생성적 AI를 사용한 분자 생성은 약물 발견에 중요하지만, 특정 종류의 데이터 세트에는 100개 미만의 훈련 예제가 있는 경우가 많습니다. 단편 기반 모델은 원자 기반 접근 방식보다 제한된 데이터를 더 잘 처리하지만, 기존의 휴리스틱 분할은 다양성을 제한하고 핵심 단편을 놓칩니다. 또한 모델 튜닝은 일반적으로 약학 화학자와 AI 엔지니어 간의 느리고 간접적인 협업을 필요로 합니다. 본 연구에서는 다음을 포함하는 약물 선도 물질 최적화를 위한 종단간 프레임워크인 FRAGMENTA를 소개합니다: 1) 동적 Q-learning을 사용하여 분할과 생성을 공동으로 최적화하는 "어휘 선택" 문제로 분할을 재구성하는 새로운 생성 모델; 2) 도메인 전문가의 대화형 피드백을 통해 목표를 개선하는 에이전트 AI 시스템. 이 시스템은 AI 엔지니어를 제거하고 점진적으로 도메인 지식을 학습하여 결국 튜닝을 자동화합니다. 실제 암 약물 발견 실험에서 FRAGMENTA의 Human-Agent 구성은 기준선보다 거의 두 배나 많은 고득점 분자를 식별했습니다. 또한, 완전 자율 Agent-Agent 시스템은 기존 Human-Human 튜닝보다 뛰어난 성능을 보이며, 전문가 의도를 포착하는 에이전트 튜닝의 효과를 입증했습니다.
