본 논문은 약물 재창출을 위한 새로운 프레임워크인 DrugMCTS를 제안합니다. DrugMCTS는 RAG(Retrieval-Augmented Generation), 다중 에이전트 협업, 그리고 Monte Carlo Tree Search를 통합하여, 기존의 파인튜닝이나 검색 증강 생성 방식의 한계를 극복합니다. 5개의 특화된 에이전트를 활용하여 분자 및 단백질 정보를 검색하고 분석함으로써 구조적이고 반복적인 추론을 가능하게 합니다. 도메인 특정 파인튜닝 없이도 Qwen2.5-7B-Instruct 모델을 사용하여 Deepseek-R1보다 20% 이상의 성능 향상을 달성하였으며, DrugBank 및 KIBA 데이터셋에서 기존의 대규모 언어 모델 및 딥러닝 기반 모델보다 상당히 높은 재현율과 강건성을 보였습니다. 이는 약물 발견 분야에서 LLM 응용을 발전시키는 데 구조적 추론, 에이전트 기반 협업 및 피드백 기반 검색 메커니즘의 중요성을 강조합니다.
