📄 systems biology

ChatGEM: An Agentic Architecture Enabling Interactive Simulation of Genome-Scale Metabolic Models

이 논문은 자연어와 검색 증강 생성을 활용하여 게놈 규모 대사 모델링을 대중화함으로써, 계산 전문 지식이 없는 연구자들도 복잡한 시뮬레이션을 수행하고 바이오 생산을 위한 최적의 미생물 균주를 성공적으로 식별할 수 있게 해주는 에이전트 플랫폼인 ChatGEM을 소개한다.

원저자: Chowdhury, N., George, A., Purohit, S., Contolesi, A., Bredeweg, E. L., Czajka, J., Stratton, K. G., Gao, Y., Stephenson, M., Elmore, J. R., Scott, A., Leach, D. T., Jerger, A., Lemmon, T., Piehowski

게시일 2026-07-21

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Chowdhury, N., George, A., Purohit, S., Contolesi, A., Bredeweg, E. L., Czajka, J., Stratton, K. G., Gao, Y., Stephenson, M., Elmore, J. R., Scott, A., Leach, D. T., Jerger, A., Lemmon, T., Piehowski, P., Tate, K., Fulcher, J. M., Beliaev, A., Burnum-Johnson, K., Rigor, P., Bardhan, J.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

우리 세포 내부의 작은 공장들—박테리아, 효모, 또는 우리 자신의 인간 세포—이 생명을 구하는 의약품, 깨끗한 연료, 또는 생분해성 플라스틱을 생산하도록 재프로그래밍될 수 있는 세상을 상상해 보십시오. 과학자들은 이를 위해 수년 동안 "게놈 규모 대사 모델(Genome-Scale Metabolic Models, GEM)"을 사용하여 노력해 왔습니다. GEM을 세포의 내부 화학 작용을 보여주는 매우 상세한 설계도나 비디오 게임 지도라고 생각하십시오. 이는 마치 수천 개의 재료와 단계가 담긴 레시피 북처럼, 세포가 수행할 수 있는 모든 화학 반응을 나열합니다.

하지만 문제가 하나 있습니다. 이 설계도를 읽고 사용하는 데 전통적으로 컴퓨터 과학 박사 학위가 필요했다는 점입니다. 당신은 "이 재료를 제거하면 어떻게 될까?"라거나 "어떻게 하면 세포가 이 화학 물질을 더 많이 생산하게 할 수 있을까?"와 같은 질문을 설계도에 던지기 위해 복잡한 코드(프로그래밍)를 작성하는 법을 알아야 했습니다. 이는 생물학을 이해하는 사람과 이를 시뮬레이션할 수 있는 컴퓨터 사이에 거대한 벽을 만들었습니다. 마치 페라리를 가지고 있지만, 오직 유창한 C++ 언어를 말할 줄 알아야만 운전할 수 있는 것과 같습니다. 큰 질문은 이것이었습니다. "누구라도 그저 컴퓨터와 대화하는 것만으로 이 페라리를 운전할 수 있도록 다리를 놓을 수 있을까?"

이 논문은 인간의 언어와 이러한 복잡한 세포 설계도 사이에서 보편적인 번역기 역할을 하는 새로운 도구인 ChatGEM을 소개합니다. 연구자가 코드를 작성하는 대신, 단순히 "이 화학 경로를 차단하면 어떤 일이 일어나는지 보고 싶어"라고 입력하기만 하면 ChatGEM이 힘든 작업을 대신 수행합니다.

말하는 로봇의 마법

저자들은 ChatGEM을 ADEPT라고 불리는 스마트 시스템 위에 구축했습니다. ADE별은 협력하는 전문 로봇 팀처럼 작동합니다. 당신이 복잡한 요리를 하고 싶지만 스토브 사용법이나 채소 써는 법을 모르는 요리사라고 상상해 보십시오. 당신이 똑똑한 조수에게 "라자냐를 만들어 줘"라고 요청합니다. 조수는 그냥 짐작하지 않습니다. 조수에게는 검증된 레시피 라이브러리(이것이 RAG 또는 "검색 증강 생성" 부분입니다)가 있습니다. 조수는 정확한 단계를 찾아보고, 적절한 도구를 챙기며, 시작하기 전에 올바른 재료가 있는지 확인합니다.

ChatGEM의 세계에서 '요리사'는 과학자이고, '라자냐'는 복잡한 생물학적 시뮬레이션이며, '검증된 레시피'는 시스템이 학습한 수천 줄의 정확한 코드입니다. 이 시스템은 질문을 이해하는 에이전트, 올바른 코드 레시피를 찾는 에이전트, 코드를 작성하는 에이전트, 그리고 디지털 샌드박스 안에서 안전하게 실행하는 에이전트로 구성된 팀을 사용합니다.

큰 시험: 단순함에서 초고난도로

이 말하는 로봇이 실제로 작동하는지 확인하기 위해, 연구진은 생명공학에 자주 사용되는 강인한 미생물인 Pseudomonas putida를 사용하여 세 단계의 점점 더 어려운 테스트를 진행했습니다.

준비 운동 (단순): 시스템에 기본적인 화학적 균형을 시뮬레이션하고 특정 반응 하나를 끄도록 요청했습니다. "레시피 라이브러리"(RAG)가 없었을 때, 로봇은 작업에 맞지 않는 도구를 사용하는 등 몇 가지 서툰 실수를 저질렀습니다. 하지만 라이브러리가 있을 때, 로봇는 모든 규칙을 따르는 깨끗하고 전문적인 코드를 작성하며 완벽하게 해냈습니다.
중급 도전: 특정 화학 물질을 생산하도록 박테리아의 새로운 균주를 설계하도록 요청했습니다(이것을 "OptKnock"이라고 합니다). 라이브러리가 없었을 때, 로봇은 자동차 엔진을 망치로 고치려 하는 것처럼 완전히 잘못된 소프트웨어 도구를 선택했습니다. 라이비러리가 있을 때, 로봇은 올바른 도구를 선택했고, 복잡한 수학을 올바르게 설정했으며, 명확한 답을 내놓았습니다.
보스 레벨 (매우 어려움): 효소 제한(세포가 얼마나 많은 단백질을 만들 수 있는지)과 열역학(반응을 멈추게 하는 물리학 법칙)을 결합하도록 요청했습니다. 이것이 "초고난도" 단계입니다. 라이브러리가 없었을 때, 수학이 틀렸기 때문에 로봇의 코드는 즉시 충돌했습니다. 라이브러리가 있었을 때, 시스템은 세포가 어떻게 행동할지에 대한 상세한 보고서를 생성하며 완벽하게 실행되는 복잡한 시뮬레이션을 성공적으로 구축했습니다.

결과는 놀라웠습니다. 시스템이 "레시피 라이브러리"를 사용했을 때, 성능 점수는 평범한 2.63에서 강력한 4.20으로(5점 만점 기준) 급등했습니다. 더욱 인상적인 것은 속도였습니다. 인간 전문가가 코드를 작성하고 디버깅하는 데 254초 이상 걸렸던 작업을 로봇은 단 3.9초 만에 스스로 해냈습니다. 가장 어려운 작업의 경우, 로봇은 수동으로 작업하는 인간보다 최대 65배 더 빨랐으며, "디버깅"(오류 수정) 시간을 획기적으로 줄였습니다.

실제 현장의 증거: 숙신산(Succinate) 제조

이것이 단순한 컴퓨터 게임이 아님을 증명하기 위해, 연구진은 ChatGEM을 사용하여 실제 생물학적 문제, 즉 숙신산(플라스틱 및 기타 제품을 만드는 데 사용되는 화학 물질)을 만드는 데 어떤 버전의 박테리아가 가장 좋은지 알아내는 문제를 해결했습니다.

그들은 약간씩 다르게 조정된 네 가지 버전의 박테리아를 준비했습니다. 연구진은 시스템에 이 박테리아 내부의 단백질 데이터를 입력하고, "어떤 것이 숙신산을 만드는 데 가장 좋은 공장인가?"라고 물었습니다.

ChatGEM은 데이터를 분석하여 "Constitutive"(특정 유전자가 항상 "켜져 있는" 버전) 균주가 승자가 될 것이라고 예측했습니다. 시스템은 "누출 지수(leakage index)"—즉, "세포의 에너지가 숙신산을 만드는 대신 소비하는 데 얼마나 낭비되는가?"라는 개념을 계산함으로써 이를 알아냈습니다. 로봇은 Constitutive 균주가 에너지를 가장 적게 낭비한다고 예측했습니다.

그 후, 과학자들이 실제로 실험실에서 이 박테리아를 배양했습니다. 실험 결과는 로봇의 예측과 완벽하게 일치했습니다. Constitutive 균주가 실제로 가장 많은 숙신산을 생산했습니다. 이는 ChatGEM이 단순히 코드를 작성한 것이 아니라, 인간이 단 한 줄의 코드도 작성하지 않고도 올바른 실제 세계의 예측을 할 수 있을 만큼 생물학을 잘 이해하고 있음을 확인시켜 주었습니다.

이것이 중요한 이유

이 논문은 ChatGEM이 과학을 민주화하기 때문에 게임 체인저라고 제안합니다. 이제 강력한 시뮬레이션 도구를 사용하기 위해 코딩의 마법사가 될 필요가 없다는 것을 시사합니다. 복잡한 수학과 생물학을 간단한 대화로 바꿈으로써, 생물학자, 엔지니어, 그리고 호기심 많은 사람들이 즉각적으로 "만약에(what-if)" 시나리오를 탐구할 수 있게 해줍니다.

저자들은 이것이 특정 사례에서 테스트되고 검증된 시뮬레이션 도구이지, 모든 생물학적 문제를 해결하는 마법 지팡이는 아니라는 점을 주의 깊게 언급합니다. 그러나 대화형 AI가 단순한 확인부터 복잡한 물리 기반 모델링까지 처리할 수 있으며, 인간 혼자 할 때보다 더 빠르고 정확하게 수행할 수 있음을 보여줌으로써, 그들은 새로운 문을 열었습니다. 그들은 대사 공학의 미래가 누가 최고의 코드를 작성할 수 있느냐가 아니라, 누가 최고의 질문을 던질 수 있느냐에 달려 있다고 제안합니다.

기술 요약: ChatGEM – 대화형 게놈 규모 대사 모델 시뮬레이션을 위한 에이전트 기반 아키텍처

문제 정의

게놈 규모 대사 모델(GEM)은 세포 표현형을 예측하고 균주 설계를 가이드하는 시스템 생물학의 기초적인 도구입니다. 그러나 이들의 광범위한 채택은 높은 진입 장벽에 의해 저해되고 있습니다. 즉, 전문적인 계산 역량이 요구된다는 점입니다. 플럭스 균형 분석(FBA), 균주 설계(예: OptKnock), 또는 효소 제약 GEM(ecGEM) 재구성 등 표준 워크플로우를 실행하려면 COBRA 프레임워크(Python/MATLAB)에 대한 숙련도, 생화학 데이터베이스(KEGG, ModelSEED)에 대한 지식, 그리고 복잡한 코드를 디버깅할 수 있는 능력이 필요합니다. 이러한 전문 지식의 격차는 GEM 기반 분석을 주로 계산 생물학자들에게 국한시켜, 모델의 분석적 잠재력과 실험가 및 대사 공학자들 사이의 괴리를 발생시킵니다. 대규모 언어 모델(LLM)이 코드 생성 측에서 유망함을 보여주었으나, 기존 도구들은 다양한 모델링 작업에 걸쳐 정량적인 GEM 시뮬레이션의 전체 스택을 처리할 수 있는 대화형 인터페이스가 부족합니다.

방법론

저자들은 자연어를 통해 대화형 GEM 시뮬레이션을 가능하게 하도록 설계된 에이전트 플랫폼인 ChatGEM을 제시합니다. 이 시스템은 보안성, 확장성 및 모델 불가지론적(model-agnostic) 아키텍처를 제공하는 ADEPT(Agentic Development-Environment for Precision Tools) 멀티 에이전트 프레임워크를 기반으로 구축되었습니다.

시스템 아키텍처

핵심 프레임워크: ChatGEM은 COBRApy, StrainDesign 툴박스, 그리고 상용 솔버(Gurobi)를 ADEPT 생태계에 통합합니다.
멀티 에이전트 오케스트레이션: 시스템은 코드 생성, 실행 및 해석을 조정하기 위해 특화된 에이전트들을 활용합니다. 또한, LLM을 도메인 특화 지식에 근거하도록 하는 검색 증강 생성(RAG) 아키텍처를 채택했습니다.
지식 베이스: 단순 FBA부터 복잡한 ecOptMDFPathway 워크플로우에 이르기까지, 인간이 검증한 52개의 Python 스크립트로 구성된 큐레이션된 저장소가 RAG를 지원하기 위해 벡터 데이터베이스(ChromaDB)에 인입됩니다.
실행 환경: 에이전트가 생성한 코드는 보안이 확보된 샌드박스 컨테이너 환경에서 실행됩니다. 시스템은 Langfuse/LangSmith를 통해 관측 가능성을 지원하며, 자동화된 성능 점수를 위해 "LLM-as-a-judge"(Claude Sonnet 4.6)를 활용합니다.
모델 선택: 기본 추론 모델은 추론 능력과 추론 비용의 균형을 고려하여 선택된 o4-mini이며, 시스템은 다른 제공업체(OpenAI, Anthropic, Ollama)도 지원합니다.

평가 프로토콜

ChatGEM은 Pseudomonas putida KT2440 GEM(iJN1463)을 사용하여 생물학적 및 계산적 복잡성이 증가하는 세 가지 작업에 대해 벤치마킹되었습니다:

반응 넉아웃을 포함한 FBA: 특정 반응 결실을 포함한 일상적인 플럭스 분석.
OptKnock 균주 설계: 성장과 목표 대사물 생산을 결합하는 유전자 넉아웃을 식별하기 위한 이중 수준 최적화 문제 정식화.
ecOptMDFPathway: 완전히 통합된 효소 및 열역학 제약 경로 최적화 작업.

성능은 RAG 없이(LLM의 내부 지식에만 의존)와 RAG를 사용하여(검색된 도메인 특화 스크립트 활용) 두 가지 조건에서 평가되었습니다. 코드 품질은 LLM 심사역에 의해 두 가지 지표로 평가되었습니다:

코딩 정확도 (1–5): 생물학적 출력(플럭스, 넉아웃)의 정확성 및 COBRApy 모범 사례 준수 여부.
코드 완결성 (1–5): 구조적 품질, API 사용, 모듈성 및 문서화 수준.
전체 성능 점수 (OPS): 가중치 적용 지표 ( $0.7 \times \text{정확도} + 0.3 \times \text{완결성}$ ).

주요 결과

성능 및 효율성

RAG의 영향: RAG의 포함은 코드 생성 품질을 크게 향상시켰습니다. 세 가지 작업 모두에서 평균 OPS는 2.63(RAG 미사용)에서 4.20(RAG 사용)으로 증가했습니다.
- FBA 작업: OPS가 3.60에서 4.30으로 개선되었습니다. RAG가 없을 때 모델은 종종 일반적인 문자열 검색과 비표준 API 호출을 사용했으나, RAG를 사용하면 모델 식별자를 정확히 식별하고 네이티브 메서드를 사용했습니다.
- OptKnock 작업: OPS가 2.30에서 4.00으로 개선되었습니다. RAG가 없을 때 모델은 프로토콜을 위반하는 잘못된 라이브러리(Cameo)를 선택했으나, RAG를 사용하면 StrainDesign 툴박스를 사용하여 이중 수준 문제를 올바르게 정식화했습니다.
- ecOptMDFPathway 작업: OPS가 2.00에서 4.30으로 개선되었습니다. RAG가 없을 때 코드는 화학 양론적 질량 균형 및 열역학적 제약에서 치명적인 논리적 오류를 포함하여 실행 불가능했습니다. RAG를 사용하면 기능적인 혼합 정수 선형 계획법(MILP) 정식화를 성공적으로 생성했습니다.
모델 비교: 추론에 최적화된 o4-mini는 RAG가 없는 상태에서 범용 GPT-4.1(2.63 vs 2.18 평균 OPS)보다 우수한 성능을 보였습니다. 그러나 RAG를 사용할 경우 두 모델 모두 동일한 평균 OPS인 4.20으로 수렴하였는데, 이는 도메인 특화 문맥 검색이 원시 추론 능력의 차이를 보완할 수 있음을 시사합니다.
시간 효율성: ChatGEM은 실행 시간을 획기적으로 단축했습니다. FBA 작업의 경우, 실행 시간은 수동 방식의 ~254초에서 ~3.9초(ChatGEM, 검사 없음)로 줄어들어 65배 감소했습니다. OptKnock 및 ecOptMDFPathway와 같은 복잡한 작업의 경우, ChatGEM은 수동 코딩 시 하루 이상 소요되던 작업을 몇 분 내(예: 각각 774초 및 41.8초)에 완료했습니다.

생물학적 사례 연구: P. putida의 숙신산 과생산

ChatGEM은 네 가지 엔지니어링된 P. putida KT2440 균주(Wild-type, Landing Pad, Constitutive dCas12a, Inducible dCas12a)에 대해 두 시점(12h 및 24h)에서 8개의 ecGEM을 재구성하는 데 적용되었습니다.

모델 검증: ecGEM은 예측된 효소 요구량과 실험적으로 측정된 iBAQ 단백질 풍부도 사이의 강한 일치성을 보였습니다 ( $r = 0.50$ ). 예측된 성장률은 생물학적 기대치와 일치했습니다.
대사 통찰: 분석 결과 EDD, GLCDpp, ACONTa가 중심 탄소 경로에서 지배적인 단백질 싱크(sink)임을 확인했으며, 이는 P. putida에서 Entner-Doudoroff 경로의 지배적인 특성과 일치합니다.
균주 우선순순위 결정: 숙신산 소비 대 생산을 위한 효소 사용 비율을 정량화하기 위해 새로운 지표인 **숙신산 누출 지수 (SLI)**가 정의되었습니다.
- Constitutive(구성적) 균주는 가장 낮은 SLI(12h에서 0.12, 24h에서 0.13)를 나타내어, 숙신산 과생산을 위한 최적의 섀시(chassis)로 예측되었습니다.
- 실험적 검증은 이 예측을 확인했습니다: Constitutive 균주가 가장 높은 숙신산 적정량을 나타냈습니다.
- Induced(유도형) 균주는 시간이 지남에 따라 증가하는 SLI를 보였으며, 이는 시뮬레이션 및 실험에서 관찰된 숙신산 생산 감소와 상관관계가 있었습니다.

의의 및 주장

본 논문은 ChatGEM이 대사 공학 실무의 질적 변화를 나타낸다고 주장합니다. 주요 기여는 다음과 같습니다:

진입 장벽 완화: 연구자들이 코딩 전문 지식 없이도 자연어 상호작용을 통해 정교하고 다단계적인 GEM 시뮬레이션(ecGEM 재구성을 포함한 균주 설계)을 수행할 수 있게 합니다.
워크플로우 압축: 전문적인 코딩과 디버깅이 필요했던 워크플로우를 단일 대화 세션으로 압축하여, 시간 요구 사항을 수십 배 이상 줄였습니다.
과학적 타당성: 시스템은 사용자가 코드를 전혀 작성하지 않고도 실험적으로 검증된 예측(숙신산 생산을 위한 최적의 섀시 식별)을 성공적으로 생성함으로써, 에이전트 기반 아키텍처가 복잡하고 정량적인 메커니즘 시뮬레이션을 처리할 수 있음을 입증했습니다.
핵심 동력으로서의 RAG: 본 연구는 도메인 특화 코딩을 위해 검색 증강 생성(RAG)이 높은 정확도와 정밀도를 달ac기 위해 필수적이며, 검증된 도메인 지식을 제공할 때 서로 다른 LLM 백본 간의 성능 차이를 효과적으로 평준화할 수 있음을 강조합니다.

저자들은 ChatGEM을 단순한 자동화 도구가 아니라 "지식의 실행 가능한 인터페이스"로 규정하며, 정량적 대사 모델링의 전체 스택을 대화를 통해 접근 가능하게 함으로써 실험 생물학자들의 역량을 증폭시킨다고 보고 있습니다.