후보는 매우 강한 결합 범위에 들어갑니다.

IL-6R 후보는 상대적으로 약하지만, 그래도 완전 자율 설계로 얻은 실험 확인 결합체라는 점이 중요합니다.

Crop 포인트: 농도별 곡선이 분리되는 영역은 후보가 실제 실험에서 표적에 결합했음을 보여주는 핵심 신호입니다.

IL-6 캠페인: 자율 설계가 실제로 어떻게 진행됐나

IL-6 캠페인은 Latent-Y의

작동 방식을 가장 잘 보여줍니다.

사용자는 IL-6와 IL-6R의 상호작용을 막는 VHH 후보를 요청했습니다.

VHH는 작은 단일 도메인 항체입니다. 흔히 나노바디라고 부릅니다.

에이전트는 먼저 사용할 구조를 고릅니다.

처음 검색 결과 중 일부는 실제 목표와 맞지 않았습니다.

Latent-Y는 메타데이터를 확인하고, IL-6와 수용체 복합체를 포함하는 구조를 다시 선택합니다.

그 다음 표면을 분석합니다.

 

핵심은 “어디에 붙으면 기능을 막을 수 있는가”입니다.

에이전트는 여러 후보 영역을 나눠 시험하고, 일부 영역에서 후보가 나오지 않자 그 경로를 버립니다.

반대로 생산성이 높은 영역은 더 많이 샘플링합니다.

마지막에는 서열 리스크와 중복성을 검사하고, 실험에 보낼 88개 후보를 고릅니다.

 

Crop 포인트: 오른쪽 하단의 최종 후보 표는 문헌 검색, 에피토프 선정, 대량 생성, QA가 하나의 캠페인 안에서 연결된다는 점을 보여줍니다.

종간 교차 반응성: 더 어려운 조건에서의 설계

신약 개발에서는 인간 표적에만 결합하는 후보로는 부족할 때가 많습니다.

전임상 실험을 위해 원숭이 등 모델 동물의 상동 단백질에도 결합해야 합니다.

논문은 TNFL9 캠페인으로 이 조건을 시험합니다.

문제는 복잡합니다.

• 인간 구조는 있지만 cyno 구조는 없음
• 인간과 cyno 사이에 여러 아미노산 차이가 있음
• TNFL9는 삼량체로 작동함
• 항체가 잘못된 면에 붙어도 계산상 점수가 좋아 보일 수 있음

Latent-Y는 cyno 구조를 예측하고 인간 구조와 정렬합니다.

그 뒤 두 종에서 보존되는 표면 영역을 찾습니다.

또한 인간 연구자가 “잘못된 면에 붙는 보상 해킹 가능성”을 지적하자, 에이전트는 후보 위치를 검증하는 필터를 추가합니다.

결과적으로 40개 후보 중 3개가 인간과 cyno TNFL9 모두에 결합했습니다.

 

Crop 포인트: 인간과 cyno 표적 모두에서 같은 후보가 인터페이스 근처에 자리한 영역은 교차 반응성 설계 의도를 보여줍니다.

 

이 사례는 완전 자율성보다 더 현실적인 장면을 보여줍니다.

전문가는 세부 코드를 작성하지 않습니다.

대신 생물학적으로 말이 되는 방향을 지적합니다.

에이전트는 그 지적을 계산 규칙과 생성 전략으로 바꿉니다.

 

Crop 포인트: 중간의 위치 검증 필터는 사람이 문제를 지적하자 에이전트가 검증 규칙을 추가해 전략을 수정하는 장면입니다.

논문만 읽고 항체 후보를 설계하기

가장 흥미로운 벤치마크는 문헌 기반 설계입니다.

Latent-Y는 21편의 피어리뷰 논문을 입력으로 받습니다.

각 논문은 특정 단백질 상호작용과 치료적으로 의미 있는 기능을 설명합니다.

에이전트는 논문에서 다음 정보를 추론해야 합니다.

• 어떤 표적을 겨냥해야 하는가
• 어떤 기능을 막거나 조절해야 하는가
• 항체가 붙어야 할 표면 영역은 어디인가
• 어떤 후보가 실험으로 보낼 만큼 품질이 좋은가

결과는 다음과 같습니다.

• 21개 캠페인 모두에서 올바른 에피토프를 식별
• QA 이전에는 17개 캠페인에서 목표 후보 수 충족
• QA 이후에는 16개 캠페인에서 목표 후보 수 충족
• hTfR1 캠페인은 실험 검증까지 진행되어 40개 후보 중 11개가 hit

여기서 중요한 해석이 있습니다.

Latent-Y는 논문을 “요약”한 것이 아닙니다.

논문 내용을 설계 조건으로 바꿨습니다.

이 점이 일반적인 문헌 검색 에이전트와 다릅니다.

 

Crop 포인트: 오른쪽 하단 막대는 에피토프 식별은 모두 성공했지만, QA 이후 충분한 후보 수 확보는 일부 캠페인에서 실패했다는 점을 보여줍니다.

방법론을 수식 없이 풀어보면

Latent-Y의 구조는 세 층으로 볼 수 있습니다.

1. 추론 엔진

프롬프트를 읽고 계획을 세웁니다.

어떤 정보를 찾아야 하는지, 어떤 도구를 호출해야 하는지, 언제 방향을 바꿔야 하는지 결정합니다.

2. 전문 도구

문헌 검색, 단백질 구조 데이터베이스, 서열 분석, 구조 정렬, 후보 평가 도구를 사용합니다.

후보 생성에는 Latent-X2가 쓰입니다.

Latent-X2는 항체와 표적이 원자 수준에서 어떻게 맞물릴지 예측하고 후보를 만듭니다.

3. 하위 에이전트

Latent-Y는 모든 일을 하나의 긴 대화로 처리하지 않습니다.

핫스팟 분석, QA, 서열 리스크 검사처럼 분리 가능한 작업은 하위 에이전트가 맡습니다.

이 구조 덕분에 긴 캠페인에서도 맥락을 잃지 않고 진행할 수 있습니다.

이 논문이 말하는 변화

이 논문의 메시지는 “AI가 약을 완성했다”가 아닙니다.

더 정확히는 다음입니다.

초기 항체 설계에서 전문가의 반복적 판단과 계산 워크플로 상당 부분을 에이전트화할 수 있다.

그 결과 병목이 바뀝니다.

기존 병목은 전문가의 시간과 수작업 설계였습니다.

Latent-Y가 제안하는 병목은 실험 검증, 데이터 피드백, 더 어려운 생물학적 질문입니다.

즉, 계산 설계가 빨라질수록 다음 단계가 중요해집니다.

• 더 빠른 wet-lab 검증
• 실패 결과의 피드백 루프
• 독성, 면역원성, 안정성 평가
• 실제 질병 모델에서의 기능 검증
• 임상 개발 가능성 판단

한계와 주의점

논문의 결과는 인상적이지만, 바로 임상적 성공을 의미하지는 않습니다.

주의할 점은 명확합니다.

• 결합 확인은 치료 효과 확인이 아닙니다.
• 대부분의 검증은 초기 결합 실험 수준입니다.
• 문헌 기반 21개 벤치마크 중 실험 검증은 hTfR1 중심입니다.
• Latent-Y의 성능은 Latent-X2, 사용 가능한 구조 정보, 도구 품질에 의존합니다.
• 저자들은 Latent Labs 소속이거나 관련 이해관계를 가집니다.
• 항체 외 모달리티로의 확장은 가능성을 제시하지만, 같은 수준의 실험 검증은 아직 제한적입니다.

따라서 이 논문은 “완성된 자율 신약 개발 시스템”이라기보다, 실험으로 확인된 자율 항체 설계 에이전트의 첫 강한 사례로 보는 것이 적절합니다.

정리

Latent-Y는 텍스트 프롬프트를 실험 가능한 항체 후보로 바꾸는 에이전트입니다.

핵심은 후보 생성 모델 자체가 아닙니다.

연구 목표를 해석하고, 문헌과 구조 정보를 검토하고, 에피토프를 고르고, 실패한 경로를 버리고, 후보를 실험용으로 정리하는 전체 흐름입니다.

논문이 보여준 가장 큰 의미는 이것입니다.

초기 신약 탐색의 일부가 더 이상 순차적 전문가 작업만은 아닐 수 있습니다.

에이전트가 병렬로 캠페인을 수행하고, 인간 연구자는 더 높은 수준의 질문과 검증 전략에 집중하는 방식으로 바뀔 수 있습니다.

Source

• Latent Labs Team. Latent-Y: A Lab-Validated Autonomous Agent for De Novo Drug Design. arXiv:2603.29727v2. 1 Apr 2026.
• 원문 링크: https://arxiv.org/abs/2603.29727
• 플랫폼: https://platform.latentlabs.com