The End of Aging Clocks: Training Foundation Models to Reason in Aging and Longevity

이 논문은 DNA 메틸화, 프로테오믹스 등 다양한 생물학적 데이터를 학습한 Longevity-LLM 이 기존 노화 시계 모델들을 대체할 수 있는 단일 기반 모델로서 노화 예측 및 신약 개발 분야에서 뛰어난 성능을 입증했다고 요약할 수 있습니다.

핵심

이 논문은 **노화 연구의 세계에 등장한 '만능 천재 비서'**에 대한 이야기입니다.

기존의 과학자들은 노화를 측정할 때 각각 다른 도구 (시계) 를 사용했습니다. DNA 를 볼 때는 DNA 전용 시계, 단백질을 볼 때는 단백질 전용 시계를 썼죠. 하지만 이 새로운 모델인 **'Longevity-LLM(롱게비티-엘엘엠)'**은 이 모든 것을 하나로 통합한, 마치 슈퍼 영웅과 같은 인공지능입니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 기존 방식: "각자 다른 언어를 쓰는 전문가들"

과거에 과학자들은 노화를 측정할 때 전문가 팀을 구성했습니다.

• DNA 전문가: DNA 데이터만 보고 "이 사람은 생물학적으로 50 세다"라고 말합니다.
• 혈액 전문가: 혈액 검사만 보고 "이 사람은 45 세다"라고 말합니다.
• 단백질 전문가: 단백질 데이터만 보고 "이 사람은 55 세다"라고 말합니다.

문제점: 이 전문가들은 서로 대화할 수 없었습니다. DNA 전문가에게 혈액 데이터를 주면 "이건 내 영역이 아니야"라고 거절했고, 각자 다른 규칙을 따랐기 때문에 데이터를 합치거나 해석하기가 매우 어려웠습니다. 마치 서로 다른 언어를 쓰는 10 명의 통역사가 모여서 한 명을 설명하려다 보니, 오해가 생기고 효율이 떨어지는 상황과 비슷합니다.

2. 새로운 방식: "모든 것을 배운 '만능 천재 비서'"

이 연구팀은 Longevity-LLM이라는 새로운 AI 를 만들었습니다. 이 AI 는 Qwen3-14B라는 기초 지식을 가진 거대한 두뇌에, DNA, 단백질, 혈액, 임상 데이터 등 수백만 개의 노화 관련 사례를 가르쳤습니다.

• 비유하자면: 이 AI 는 이제 **10 명의 전문가가 가진 모든 지식과 경험을 한 몸에 흡수한 '슈퍼 비서'**가 되었습니다.
• 특징:
  • 한 번에 모든 걸 이해: DNA 데이터든, 혈액 데이터든, 혹은 둘 다 섞인 데이터든 상관없이 "이 사람의 노화 상태는 이러하다"라고 자연스럽게 설명합니다.
  • 이유도 설명해 줌: 기존 시계들은 "50 세다"라고 숫자만 알려줬지만, 이 AI 는 "왜 50 세인지, 어떤 유전자가 문제인지"를 이유와 함께 설명할 수 있습니다. (예: "이 단백질 수치가 낮아서 노화가 빨라진 것 같아요"라고 말입니다.)

3. 놀라운 성과: "작은 두뇌로 거인들을 이기다"

이 AI 는 아직 어린 단계 (v0.1) 임에도 불구하고 놀라운 일을 해냈습니다.

• DNA 시계 이기기: 세계적으로 유명한 '호바스 (Horvath)'라는 DNA 노화 시계보다 더 정확하게 사람의 나이를 예측했습니다. (오차 범위가 약 4.3 년으로 줄어듦)
• 단백질 예측의 마법: 단백질 데이터를 바탕으로 나이를 예측할 뿐만 아니라, "이 사람의 나이가 60 세라면, 어떤 단백질들이 어떻게 변할까?"라고 물어보면, AI 가 그 단백질 목록을 직접 만들어내기도 했습니다. 이는 기존 AI 들이 전혀 하지 못했던 일입니다.
• 암 생존 예측: 암 환자의 생존 기간을 예측하는 데서도 최상위권의 성능을 보여줬습니다.

4. 왜 이것이 중요한가요? "약 개발의 '원스톱 샵'"

이 기술의 가장 큰 의미는 약 개발의 속도를 바꾼다는 점입니다.

• 과거: 약을 만들려면 DNA 분석, 단백질 분석, 임상 데이터 분석을 각각 다른 팀이 따로따로 해야 했습니다. 서로의 결과를 합치는 데만 몇 달이 걸렸습니다.
• 미래: 이제 과학자는 이 AI 에게 **"노화가 느려지는 약을 찾아줘"**라고 말만 하면 됩니다. AI 는 DNA, 단백질, 임상 데이터를 모두 종합해서 **"이 유전자가 핵심이고, 이 단백질이 표적이 될 것 같아. 이 약을 만들어보자"**라고 구체적인 아이디어를 제시합니다.

마치 레고 블록을 조립할 때, 이제 각자 다른 모양의 블록을 따로따로 찾지 않아도, 하나의 지능형 로봇이 필요한 모든 블록을 찾아서 완벽하게 조립해 주는 것과 같습니다.

요약

이 논문은 **"노화 연구에 필요한 수많은 전문 도구들을 하나로 통합한, 대화 가능한 초지능 AI"**를 개발했다는 소식입니다. 이 AI 는 단순히 나이를 재는 것을 넘어, **노화가 왜 일어나는지 이해하고, 이를 막을 약을 찾아내는 '연구 파트너'**가 될 것입니다.

이제 노화 연구는 더 이상 복잡한 기계들 사이를 오가는 것이 아니라, 자연스러운 대화로 이루어지는 시대로 들어섰습니다.

기술 요약

논문 개요

이 논문은 Insilico Medicine 과 Buck Institute for Research on Aging 의 연구팀이 발표한 것으로, 기존에 존재하던 단일 모달리티 (단일 데이터 유형) 에 국한된 '노화 시계 (Aging Clocks)'의 한계를 극복하고, 다양한 오믹스 (Omics) 데이터를 통합하여 노화 생물학을 추론할 수 있는 단일 기초 모델 (Foundation Model) 인 Longevity-LLM v0.1을 소개합니다.

1. 문제 제기 (Problem)

기존 노화 연구 분야에서 널리 사용되는 '노화 시계' 모델들은 다음과 같은 근본적인 한계를 가지고 있습니다:

• 단일 모달리티 제한: DNA 메틸화, 유전자 발현, 혈장 프로테오믹스, 임상 바이오마커 등 각 모델은 특정 데이터 유형에 대해서만 작동하며, 새로운 모달리티를 추가하려면 완전히 새로운 모델을 구축해야 합니다.
• 해석의 부재: 모델이 예측한 생물학적 나이가 실제 나이보다 높은 이유에 대한 생물학적 인과관계나 메커니즘을 설명하지 못합니다.
• 에이전트 시스템의 한계: 기존에 제안된 AI 에이전트 시스템은 LLM 을 조율자 (Orchestrator) 로 사용하여 외부 도구를 호출하는 방식인데, 이는 LLM 이 생물학 자체를 이해하는 것이 아니라 단순히 결과를 요약하는 수준에 그칩니다.

2. 방법론 (Methodology)

저자들은 특정 도구를 LLM 에 연결하는 대신, **노화 시계 지식의 증류 (Distillation)**를 통해 LLM 이 직접 노화 생물학을 학습하도록 하는 접근법을 취했습니다.

• 모델 아키텍처: 140 억 파라미터 규모의 오픈소스 모델인 Qwen3-14B를 기반으로 합니다. DNA 메틸화, 프로테오믹스, 전사체 (RNA), 임상 데이터 등 다양한 오믹스 데이터를 처리하기 위해 모델 아키텍처를 수정하거나 전용 헤드를 추가하지 않았습니다.
• 학습 데이터:
  • 총 766,640 개의 예시 (약 10.9 억 토큰) 를 사용했습니다.
  • 데이터 소스: DNA 메틸화 (DNAm), 임상 바이오마커 (NHANES), 전사체 (GTEx), 프로테오믹스 (Olink), TCGA 암 생존 데이터 등.
  • 데이터는 CpG 베타 값, 단백질 발현량 등을 텍스트 형식으로 변환하여 프롬프트로 구성되었으며, 생물학적 의미와 경로 수준의 추론 흔적 (Reasoning Traces) 이 포함되었습니다.
• 학습 파이프라인:
  1. 지도 미세 조정 (SFT): 다양한 노화 관련 태스크 (연령 예측, 사망률 분류, 유전체 비교 등) 와 중간 추론 단계를 포함한 데이터로 3,000 스텝 학습.
  2. 강화 미세 조정 (RFT): 회귀 태스크 (연령 예측 등) 에서 검증 가능한 수치적 목표에 대해 **Group Relative Policy Optimization (GRPO)**를 적용.
     • 보상 함수 (Reward Function): 형식 정확도, 추론 길이, 회귀 정확도 (MAE 기반) 를 종합하여 평가.
     • KL 페널티를 통해 정책 붕괴를 방지.

3. 주요 기여 (Key Contributions)

• 단일 모델의 다중 모달리티 통합: 별도의 외부 도구 없이 하나의 LLM 만으로 DNA 메틸화, 프로테오믹스, 전사체, 임상 데이터 등 다양한 오믹스 데이터에서 노화 신호를 추출하고 예측할 수 있음을 입증했습니다.
• 노화 시계 기능의 LLM 내재화: 기존에 전용 통계 모델이 수행하던 노화 시계 기능을 LLM 이 직접 학습하여 수행할 수 있음을 보여주었습니다.
• 생성적 능력: 단순히 나이를 예측하는 것을 넘어, 특정 연령과 성별 조건에 기반하여 생물학적으로 타당한 프로테오믹스 프로필을 생성할 수 있는 능력을 입증했습니다.
• MMAI Gym 초기 결과: 과학을 위한 다중 모달 AI 체육관 (MMAI Gym) 이니셔티브의 첫 번째 스프린트 결과로, 약물 개발 파이프라인의 통합 가능성을 제시했습니다.

4. 결과 (Results)

• Longevity Bench 평가: 15 개의 최첨단 상용 LLM 과 비교 평가에서, 7 가지 태스크 중 4 개에서 1 위를 차지했습니다. 특히 RNA 기반 암 예후 (0.77 정확도) 와 10 년 사망률 예측 (0.89 정확도) 에서 기존 모델들을 앞섰습니다.
• 후성유전학적 (Epigenetic) 연령 예측:
  • SFT 후 MAE(평균 절대 오차) 가 5.91 년이었으나, RFT 를 거친 후 4.34 년으로 감소했습니다.
  • 이는 노화 연구의 표준인 Horvath 멀티-티슈 시계 (MAE 4.61 년) 보다 통계적으로 유의미하게 높은 정확도를 보였습니다.
• 프로테오믹스 연령 예측 및 생성:
  • 94 개의 홀드아웃 샘플에서 MAE 7.9 년을 기록하여 기존 전문 프로테오믹스 시계와 유사한 정확도를 달성했습니다.
  • 프로테오믹스 프로필 생성 태스크에서 다른 모든 최첨단 LLM 을 압도하는 Jaccard 지수 (0.072) 를 기록하며, 모델이 노화 프로테오믹스의 의미 있는 표현을 내재화했음을 증명했습니다.

5. 의의 및 결론 (Significance)

• 노화 연구 패러다임의 전환: 이 연구는 단일 규모의 LLM 이 다양한 데이터 모달리티에 걸쳐 특화된 노화 시계를 대체하거나 능가할 수 있음을 보여줍니다. 이는 "프롬프트 투 드럭 (Prompt-to-Drug)" 파이프라인과 같은 통합형 AI 기반 약물 개발의 토대가 됩니다.
• 내적 일관성 (Internal Coherence): 에이전트 시스템이 여러 도구를 조합하는 방식과 달리, 단일 모델이 모든 모달리티를 공유 파라미터 내에서 학습함으로써 생물학적 일관성을 유지하고, 한 도메인의 지식이 다른 도메인 (예: 전사체 지식이 프로테오믹스 생성에 기여) 에 전이되는 효과를 기대할 수 있습니다.
• 미래 전망: Longevity-LLM v0.1 은 단순한 예측 도구를 넘어, 분자 수준의 특징에서 고수준의 표현형 해석까지 추론할 수 있는 '연구 동반자'로 발전할 잠재력을 가지고 있습니다. 향후 RFT 를 강화하고 더 많은 데이터를 통합하여 생물학적 논리를 명확히 설명하는 모델 (v0.2) 로 발전시킬 계획입니다.

이 논문은 생물정보학 분야에서 전용 모델과 대화형 LLM 사이의 간극을 해소하고, 노화 생물학 연구에 새로운 기초 모델 (Foundation Model) 을 제시했다는 점에서 중요한 이정표로 평가됩니다.