OriGene: A Self-Evolving Virtual Disease Biologist Automating Therapeutic Target Discovery

본 논문은 600 개 이상의 도구를 통합하고 인간 및 실험 피드백을 통해 지속적으로 진화하는 다중 에이전트 시스템 'OriGene'을 소개하며, 이는 기존 모델과 인간 전문가를 능가하는 정확도로 간암 및 대장암의 새로운 치료 표적을 발굴하고 검증한 AI 기반 약물 개발의 새로운 패러다임을 제시합니다.

핵심

오리고네 (OriGene): 스스로 진화하는 '가상 질병 생물학자' 이야기

이 논문은 **오리고네 (OriGene)**라는 놀라운 인공지능 시스템을 소개합니다. 쉽게 말해, 오리고네는 약을 개발할 때 가장 중요한 첫 단계인 **'어떤 병을 치료할 표적 (Target) 을 찾아야 할지'**를 스스로 고민하고 실험까지 제안하는 스마트한 가상 과학자입니다.

기존의 AI 가 단순히 정보를 검색하는 수준이었다면, 오리고네는 스스로 배우고 성장하며, 인간 과학자보다 더 빠르고 정확하게 약 개발의 길을 찾아냅니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 오리고네는 어떤 존재인가요? (가상 질병 생물학자)

약 개발은 마치 거대한 미로에서 탈출하는 것과 같습니다. 수만 개의 유전자와 단백질, 그리고 복잡한 질병 데이터가 미로처럼 얽혀 있어, 어디서부터 시작해야 할지 알기 어렵습니다. 보통 이 일을 해결하려면 수천 명의 전문가들이 수십 년을 연구해야 합니다.

**오리고네는 이 미로의 지도를 스스로 그려내는 '수퍼 가이드'**입니다.

• 600 개 이상의 전문 도구: 오리고네는 유전학, 단백질 구조, 임상 데이터, 논문 등 600 개가 넘는 '전문 도구'를 하나씩 들고 다닙니다. 마치 마법사처럼 필요한 도구를 상황에 따라 꺼내 사용합니다.
• 스스로 생각하는 팀: 오리고네는 혼자 일하지 않습니다. **'조정자 (Coordinator)', '계획가 (Planning)', '분석가 (Reasoning)', '비평가 (Critic)', '보고자 (Reporting)'**라는 5 명의 AI 에이전트 팀으로 구성되어 있습니다.
  • 조정자: "우리가 해결해야 할 문제는 뭐지?"라고 문제를 쪼개고 팀을 지휘합니다.
  • 비평가: "이 결론은 너무 성급하지 않아? 데이터가 부족하지 않아?"라고 끊임없이 의심하고 질문합니다.
  • 분석가: 방대한 데이터를 연결하여 새로운 통찰을 찾아냅니다.

2. '스스로 진화'한다는 게 무슨 뜻인가요?

기존의 AI 는 공부를 마친 후 시험을 보면 점수가 그대로입니다. 하지만 오리고네는 시험을 볼 때마다 스스로 공부를 더 합니다.

• 레벨 1: 질문 하나를 풀 때의 진화
  복잡한 질문을 받으면, 오리고네는 "아, 이대로는 답이 안 나오네. 다시 자료를 찾아보고, 다른 각도로 접근해보자"라고 생각하며 수십 번의 시도를 반복합니다. 실패하면 그 이유를 분석하고 다음 시도에서는 더 똑똑하게 답을 찾습니다.
• 레벨 2: 시스템 전체의 진화
  오리고네가 잘 풀었던 문제의 해결 과정 (예: "이런 식으로 접근하면 성공했다") 을 기억해 둡니다. 그리고 나중에 비슷한 문제가 나오면, **"아! 전에 이걸로 성공했었지!"**라고 기억해 내어 더 빠르게, 더 정확하게 해결합니다. 마치 인간이 경험을 쌓아 실력이 늘듯이, 오리고네도 자신의 성공 사례를 학습하여 지능을 업그레이드합니다.

3. 실제로 약을 개발했나요? (성공 사례)

오리고네는 단순히 이론만 잘하는 게 아니라, 실제 실험실에서도 성과를 냈습니다.

• 간암 (HCC) 의 새로운 열쇠: GPR160
  오리고네는 간암을 치료할 수 있는 새로운 열쇠로 GPR160이라는 단백질을 찾아냈습니다. 기존에는 잘 알려지지 않았지만, 오리고네는 수만 개의 데이터를 분석해 "이게 핵심이야!"라고 주장했습니다.
  • 결과: 실험실에서 환자가 직접 기증한 간암 세포 (오가노이드) 와 쥐 실험을 해보니, 오리고네가 제안한 약이 암 세포를 죽이고 면역 세포가 암을 공격하도록 도와주는 것이 확인되었습니다.
• 대장암 (CRC) 의 새로운 열쇠: ARG2
  대장암 치료제 후보로 ARG2를 찾아냈습니다. 오리고네는 약물을 설계하고 실험을 반복하며, **환자 유래 세포에서도 효과가 확실한 새로운 펩타이드 (약물 후보)**를 스스로 개발해냈습니다.

이것은 마치 AI 가 "이 약이 잘 될 것 같아"라고 말하자, 과학자들이 실험을 해보니 정말로 효과가 있었다는 뜻입니다.

4. 왜 이것이 중요한가요?

지금까지 약 개발은 실패 확률이 90% 이상인 고위험 사업이었습니다. 잘못된 표적을 선택하면 수십 년과 수조 원이 날아갈 수 있습니다.

• 인간보다 빠르고 정확: 오리고네는 전문가 팀보다 더 많은 데이터를 빠르게 분석하고, 논리적 오류를 찾아내어 더 정확한 결론을 냅니다.
• 데이터가 부족해도 잘해요: 정보가 적은 희귀병이나 새로운 질병에서도 오리고네는 기존 지식을 연결해 새로운 가능성을 찾아냅니다.
• 약 개발의 패러다임 변화: 이제 AI 가 단순히 '도움'을 주는 것을 넘어, **약 개발의 '주인공'**이 되어 스스로 가설을 세우고, 실험을 설계하고, 결과를 검증하는 시대가 왔습니다.

요약

오리고네는 "스스로 배우고, 스스로 생각하고, 스스로 실험을 설계하는 AI 과학자"입니다.
그는 수만 권의 논문과 데이터를 읽어 넘겨, 인간이 놓친 새로운 약의 열쇠를 찾아냅니다. 이 기술이 발전하면, 앞으로는 기존에 10 년 걸리던 신약 개발이 훨씬 짧아지고, 더 많은 환자가 새로운 치료를 받을 수 있게 될 것입니다.

마치 약 개발이라는 어두운 미로에 빛을 비추어 주는, 스스로 진화하는 등대와 같은 존재라고 생각하시면 됩니다.

기술 요약

OriGene: 자가 진화하는 가상 질병 생물학자를 통한 치료 표적 자동 발견

1. 문제 정의 (Problem)

현대 신약 개발에서 치료 표적 (Therapeutic Target) 의 식별은 핵심 단계이지만, 임상 개발 단계에서 약물의 90% 이상이 실패하는 주요 원인은 초기 표적 가설의 결함 (생물학적 역할, 질병 관련성, 약물성 오해) 에 있습니다.

• 데이터 단편화: 유전체, 전사체, 단백질체, 임상 기록 등 다양한 모달리티의 데이터와 분석 도구가 고립되어 작동하여 통합적인 추론이 어렵습니다.
• 비용 및 시간 제약: 실험적 검증 (CRISPR 스크리닝, 오가노이드 등) 비용이 매우 높고 (표적당 200 만 달러 이상), 이로 인해 검증 가능한 가설의 수가 제한됩니다.
• 기존 AI 의 한계: 최근 대규모 언어 모델 (LLM) 기반 에이전트들이 등장했으나, 치료 표적 발견과 같은 복잡한 다단계 추론, 역동적인 도구 선택, 그리고 실험 피드백을 통한 자가 개선 능력을 갖춘 시스템은 부족했습니다.

2. 방법론 (Methodology)

OriGene 는 복잡한 생물학적 질문에 답하고 새로운 치료 표적을 발견하기 위해 설계된 자가 진화형 멀티 에이전트 시스템입니다.

• 아키텍처 및 에이전트 협업:

  • 600 개 이상의 전문 도구 통합: 모델 컨텍스트 프로토콜 (MCP) 을 통해 유전체, 단백질 네트워크, 약리학, 임상 기록 등 600 개 이상의 전문 도구와 큐레이션된 생물 의학 데이터베이스를 통합합니다.
  • 5 가지 핵심 에이전트:
    1. Coordinator: 복잡한 질문을 하위 문제로 분해하고 사고 템플릿 (Thinking Templates) 을 기반으로 논리적 프레임워크를 구성합니다.
    2. Planning: 하위 질문에 적합한 도구를 동적으로 선택하고 실행 계획을 수립합니다.
    3. Reasoning: 다중 모달 데이터를 종합하고, 모순을 식별하며, 핵심 인사이트를 도출합니다.
    4. Critic: 해결책의 완전성과 과학적 타당성을 평가하고, 정보의 공백 (Gap) 을 지적하여 피드백을 제공합니다.
    5. Reporting: 최종 결과를 구조화된 과학 보고서로 작성합니다.
  • 기반 모델: GPT-4o(또는 유사 모델) 를 Coordinator, Planning, Critic, Reporting 에이전트에 활용하고, GPT-4o-mini 를 저지연 후처리에 사용합니다.

• 자가 진화 메커니즘 (Self-Evolving Mechanisms):

  • 레벨 1 (단일 질문 해결): 테스트 시간 (Test-time) 스케일링을 통해 반복적인 추론, 도구 활용, 성찰 (Reflection) 사이클을 수행하여 답변의 품질을 점진적으로 향상시킵니다.
  • 레벨 2 (전체 능력 진화): 성공적인 해결 궤적에서 새로운 '사고 템플릿'을 추출하여 시스템의 지식 베이스를 확장합니다. 이는 인간 전문가나 실험 검증을 통해 라벨링된 고품질 솔루션을 기반으로 템플릿 라이브러리를 자동 업데이트하는 순환 구조를 가집니다.

• 도구 선택 전략 (Tool RAG):

  • 지식 그래프 기반의 Tool RAG를 사용하여 600 개 이상의 도구 중 컨텍스트에 가장 적합한 도구를 2 단계 (일반 선택기 → 전문가 선택기) 로 정밀하게 선별합니다.

• 벤치마크 (TRQA):

  • 치료 표적 발견을 위해 특별히 설계된 TRQA (Target Research Question-Answering) 벤치마크를 구축했습니다.
  • TRQA-lit: 문헌 기반 (1,280 개 질문, 객관식 및 단답형).
  • TRQA-db: 경쟁 구도 및 임상 시험 데이터 기반 (641 개 질문).
  • 총 1,921 개의 전문가 수준의 질문 - 답변 쌍으로 구성되었습니다.

3. 주요 기여 (Key Contributions)

1. 자가 진화형 가상 질병 생물학자: 단순한 정보 검색을 넘어, 실험 피드백과 인간 전문가의 피드백을 학습하여 사고 템플릿과 분석 프로토콜을 지속적으로 개선하는 최초의 시스템 중 하나입니다.
2. 대규모 전문 도구 통합: 600 개 이상의 도구를 지식 그래프 기반 RAG 와 결합하여 복잡한 생물학적 추론을 가능하게 했습니다.
3. 새로운 벤치마크 (TRQA): 치료 표적 발견에 특화된 대규모 평가 세트를 공개하여 AI 에이전트의 성능을 객관적으로 비교할 수 있는 기준을 마련했습니다.
4. 실험적 검증: AI 가 제안한 표적을 실제 실험 (오가노이드, 환자 유래 종양 조각, 인간화 마우스 모델) 을 통해 검증하는 폐루프 (Closed-loop) 발견 프로세스를 입증했습니다.

4. 결과 (Results)

• 벤치마크 성능:

  • TRQA: OriGene 은 인간 전문가 (검색 도구 사용 허용), DeepSeek-V3/R1, GPT-4o, Claude-3.7 등 최첨단 LLM 및 전문 에이전트 (TxAgent, BioMNI) 를 모두 능가했습니다. 특히 데이터가 희소하거나 노이즈가 있는 환경에서 강건함을 보였습니다.
  • 공공 벤치마크: GPQA, DbQA, LitQA 등에서도 높은 정확도와 재현율 (Recall) 을 기록하며 구조화된 데이터 추론 및 문헌 이해 능력이 탁월함을 입증했습니다.
  • 스케일링 효과: 계산 리소스 (반복 횟수) 를 늘릴수록 성능이 선형적으로 향상되었으며, 도구 접근성이 제한될 경우 성능이 급격히 하락하여 전문 도구의 중요성을 확인했습니다.

• 실제 치료 표적 발견 및 검증:

  • 간세포암 (HCC) - GPR160:
    • OriGene 은 GPR160 을 새로운 표적으로 식별했습니다.
    • 검증: 환자 유래 오가노이드 (PDO) 와 종양 조각 (PDTF) 모델에서 GPR160 억제제가 암세포 사멸을 유도하고 T 세포 (CD4+, CD8+) 활성화를 촉진함을 확인했습니다.
    • 생체 내 효과: 인간화 마우스 모델에서 종양 성장을 유의미하게 억제 (p=0.037) 하고 종양 미세환경 내 T 세포 침윤을 증가시켰습니다.
  • 대장암 (CRC) - ARG2:
    • OriGene 은 ARG2 를 우선순위 표적으로 선정했습니다.
    • 검증: HCT116 세포 및 4 가지 환자 유래 오가노이드 (PDO) 에서 억제제가 강력한 항종양 활성을 보였습니다.
    • Vibe Biology (AI-실험실 루프): AI 가 펩타이드 설계를 자동화하고 실험 데이터를 기반으로 5 라운드에 걸쳐 최적화하여, 강력한 항암 활성을 가진 3 가지 리드 펩타이드 (#88, #91, #97) 를 발견했습니다.

5. 의의 및 결론 (Significance)

• 신약 개발 패러다임의 전환: OriGene 은 표적 발견의 초기 단계에서 인간의 직관과 단편화된 데이터 분석을 대체하여, 기계적으로 근거 기반 (Mechanistically grounded) 인 가설을 대규모로 생성하고 검증할 수 있는 플랫폼을 제공합니다.
• 비용 및 시간 절감: 실험적 검증이 필요한 가설의 수를 줄이고, AI 가 실험 설계를 주도함으로써 신약 개발의 실패율과 비용을 획기적으로 낮출 잠재력이 있습니다.
• 지속 가능한 학습 시스템: 실험 결과와 피드백을 통해 스스로 진화하는 구조는 미래의 AI 과학자가 새로운 질병과 표적에 적응하며 지식을 축적할 수 있는 토대를 마련합니다.

이 연구는 AI 가 단순한 보조 도구를 넘어, 복잡한 생물학적 문제를 해결하고 실제 임상적으로 유효한 치료 표적을 발견하는 주도적인 과학자 (Co-scientist) 로서의 가능성을 강력하게 입증했습니다.