An AI System for Autonomous Algorithm Evolution in Drug Development

과학적 아이디어가 사람을 돕는 약물로 변모하는 여정은 다양한 체크포인트들로 가득 찬 길고 구불구불한 길입니다. 이 과정은 적절한 생물학적 표적을 찾는 것에서 시작하여, 그 표적과 상호작용할 가능성이 있는 분자를 발견하는 단계로 넘어가며, 실험실에서의 엄격한 테스트와 결국 인간 자원봉사자를 대상으로 하는 단계로 계속 이어집니다. 수십 년 동안 과학자들은 각 단계를 가속화하기 위해 특화된 컴퓨터 프로그램에 의존해 왔습니다. 이 프로그램들은 매우 숙련된 도구와 같지만, 인간 전문가들이 특정 작업을 위해 정교하게 설계해야만 합니다. 만약 어떤 도구가 약물 표적을 찾는 데 효과적이라 하더라도, 그 도구를 임상 시험에서 해당 약물을 테스트하는 데 사용할 수는 없습니다. 이는 과정이 진행됨에 따라 도구들을 끊임없이 수동으로 다시 만들고 재조정해야 함을 의미하며, 이는 새로운 의약품 발견 속도를 제한하는 느리고 고된 과정입니다.

연구팀은 이제 이러한 컴퓨터 도구들이 만들어지는 방식을 바꾸기 위해 설계된 '드러그이볼브(DrugEvolve)'라는 새로운 시스템을 선보였습니다. 이 시스템은 매 작업마다 새로운 알고리즘을 만들기 위해 인간에게 의존하는 대신, 스스로를 개선할 수 있는 자율적인 엔진 역할을 합니다. 이 시스템은 협력하는 소규모의 독립된 전문가 팀을 시뮬레이션함으로써 작동합니다. 시스템의 한 부분은 연구자로서 과학적 지식을 사용하여 알고리즘이 어떻게 작동해야 하는지에 대한 새로운 아이디어를 제안합니다. 다른 부분은 엔지니어로서 그 아이디어들을 받아 이를 실제로 기능하게 하는 코드를 작성합니다. 세 번째 부분은 분석가로서 새로운 코드를 데이터에 대조하여 이전 버전보다 성능이 더 나은지 테스트합니다. 만약 새로운 버전이 효과적이라면, 시스템은 이를 유지하고 그 성공을 다음 단계의 변화를 개선하기 위한 경험으로 사용합니다. 이는 인간이 각 단계의 코드를 직접 작성할 필요 없이, 소프트웨어가 스스로의 방법론을 설계하고, 구축하고, 테스트하고, 정제하는 연속적인 루프를 생성합니다.

연구진은 이 자기 개선 시스템을 생물학적 표적 식별부터 임상 시험에 이르기까지 신약 개발 파이프라인 전체를 아우르는 11가지 서로 다른 과업에 걸쳐 테스트했습니다. 이 테스트에서 드러그이볼브는 기존 알고리즘을 가져와 스스로 진화할 수 있도록 했습니다. 결과에 따르면, 이 시스템은 작업 중인 알고리즘의 성능을 크게 높일 수 있었습니다. 과학자들이 자신의 작업을 검증하기 위해 사용하는 120개의 표준 테스트 세트를 기준으로 측정했을 때, 진화된 알고리즘들은 상당한 개선을 보여주었습니다. 이 시스템은 생물학적 서열처럼 보이는 데이터, 분자 구조를 맵핑하는 데이터, 그리고 평문 언어로 쓰인 데이터 사이를 매끄럽게 이동할 만큼 매우 다양한 유형의 정보를 처리할 수 있는 유연성을 입증했습니다. 또한 약물이 어떻게 행동할지 예측하는 것과 같은 예측 과업과, 새로운 분자를 설계하는 것과 같이 새로운 가능성을 생성하는 과업 모두에서 성공을 거두었습니다.

이 연구의 의의는 스스로의 역사로부터 학습하는 시스템을 만들어낼 수 있는 능력에 있습니다. 연구자, 엔지니어, 분석가의 역할을 하나의 자동화된 루프로 결합함으로써, 이 시스템은 단순히 명령어를 따르는 것이 아니라 문제를 해결하는 더 나은 방법을 능동적으로 찾아냅니다. 저자들은 이 접근 방식이 도구 자체가 시간이 지남에 따라 더 똑똑해지는 미래형 신약 개발의 기초 인프라 역할을 할 수 있다고 제안합니다. 의학을 넘어, 이 방법론은 복잡한 과학 분야에 접근하는 새로운 방식을 제시하며, 기계가 단순히 과업을 수행하는 것을 넘어 그 과업을 수행하는 방식 자체를 재창조하도록 학습될 수 있음을 보여줍니다. 이 시스템은 자신의 학습을 일반화할 수 있다는 것, 즉 자신이 만든 개선 사항이 서로 다른 종류의 데이터와 서로 다른 단계의 과정에 적용될 수 있음을 입증함으로써, 자율적 진화가 과학적 발견을 진전시키는 실행 가능한 경로임을 증명했습니다.