Bunsen은 Schrödinger가 2026년 7월 27일 소개한 분자 발견용 AI 공동연구자다. 연구자가 자연어로 연구 목표와 프로젝트 맥락을 제시하면 이를 해석해 적절한 계산 전략을 구성하고, Schrödinger의 분자 모델링 계산과 다단계 발견 워크플로를 실행한 뒤 결과 분석과 시각화, 다음 연구 단계 추천까지 이어 주는 것을 목표로 한다. 언어 모델이 논문 초록을 읽고 핵심을 정리하는 조수라면, Bunsen은 연구 질문을 실제 분자 계산 작업으로 번역하고 그 결과를 다시 연구 의사결정으로 연결하는 계산화학 공동연구자에 가깝다. 다만 기반 모델의 명칭과 내부 에이전트 아키텍처, 지원되는 개별 계산 모듈은 제공된 발견 자료만으로 확인되지 않는다. 기존 계산화학 연구에서는 연구자가 질문을 개별 계산 단계로 분해하고, 조건을 설정하며, 여러 도구에서 생성된 결과를 직접 취합해야 한다. 범용 생성형 AI는 개념 설명이나 문헌 요약에는 유용하지만 물리 기반 분자 시뮬레이션을 직접 계획하고 실행한 뒤 결과의 추세까지 해석하는 데에는 한계가 있다. Bunsen의 차별점은 자연어 추론을 Schrödinger의 검증된 분자 모델링 계산과 연결한다는 점이다. 단순히 가능한 실험을 문장으로 제안하는 데서 끝나지 않고 계산 전략 수립, 다단계 워크플로 실행, 결과 분석, 시각화 및 후속 단계 추천을 하나의 연구 흐름으로 묶는다. 이는 분자 발견 과정에서 자연어 인터페이스와 도메인 계산 엔진 사이를 잇는 오케스트레이션 계층으로 이해할 수 있다. 신약 탐색 연구자는 표적과 프로젝트 제약, 후보 분자 집합, 우선순위 기준을 자연어로 설명하고 Bunsen을 통해 여러 단계의 분자 모델링 계산 전략을 구성할 수 있다. 예를 들어 연구자가 100개 후보 가운데 상위 20개를 후속 검토 대상으로 좁히도록 요청하면, Bunsen은 사용 가능한 Schrödinger 계산을 조합해 후보별 결과를 비교하고 관찰된 추세를 정리하는 방식으로 활용될 수 있다. Hit-to-lead 단계에서는 50개 유사체를 대상으로 계산 결과와 구조적 경향을 분석해 다음 합성 주기의 우선순위를 정하는 가상 워크플로를 설계할 수 있다. 해당 숫자는 공개 성능 수치가 아니라 연구자가 지정할 수 있는 예시 작업 규모이며, 실제 입력 한도와 처리 성능은 공식 문서 확인이 필요하다. 계산 결과가 예상과 다를 때에도 Bunsen은 결과 분석과 후속 연구 단계 추천 기능을 이용해 추가로 검증할 가설과 계산 순서를 정리하는 데 활용할 수 있다. 연구자는 여러 계산 결과를 개별적으로 검토하는 대신 연구 목표와 연결된 추세를 탐색하고, 다음 계산 또는 실험 후보를 선별하는 데 집중할 수 있다. 다만 정량 정확도, 계산 속도, 재현성 평가, 데이터 보안 정책, 배포 방식 및 규제 환경에서의 사용 조건은 제공된 자료에 포함되어 있지 않다. 따라서 중요한 신약개발 의사결정에는 원본 계산 결과와 검증 절차가 병행되어야 하며, Bunsen이 제안한 결론을 독립적인 실험 증거로 간주해서는 안 된다.