Grounding AI agents in biological reality: Building blocks for autonomous wet labs

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Google Research는 VERID 기반 실험 로봇 검증, 압타머의 폐쇄루프 학습, 한 자릿수 나노몰 친화도의 FAP 단백질 결합체 설계를 통해 인간이 주도하는 자율 실험실의 구성 요소를 제시했다.

📌 핵심 요약

• AI 기반 생물학 연구에서는 모델의 불안정한 3차원·물리 상태 추론과 실제 실험 결과 확보가 병목이다. Google Research의 VERID는 실험실의 실시간 디지털 트윈, 가상 사전 실행, 하드웨어 안전 검사, 동기화된 영상·실행 기록으로 액체 취급 로봇의 실험을 검증한다.
• 압타머 연구는 회당 7~10일이 걸리는 설계·실험·분석을 3회 반복했다. α-thrombin에서는 고정 프라이머 돌출 서열이 서열의 48%에서 접힘을 방해해 첫 회 결합체 비율이 0%였으나, 설계 수정 후 26.0%, 42.1%로 상승했고 최종 특이도는 98.5%였다.
• myoglobin에서는 2회차 설계의 63%를 차지한 G-quadruplex가 비특이적 결합을 늘려 특이도가 75.0%에서 19.1%, 비드 결합을 보정한 적중률이 10.2%에서 3.7%로 하락했다. 에이전트가 설계 규칙을 수정한 3회차에는 특이도가 72.4%, 표적 적중률이 약 9배 증가한 33.5%로 회복됐다.
• FAP 단백질 결합체 설계에서는 국소 결합 부위만 잘라내 재접힘을 예측하는 방식으로 구조 예측 속도를 8.6배 높였다. 동일한 계산 자원에서 인간·에이전트 협업은 과학자 단독 대비 계산상 적중률을 거의 두 배로 높였으며, 소수의 실제 실험에서 최상위 설계들이 한 자릿수 나노몰 친화도를 보였다.
• VERID의 추적 가능한 자동화와 단백질 발견의 폐쇄루프 학습을 결합하는 작업은 다음 단계다. 현재 연구는 비감염성·기능획득 위험이 없는 시험계, 모든 설계 서열의 생물보안 심사, 실행 전 시뮬레이션, 인간의 서열 승인·프로토콜 검증·로봇 감독을 적용하며, 진짜 표적 결합의 최적화와 다단계 실험 검증은 미해결 과제로 남아 있다.

🧩 주요 포인트

1. 물리 상태와 실행 기록의 명시적 관리 → VERID가 실험 오류를 사전에 걸러내고, 실패 복구와 결과 해석을 뒷받침하는 기반을 제공한다.
2. α-thrombin의 접힘 방해와 myoglobin의 비특이적 결합 → 폐쇄루프 학습의 성과는 결합 신호의 증가뿐 아니라 실험 실패 원인을 식별하고 설계 목표를 수정하는 능력에 달려 있다.
3. FAP 설계의 계산 효율 향상과 인간·에이전트 협업 → 후보 탐색을 확대할 가능성을 보였지만, 계산상 적중률과 실제 결합 성능을 구분하고 인간 감독 아래 실험으로 검증해야 한다.

🧠 상세 정리

1. 자율 실험실의 비전과 두 가지 병목

Google Research는 AI 에이전트가 가설 제안과 분석을 넘어 실제 실험을 수행하고, 결과를 학습하며 개선하는 생물학 연구를 장기 비전으로 제시하되 인간의 과학적 주도권을 중심에 둔다. 아미노산 100개로 구성된 단백질 하나만 해도 가능한 서열이 최소 20^100개여서, 여러 후보를 동적으로 탐색하는 접근이 필요하다는 설명이다. 그러나 첨단 모델은 아직 3차원 기하와 물리 상태를 안정적으로 추론하지 못해 시약 이동, 부피 추적, 분자생물학 프로토콜 실행을 담당하는 로봇 자동화에 어려움이 있다. 동시에 가설 생성과 컴퓨터 기반 설계의 발전에 비해 실제 실험 속도가 뒤처져, 제안을 검증하고 탐색 방향을 조정할 실험 결과가 더 큰 병목이 되고 있다. 글은 이 간극을 좁히는 구성 요소로 VERID, 압타머 폐쇄루프 연구, 새로운 단백질 결합체 설계 연구를 소개한다.

2. VERID로 실험실의 물리 상태를 검증

VERID는 VERified Infrastructure for Discovery Laboratories의 약자로, 에이전트의 고수준 추론과 오류가 발생하기 쉬운 실제 실험실을 연결하는 프레임워크다. 실험 작업 셀을 의미 정보가 포함된 실시간 3차원 체적 개체 트리로 표현하며, 로봇 팔의 형상부터 개별 웰의 액체 부피, 시약 종류, 피펫 팁 재고까지 상태를 추적한다. 문법적으로 올바른 코드라도 좁은 용기에 8채널 피펫을 넣거나 비어 있는 웰에서 액체를 흡입하려 하면 실행할 수 없고, 모델링되지 않은 유체 효과는 과학적 결과를 훼손할 수 있다. 오픈소스 PyLabRobot 위에 구축된 VERID는 실시간 상태 확인, 수초 내 가상 사전 실행, 잘못된 명령의 하드웨어 전달 차단이라는 기능으로 이런 문제에 대응한다. 여기에 동기화된 영상과 동작 로그를 결합해 실험의 재현성, 오류 분석, 실행 과정의 추적을 지원한다.

3. 실험 오류를 발견하고 복구한 VERID 사례

VERID 사례 연구에서는 웰 바닥에 너무 가깝게 액체를 분주하면서 염료가 고르게 섞이지 않는 현상을 동기화된 영상과 실행 기록으로 포착했고, 에이전트가 혼합 전략을 수정했다. 같은 실험에서 플레이트 판독기가 고장 났을 때에는 지속적으로 보존된 디지털 트윈 상태를 이용해 다시 피펫팅하지 않고 도중에 복구했다. 또 시뮬레이터가 좁은 용기에 맞지 않는 8채널 흡입을 거부하자, 에이전트는 계획을 바꾸고 표적화된 요인 실험을 설계해 반복 실험만으로는 놓쳤을 팁 벽면의 잔류 액체 이월에 따른 미세한 편향을 분리했다. 별도의 폐쇄루프 자기 대결 실험에서는 상부 카메라 영상으로 조성이 가려진 염료 혼합물을 추정하면서 광학·유체 관련 왜곡을 스스로 식별해 정확도를 5배 넘게 개선했다. 이러한 사례와 대기 시간, 증발, 플레이트 배치까지 담는 기록은 향후 에이전트가 생물학적 신호와 실험 잡음을 구분하는 데 필요한 기반으로 제시된다.

4. 압타머 폐쇄루프와 α-thrombin의 접힘 문제

압타머 연구는 계산 모델만으로 실제 반응을 완전히 설명할 수 없다는 전제에서, 단백질에 결합하는 DNA 압타머를 설계하고 실험 결과로 다음 설계를 고치는 과정을 3회 반복했다. DNA는 혼합 라이브러리 형태로 화학 합성하고 시퀀싱으로 직접 읽을 수 있어, 설계·실험·분석 한 주기에 7~10일이 걸린다. 각 회차에서 후보 서열을 표적 단백질이 부착된 자기 비드로 선별한 뒤 시퀀싱해 정량적 결과를 다음 회차에 제공했으며, 난도가 다른 myoglobin과 α-thrombin을 대상으로 삼았다. α-thrombin의 첫 회차에서는 고정 프라이머 돌출 서열이 후보의 48%에서 접힘을 방해해 결합체 비율이 0%였다. 에이전트가 2회차에 양옆을 고정하는 줄기 구조를 도입하고 3회차에 설계를 다양화하자 적중률은 26.0%, 이어 42.1%로 높아졌고 최종 특이도는 98.5%에 도달했다.

5. myoglobin에서 드러난 결합 신호와 특이도의 차이

myoglobin 실험에서는 에이전트가 2회차에 보정 전 결합 친화도를 우선하면서 G-quadruplex 모티프를 전체 설계의 63%까지 늘렸고, 보정 전 포획 신호도 증가했다. 그러나 실제 실험은 이들 대부분이 비표적 단백질과 단백질이 없는 자기 비드에도 달라붙는 비특이적 결합체임을 보여줬다. 그 결과 표적 특이도는 75.0%에서 19.1%로, 비드 결합을 보정한 실제 적중률은 10.2%에서 3.7%로 떨어져 단순한 신호 증가가 성공을 뜻하지 않음이 드러났다. 에이전트는 2회차 결과를 근거로 3회차 설계 규칙을 자율적으로 수정해 비특이적 모티프를 제한하고 비드 결합체를 제외하며 비G4 구조 골격으로 전환했다. 이후 특이도는 72.4%로 회복됐고 표적 적중률은 약 9배 증가한 33.5%에 도달했으며, 논문은 에이전트가 과학자처럼 실험을 해석하면서도 구조생물학자와 다른 서열 공간을 탐색하기도 한다고 설명한다.

6. FAP 결합체 설계와 국소 구조 절제의 계산 효과

단백질은 화학 합성하는 압타머와 달리 생물학적으로 발현해야 하므로, 각 반복에 세포 또는 무세포 선별, 발현, 접힘 단계가 추가되고 더 큰 서열 공간까지 탐색해야 한다. 연구진은 고형암에서 과발현되는 크고 까다로운 수용체인 fibroblast activation protein alpha, 즉 FAP를 대상으로 새로운 결합체를 설계했다. 이 과정은 후보 골격 생성, 골격에 맞는 서열 설계, 결합 예측을 위한 복합체 재접힘으로 구성되며, 마지막 단계의 계산량이 표적 길이의 제곱에 비례해 GPU 계산의 대부분을 차지한다. 연구진은 접힘 예측 시 국소 결합 부위만 정밀하게 잘라내는 방식으로 구조 정확도를 잃지 않으면서 구조 예측 속도를 8.6배 높였다고 보고했다. 소수의 실제 실험에서 최상위 설계는 한 자릿수 나노몰 친화도를 보였으며, 글은 이 정도의 강한 결합은 통상 광범위한 실험 최적화를 거쳐 얻는 수준이라고 설명한다.

7. 인간·에이전트 협업과 실험 선별의 확장

국소 구조 절제 방식은 어디에 결합할지와 주변 구조를 얼마나 포함할지를 계산 효율과 연결된 전술적 선택으로 만들며, 연구진은 이를 LLM 에이전트가 최적화하기에 적합한 과제로 본다. 동일한 계산 자원을 사용한 직접 비교에서 과학자가 고수준 전략을 정하고 에이전트가 전술적 실행을 담당한 협업은 과학자 단독 작업보다 계산상 적중률을 거의 두 배 높였다. 협업은 더 넓은 범위의 표적 부위에서도 적중 후보를 발견했지만, 이 결과는 계산상 지표이며 실제 실험에서 측정한 결합 친화도와 구분된다. 연구진은 계산 파이프라인 확대에 맞춰 효모 표면 디스플레이와 형광 활성화 세포 분류인 FACS를 운용해, 대규모의 조작된 단백질 변이체 라이브러리를 형광으로 병렬 선별할 수 있도록 했다. 다음 단계는 VERID의 완전한 추적이 가능한 자동화와 단백질 발견의 폐쇄루프 학습을 결합해 에이전트가 복잡한 생물학적 탐색 공간을 실제 실험으로 탐색하게 하는 것이다.

8. 안전장치와 자율화에 남은 과제

연구진은 Google의 Frontier Safety Framework와 생물학적 회복탄력성 접근에 따라 계산과 실제 실험 양쪽에 안전장치를 둔다고 설명한다. 시험계는 통제가 잘 되고 비감염성이며 기능획득 위험이 없는 생물학적 시스템으로 선택했고, 설계된 모든 서열에 생물보안 심사를 적용한다. VERID에서는 검증되지 않은 코드가 액체 취급 로봇으로 직접 전달되지 않도록 모든 프로토콜을 먼저 시뮬레이션하고 디지털 트윈과 대조해 검증한다. 인간은 설계 서열을 직접 승인·검토하고 실제 실험 프로토콜을 확인하며 로봇 실행을 감독한다. 에이전트가 실험의 허점을 이용하지 않고 진짜 표적 결합을 최적화하도록 하는 일, 다단계 프로토콜 검증, 추론과 실행 기록의 지속적 관찰은 아직 해결해야 할 문제이며, 제시된 성과는 인간이 주도하는 자율 발견을 위한 구성 요소로 자리매김한다.

🧾 핵심 주장 / 시사점

• α-thrombin과 myoglobin의 개선 경로가 달랐다는 점은 폐쇄루프 학습에서 후보 생성 능력만큼 표적별 실험 실패 원인을 식별하는 능력이 중요함을 보여준다.
• myoglobin의 보정 전 결합 신호 증가와 실제 적중률 하락은 에이전트가 최적화하는 지표가 표적 특이도와 어긋날 수 있음을 보여주며, 실험 결과에 따른 목표 수정의 필요성을 뒷받침한다.
• FAP 설계의 계산 가속과 VERID의 물리적 검증은 서로 다른 병목을 다룬다. 두 흐름의 통합은 후속 단계이므로, 개별 성과를 완성된 자율 실험실의 성과로 확대 해석하기는 어렵다.

✅ 액션 아이템

• VERID 기반 실험 실행에서 시뮬레이션·디지털 트윈 검증과 인간 감독을 전제로 유지.
• α-thrombin과 myoglobin의 폐쇄루프 학습 평가에 접힘 방해, 비특이적 결합, 표적 특이도와 보정된 적중률을 함께 반영.
• FAP 설계의 계산상 적중률과 실제 결합 성능을 구분해 인간·에이전트 협업의 효과를 검증.

❓ 열린 질문

• VERID의 추적 가능한 자동화와 단백질 발견의 폐쇄루프 학습을 결합할 때 다단계 실험 검증은 어떻게 수행할 것인가?
• myoglobin에서 나타난 비특이적 결합처럼 진짜 표적 결합과 어긋나는 최적화를 에이전트가 어떻게 식별하고 수정할 수 있는가?
• FAP 설계에서 인간·에이전트 협업이 높인 계산상 적중률은 실제 결합 성능과 어떤 관계를 보이는가?