구글, 제미니 기반 지능형 연구 도우미 'AI 공동 과학자' 출시

방대한 과학 연구 분야에서 과학자는 뛰어난 재능과 창의력, 방대한 문헌에서 얻은 통찰력과 전문성을 바탕으로 새롭고 실행 가능한 연구 방향을 계속 개척하고 후속 탐구를 선도하는 탐험가와 같습니다. 그러나 많은 분야에서 연구자들은 '폭'과 '깊이'라는 두 가지 과제에 직면하는 경우가 많습니다. 과학 출판물의 수가 폭발적으로 증가하고 낯선 분야의 인사이트를 통합해야 하는 상황에서 연구는 점점 더 복잡해지고 있습니다. 미생물학, 유전학, 분자생물학의 지식이 융합되어 탄생한 크리스퍼 기술, 크리스퍼의 선구적인 연구로 2020년 노벨 화학상을 수상한 엠마뉴엘 샤르팡티에와 제니퍼 두드나처럼 학제 간 연구는 종종 파괴적인 혁신으로 이어지기도 합니다.

현대 과학 발견의 많은 미충족 수요에 힘입어 최근 인공지능, 특히 복잡한 분야의 지식을 통합하고 장기적인 계획과 추론을 수행할 수 있는 AI의 급속한 발전의 혜택을 받은 AI Co-Scientist라는 시스템은 다음을 목표로 하는 다중 에이전트 AI 시스템입니다. AI 코사이언티스트는 연구원을 위한 가상 협업 비서가 되도록 설계된 다중 에이전트 AI 시스템입니다. 이 시스템은 다음을 기반으로 구축되었습니다. 쌍둥이자리 2.0의 설계 철학은 과학적 연구 방법의 추론 과정과 매우 잘 맞습니다. 기존의 문헌 검토, 초록 작성, 심층 연구 도구와 달리 AI 공동 과학자들은 독창적인 새로운 지식을 발견하고 특정 연구 목표와 연계하여 기존 증거를 기반으로 혁신적인 연구 가설과 시나리오를 개발하는 데 전념합니다.

AI 공동 과학자: 연구 역량 강화, 발견 가속화

연구자가 자연어로 연구 목표를 설정하기만 하면 AI 공동 과학자가 새로운 연구 가설, 세부 연구 개요 및 실험 프로토콜을 자동으로 생성합니다. 이를 위해 이 시스템은 생성, 반영, AI를 비롯한 다양한 전문 에이전트를 사용합니다.반사'랭킹', '진화', '근접성', '메타 리뷰' 등 이러한 에이전트의 설계는 과학적 연구 방법 자체에서 영감을 얻었습니다. 이러한 에이전트는 자동화된 피드백을 사용하여 반복적으로 가설을 생성, 평가 및 최적화하는 자기 개선 주기를 통해 품질과 혁신이 계속 향상되는 연구 결과를 만들어냅니다.

AI 공동 과학자 개요.

AI 공동 과학자는 협업을 위해 구축되어 연구자가 시스템이 심층적으로 탐구할 수 있도록 초기 생각을 직접 제공하거나 시스템이 생성한 결과물에 대해 자연어로 피드백을 제공하는 등 다양한 방식으로 시스템과 상호작용할 수 있습니다. 또한, AI 공동 과학자는 웹 검색 및 전문 AI 모델과 같은 도구를 통합하여 가설의 신뢰성과 품질을 향상시킵니다.

AI 공동 과학자를 위한 멀티 에이전트 시스템 구성 요소와 시스템과 연구자 간의 상호 작용 패턴의 개략도.

AI 공동 과학자는 연구자가 설정한 목표를 연구 계획으로 분석하여 '슈퍼바이저' 에이전트가 관리합니다. 수퍼바이저 에이전트는 전문 에이전트를 작업 대기열에 할당하고 리소스를 할당하는 역할을 담당합니다. 이러한 설계를 통해 시스템은 계산 능력을 유연하게 확장하고 특정 연구 목표에 맞게 과학적 추론 기능을 반복적으로 최적화할 수 있습니다.

AI 공동 과학자 시스템 개요. 전문 에이전트(고유 역할 및 로직이 있는 빨간색 상자), 과학자 입력 및 피드백(파란색 상자), 시스템 정보 흐름(짙은 회색 화살표), 에이전트 간 피드백(에이전트 섹션 내 빨간색 화살표).

산술 스케일링: 더 깊은 과학적 추론 유도

AI는 산술적 확장 기술을 사용해 과학자들과 협력하여 반복적인 추론, 진화 및 결과물 최적화를 가능하게 합니다. 주요 추론 단계에는 새로운 가설을 생성하기 위한 '셀프 플레이' 기반 과학 토론, 가설 비교를 위한 순위 경쟁, 품질 개선을 위한 '진화' 프로세스가 포함됩니다. 시스템의 에이전트 기능은 가설과 시나리오를 개선하기 위한 피드백 도구 사용을 포함하여 반복적인 자기 비평을 용이하게 합니다.

시스템의 자체 개선은 경쟁에서 얻은 "Elo" 자동 평가 메트릭에 의존합니다. Elo 지표의 중심적인 역할로 인해 연구팀은 높은 Elo 점수가 더 높은 출력 품질과 관련이 있는지 평가했습니다. 연구팀은 Elo 자동 채점과 GPQA 벤치마크 테스트(다이아몬드 레벨 퍼즐의 경우)의 정확도 간의 일관성을 분석하여 높은 Elo 점수가 높은 정답 확률과 양의 상관관계가 있음을 발견했습니다.

독립적인 표준 답안을 기반으로 하지 않는 자동화된 평가 지표인 Elo 점수에 따라 그룹화된 GPQA 다이아몬드 레벨 퍼즐에 대한 AI 공동 과학자(파란색 선)와 Gemini 2.0 참조 모델(빨간색 선)의 평균 정확도입니다.

7명의 도메인 전문가가 각자의 전문 분야에서 15개의 공개 연구 목표와 최선의 솔루션을 직접 선정했습니다. 연구팀은 자동화된 Elo 메트릭을 사용하여 AI 공동 과학자들이 이러한 복잡한 문제에 대해 다른 고급 에이전트 모델 및 추론 모델보다 뛰어난 성능을 발휘하는 것을 관찰했습니다. 이 분석은 과학적 연구 방법에서 파생된 귀납적 편향을 사용하여 테스트 시점에 계산을 확장할 때의 이점을 재현했습니다. 실험 결과에 따르면 시스템의 추론 및 개선 시간이 길어질수록 자가 평가의 품질이 향상되며, 심지어 다른 모델과 도움을 받지 않는 인간 전문가보다 더 나은 성능을 발휘하는 것으로 나타났습니다.

AI 공동 과학자의 성능은 시스템의 계산 시간이 증가함에 따라 향상됩니다. 이는 자동화된 Elo 메트릭이 다른 기준 모델을 점차 능가하는 것에서 확인할 수 있습니다. 위: 최고 점수를 받은 가설에 대한 Elo 진행 상황. 아래: 상위 10개 가설에 대한 평균 Elo 진행률.

11개의 연구 목표 중 일부에 대해 전문가들은 AI 공동 과학자들이 도출한 결과의 참신성과 잠재적 영향력을 평가하고 다른 기준 모델과 비교했으며, 전반적인 선호도도 제공했습니다. 표본 규모가 작았음에도 불구하고 전문가들은 AI 공동 과학자들의 참신성과 잠재적 영향력이 더 높다고 인식했으며, 그들의 결과물을 더 선호했습니다. 또한 인간 전문가들의 선호도는 앞서 제시한 Elo의 자동화된 평가 지표와 일치하는 것으로 나타났습니다.

인간 전문가들은 AI 공동 과학자들의 연구 결과에 대해 참신성과 잠재적 영향력이 더 높다고 평가했으며(왼쪽 패널), 다른 모델보다 선호도가 높았습니다(오른쪽 패널).

실험적 검증: AI 공동 과학자들의 가설의 실제 적용

연구팀은 이 시스템의 새로운 예측을 실제로 적용할 수 있는지 평가하기 위해 세 가지 주요 생의학 영역에서 엔드투엔드 실험실 실험을 수행하여 AI 공동 과학자들이 생성한 가설과 연구 시나리오를 검증했습니다. 세 가지 영역은 약물 용도 변경, 새로운 치료 표적 발견, 항균제 내성 메커니즘 해결이었습니다. 이러한 실험은 전문가의 지도하에 진행되었으며 다양한 수준의 복잡성을 가진 적용 시나리오를 다루었습니다:

백혈병: 약물 재창출의 새로운 돌파구

신약 개발은 점점 더 많은 시간과 비용이 소요되는 과정입니다. 새로운 적응증이나 질병에 대해 새로운 치료법을 개발하려면 발견 및 개발 과정의 많은 부분을 다시 시작해야 합니다." '약물 재창출'은 기존 약물의 용도를 넘어 새로운 치료 용도를 찾아내어 이 문제를 해결하기 위해 만들어졌습니다. 그러나 작업의 복잡성으로 인해 약물 용도 변경에는 광범위한 학제 간 전문 지식이 필요합니다.

연구팀은 과학자들과 협력하여 약물 용도 변경 기회를 예측하는 데 AI를 적용하고, 파트너와 함께 계산 생물학, 임상 전문가의 피드백, 시험관 실험을 통해 이러한 예측을 검증했습니다.

특히, AI 공동 과학자들은 급성 골수성 백혈병(AML)에 대한 새로운 약물 용도 변경 후보를 제안했습니다. 이후 이러한 프로토콜에 대한 실험적 검증을 통해 권장 약물이 광범위한 AML 세포주에서 임상적으로 적절한 농도로 종양 세포 생존력을 억제하는 것으로 확인되었습니다.

세 가지 새로운 AML 약물 용도 변경 요법 중 하나에 대해 AI 공동 과학자들이 예측한 용량-반응 곡선.KIRA6는 임상적으로 적절한 농도에서 KG-1(AML 세포주)의 생존력을 억제합니다. 낮은 약물 농도에서 암세포 생존력을 감소시키는 능력은 표적 외 부작용의 위험을 줄이는 등 여러 가지 장점이 있습니다.

간 섬유화: 표적 발견 가속화

새로운 치료 표적을 식별하는 것은 약물 용도 변경보다 더 복잡하며, 종종 비효율적인 가설 선택과 시험관 및 생체 내 실험의 우선순위가 잘못 지정되는 경우가 많습니다. AI 지원 표적 발견은 실험 검증 과정을 간소화하고 개발 시간과 비용을 줄이는 데 도움이 될 수 있습니다.

연구팀은 간 섬유화에 초점을 맞춰 가설 및 실험 프로토콜의 제안, 시퀀싱, 생성 등 표적 발굴 가설에 대한 AI 공동 과학자 시스템의 기능을 심층적으로 탐구했으며, 인간 간 유사 오가노이드(인간 간의 구조와 기능을 모방하도록 설계된 3D 세포 배양 모델)에서 유의미한 항섬유화 활성을 보인 전임상 증거를 기반으로 후성 유전학적 표적을 식별함으로써 AI 공동 과학자의 잠재력을 입증했다. 인간 간 오가노이드(인간 간의 구조와 기능을 모방하도록 설계된 3D 세포 배양 모델)에서 상당한 항섬유화 활성을 보인다는 사실을 밝혀냈습니다.) 이러한 연구 결과는 스탠포드 대학교의 공동 연구진이 곧 발표할 보고서에서 자세히 설명할 예정입니다.

AI 공동 과학자들이 제안한 간 섬유화 표적 치료 요법과 섬유화 유도제(음성 대조군) 및 억제제(양성 대조군) 비교 AI 공동 과학자들이 제안한 모든 치료 요법은 질병 표현형을 역전시킬 수 있는 후보 물질을 포함하여 유망한 활성(모든 제안 약물에 대해 p-값 0.01 미만)을 보였습니다. 자세한 결과는 스탠포드 공동 연구진이 곧 발표할 보고서에서 확인할 수 있습니다.

항균성 내성: 기계적인 접근 방식

세 번째 검증 사례로 연구팀은 항균제 내성(AMR)과 관련된 박테리아 유전자 전달의 진화 메커니즘을 설명하기 위한 가설을 세우는 데 집중했습니다. 항균제 내성은 미생물이 항감염제에 저항하도록 진화한 메커니즘입니다. 이는 유전자 전이(접합, 전이 및 형질 전환 포함)의 분자 메커니즘과 AMR 유전자의 확산을 유도하는 생태학적 및 진화적 압력에 대한 이해가 필요한 또 다른 복잡한 과제입니다.

• 조합(활용). 직접 접촉 또는 세포 간 다리를 통해 박테리아 간에 유전 물질을 전달하는 과정입니다.
• (전송). 바이러스(파지)를 통해 한 박테리아 세포에서 다른 박테리아 세포로 DNA를 옮기는 과정입니다.
• 변환. 박테리아가 주변 환경으로부터 직접 자유 DNA를 가져와 자신의 게놈에 통합하는 과정입니다.

이 테스트를 수행하기 위해 전문 연구진은 AI 공동 과학자들에게 연구팀이 새로운 발견을 했지만 아직 공개되지 않은 주제, 즉 '코트 형성 파지 유도 염색체 섬(cf-PICI)'이 다양한 세균 종에 어떻게 존재하는지 설명하도록 지시했습니다. cf-PICI는 세균 간 이동이 가능하고 세균을 감염시키는 바이러스 유형인 파지와 복잡한 방식으로 상호작용하는 특별한 종류의 유전적 요소입니다. (박테리아를 감염시키는 바이러스). 놀랍게도 AI 공동 과학자들은 cf-PICI가 여러 파지의 꼬리와 상호 작용하여 숙주 범위를 확장한다는 가설을 체계적이고 독립적으로 제안했습니다. 이 "인실리코" 발견은 AI 공동 과학자 시스템을 적용하기 전에 독창적인 새로운 실험실 실험을 통해 검증되었으며, 플레밍 이니셔티브 및 임페리얼 칼리지 런던의 협력자들과 동시에 발표한 논문에서 설명됩니다(1, 2)에 설명되어 있습니다. 이는 수십 년간 축적된 오픈 액세스 문헌의 모든 연구 결과를 효율적으로 활용할 수 있다는 점에서 보조 기술로서 AI 공동 과학자 시스템의 가치를 잘 보여줍니다.

새로운 유전자 전달 메커니즘을 재발견하기 위해 과학자들과 협력하는 AI의 타임라인. 파란색: cf-PICI 이동성 발견을 위한 실험적 연구 과정의 타임라인. 빨간색: AI 공동 과학자들이 선험적 지식이 없는 상황에서 이러한 주요 발견을 개발하고 일반화합니다.

한계와 관점: 지속적인 발전의 사다리

연구팀은 보고서에서 문헌 검토 강화, 사실 확인, 외부 도구를 통한 교차 검증, 자동화된 평가 기법, 다양한 연구 주제를 가진 더 많은 분야 전문가 참여와 같은 대규모 평가 등 시스템의 여러 한계와 개선 방향에 대해 자세히 설명합니다.AI 공동 과학자의 도입은 AI 지원 과학 연구의 중요한 진전을 의미합니다. AI 공동 과학자의 도입은 AI 보조 연구 기술의 중요한 진전을 의미하며, 과학적 발견 과정을 크게 가속화할 것으로 기대됩니다. 이 시스템은 여러 과학 및 생물의학 영역에서 새롭고 검증 가능한 가설을 생성할 수 있으며, 그중 일부는 이미 실험을 통해 검증되었고, 향상된 연산 능력을 통해 재귀적인 자기 개선이 가능합니다. 이러한 특성은 과학 및 의학 분야의 주요 과제에 대한 연구자들의 대응을 가속화할 수 있는 큰 잠재력을 보여줍니다. 책임감 있는 방식으로 연구 보조자로서 AI 협업 과학자의 잠재력을 더욱 탐구할 수 있기를 기대합니다. 이 프로젝트는 협업적이고 인간 중심적인 AI 시스템이 어떻게 인간의 창의성을 향상시키고 과학적 발견을 가속화할 수 있는지 생생하게 보여줍니다.

AI 공동 과학자 '신뢰할 수 있는 테스터 프로그램' 출시, 과학 연구의 새로운 패러다임을 함께 탐구할 수 있는 기회 제공

연구팀은 AI 공동 과학자 시스템이 보여준 초기 결과에 고무되어 있으며, 더 광범위한 과학 및 생의학 영역에서 이 시스템의 강점과 한계를 평가할 필요가 있다고 보고 있습니다. 이 작업을 책임감 있게 진행하기 위해 팀은 신뢰할 수 있는 테스터 프로그램을 통해 연구 기관에 시스템에 대한 액세스를 개방할 예정입니다. 관심 있는 전 세계의 연구 기관은 프로그램 참여를 고려할 수 있으며, 자세한 내용은 다음에서 확인할 수 있습니다. 링크(웹사이트).