수천 개의 AI 에이전트를 활용해 생물학 데이터에서 새로운 단서 발굴하기

과학자들이 몇 달이 아닌 몇 분 만에 알츠하이머병과 파킨슨병에 대한 새로운 단서를 발견할 수 있다면 어떨까요? OpenAI, PerturbAI⁠(새 창에서 열기), 그리고 Scripps Research⁠(새 창에서 열기) 가 GPT‑Rosalind로 구동되는 수천 개의 AI 에이전트⁠(새 창에서 열기) 를 사용해 수백만 개의 생쥐 뇌 세포⁠(새 창에서 열기) 에서 나온 기존 실험 데이터를 단 32분 만에 분석하고 해석했습니다. 이 에이전트들은 유전자 교란의 영향을 과학 문헌의 연구 결과와 연결하여, 과학자들이 질병을 이해하고 새로운 치료법을 위한 연구 방향을 찾는 데 도움이 될 수 있는 예상치 못한 생물학적 연관성을 발견했습니다. 이 연구는 AI가 대규모 생물학 실험에서 드러나는 것들을 연구자가 더 폭넓게 탐색하도록 도울 수 있음을 보여줍니다.

현대의 실험은 과학자들이 철저히 조사할 수 있는 것보다 훨씬 많은 데이터를 생성합니다. 연구자들은 이제 수천 개의 유전자를 변형시키고 그 영향을 수백만 개의 세포에서 측정할 수 있습니다. 그러나 이러한 결과가 인간 질병에 대해 의미하는 바를 이해하려면 복잡한 실험 결과를 수십 년에 걸쳐 흩어져 있는 과학 지식과 연결해야 합니다. 바로 이 지점에서 AI가 과학자들이 그렇지 않으면 놓칠 수 있는 유망한 단서를 발굴하도록 도울 수 있습니다.

“우리는 다른 과학자들이 우리가 아직 상상하지 못한 발견을 할 수 있도록 세포 아틀라스를 만듭니다. AI는 더 많은 연구자들이 이러한 자료를 탐색하고 예상치 못한 관찰을 검증할 새로운 질문으로 전환하는 데 도움을 줄 수 있습니다.”

연구팀은 이 분석을 GPT‑Rosalind로 구동되는 수천 개의 AI 에이전트에게 나누었으며, 우리는 이 접근법을 분산형 생물학 추론(distributed biological reasoning)이라고 부릅니다. 에이전트들은 생쥐 뇌 전체에서 유전자 교란이 다양한 세포 유형에 미치는 영향을 보여주는 데이터셋인 전뇌 CRISPR 아틀라스⁠(새 창에서 열기)를 조사했습니다. 각 에이전트는 하나의 유전자 교란을 조사하고, 세포 반응을 분석하고, 과학 문헌을 검색하고, 결과에 대한 설명을 제안했습니다. 이들의 보고서는 유전자, 세포 효과, 관련 논문, 가능한 생물학적 메커니즘을 연결하는 추론 아틀라스로 통합되었습니다.

연구팀은 사람이 한 번에 하나의 교란씩 유사한 분석과 문헌 검토를 수행한다면 몇 달에서 1년이 걸릴 것으로 추정했습니다. 에이전트들은 인간의 분석 결과를 재현하는 동시에 추가적인 단서를 발견했습니다. 이들의 신규성과 과학적 가치에 대한 평가도 블라인드 처리된 인간 전문가들의 판단과 일치했습니다. 이러한 발견은 제안된 생물학적 메커니즘을 검증하기 위해 필요한 후속 실험의 우선순위를 정하는 데 도움이 됩니다.

이러한 통찰 중 일부는 뇌 질환을 이해하기 위한 새로운 단서를 제시합니다. 에이전트들은 질병 관련 두 유전자가 뇌 세포에 미치는 영향에서 예상치 못한 차이를 발견했을 뿐만 아니라, 콜레스테롤 조절과 신경퇴행 사이의 잠재적 연관성도 확인했습니다. 이러한 발견은 과학자들이 질병이 어떻게 발생하는지, 그리고 향후 치료법이 어디에서 개입할 수 있는지 조사하는 데 도움이 될 수 있습니다.

“때로는 단서가 이미 그 자리에 있지만 여러 분야에 흩어져 있을 뿐입니다. 우리가 그것들을 연결하지 못했을 뿐이죠. 신경세포 기능과 콜레스테롤 대사 사이의 가능한 연관성은 이러한 조각들이 한데 모였을 때 질병 생물학에 대해 생각하는 새로운 방식을 제공할 수 있음을 보여줍니다.”

연구자들은 오늘부터 이러한 발견을 탐색할 수 있습니다. 추론 아틀라스가 공개⁠(새 창에서 열기)되어 있어, 과학자들은 관련 유전자를 비교하고, 예상치 못한 반응을 조사하고, 추구할 만한 유망한 단서를 식별할 수 있습니다. 새로운 발견은 종종 서로 다른 분야의 연구자들이 전문 지식을 모으고 익숙한 개념을 예상치 못한 방식으로 연결할 때 나타납니다. AI는 새로운 데이터를 여러 분야에 흩어져 있는 지식과 연결함으로써 이러한 연결을 크게 확장할 수 있습니다. 이 기회는 데이터를 더 빠르게 분석하는 것을 넘어섭니다. AI를 실험 생물학, 인간의 전문성, 과학 문헌과 결합함으로써, 우리는 과학자들이 더 많은 데이터를 검증 가능한 아이디어로 전환하도록 도울 수 있습니다.

거대한 실험, 예상치 못한 단서

실험의 가장 흥미로운 단서들 중 일부는 과학자들이 조사하려 했던 이야기 바깥에 놓여 있다. 수천 개의 교란을 포괄하는 데이터셋에서는 그런 단서를 놓치기 쉽다.

에이전트들은 mTOR, 즉 세포 성장, 대사, 노화의 주요 조절 인자를 함께 제어하는 두 유전자인 Tsc1과 Tsc2 사이의 예상치 못한 차이를 발견했다. 어느 한 유전자를 교란하든 여러 신경세포 집단에서는 비슷한 효과가 나타났다. 그러나 운동 조정을 돕는 소뇌에서는 Tsc2 교란이 신경세포 소통에 관여하는 수십 개 유전자의 활성을 변화시킨 반면, Tsc1 교란은 거의 변화를 일으키지 않았다.

이 차이는 인간 질환과 관련이 있을 수 있습니다. 결절성 경화증 환자에서는 소뇌의 이상이 TSC2 돌연변이와 강하게 연관되어 있습니다. mTOR 활성을 감소시키는 약물이 특정 뇌종양과 발작을 치료할 수 있지만, 이 질환과 관련된 학습 및 행동상의 어려움은 여전히 해결하기 어렵습니다. 이 에이전트들은 연구할 가치가 있는 특정 신경세포군과 세포 변화들을 찾아냈습니다. 기존 약물로 어떤 변화를 교정할 수 있고, 어떤 변화가 새로운 치료 접근법의 단서가 될 수 있을까요? 이는 연구자들에게 실험실에서 검증할 보다 구체적인 질문들을 제공합니다.

업무 분담, 추론 심화

전체 데이터셋을 받은 단일 에이전트가 수천 개의 에이전트가 병렬로 작업한 것만큼 잘 수행할 수 있을까요? 우리는 모델과 자원을 고정한 상태에서 이를 테스트했습니다. 작업량이 늘어남에 따라 단일 에이전트는 문헌을 더 적게 탐색했고, 최대 작업량에서는 겨우 11개의 참고문헌만 인용한 반면, 분산 에이전트들은 700개가 넘는 참고문헌을 인용했습니다. 인간 전문가들 역시 분산 에이전트의 해석을 선호했습니다.

과학자들은 시간이 제한되어 있어 데이터에서 가장 강한 신호에 집중하는 경우가 많습니다. 분산 에이전트는 미세하거나 예상치 못한 반응을 포함해 더 넓은 범위의 반응을 검토하고 이를 관련 과학 문헌과 연결하는 데 도움을 줄 수 있습니다. 에이전트를 병렬로 실행하면 많은 교란 실험을 동시에 조사할 수 있습니다. 이를 통해 과학자들은 실험이 담고 있는 내용을 더 많이 탐색하고, 그렇지 않으면 놓칠 수 있는 유망한 단서들을 식별할 수 있습니다.

수행할 가치가 있는 다음 실험 찾기

어떤 발견도 수행할 가치가 있는 실험을 가리킬 때 더욱 가치가 높아집니다. 에이전트들은 그러한 단서 중 하나를 DCTN1에서 발견했는데, 이 유전자의 돌연변이는 파킨슨 유사 증상을 동반하는 신경퇴행성 질환인 페리 증후군을 유발합니다.

DCTN1은 신경세포 내에서 화물을 운반하는 데 관여합니다. 전뇌 CRISPR 지도에서 Dctn1을 교란하면 콜레스테롤 합성에 관여하는 유전자들의 발현이 증가했습니다. 에이전트들은 이 관찰을, 콜레스테롤 수송에 문제가 생기면 세포가 더 많은 콜레스테롤을 만들 수 있다는 연구와 연결했습니다. 이는 후속 실험을 위한 질문을 제기했습니다. DCTN1 교란이 신경세포 내 콜레스테롤 분포를 변화시킬 수 있고, 그 변화가 신경퇴행에 기여할 수 있을까요? 만약 그렇다면, 정상적인 콜레스테롤 분포를 회복하는 것이 신경세포를 보호하는 데 도움이 될 수 있을까요?

인간 전문가들 역시 이 가설이 참신하고 중대하며 후속 연구할 가치가 있다고 평가했습니다. 이 사례는 예상치 못한 결과를 기존 지식과 연결함으로써 단서를 검증 가능한 아이디어로, 나아가 잠재적으로 질병 치료의 새로운 방향으로 전환할 수 있는 방법을 보여줍니다.

과학자는 여전히 발견의 중심에 있습니다. AI는 더 많은 유망한 단서를 발굴함으로써 연구자들이 어떤 아이디어를 추구할지 결정하고, 실험을 설계하며, 결과를 해석하는 데 도움을 줄 수 있습니다. 목표는 생물학적 실험의 정보를 더 많이 지식으로 전환하여, 시간이 지남에 따라 더 나은 약물 개발을 안내하는 데 도움이 되도록 하는 것입니다.