General Purpose AI for Public Data Analysis and Experimental Hypothesis Generation

생물학은 가장 가치 있는 발견이 새로운 실험이 아니라 이미 수집된 방대한 데이터의 기록 속에 있는 시대에 접어들었습니다. 수년 동안 과학자들은 건강한 조직과 질병이 있는 조직에서의 유전자 및 단백질의 활동을 기록하며 거대한 분자 정보 라이브러리를 생성해 왔습니다. 이러한 기록은 인체 내부 작동 방식의 상세한 지도와 같지만, 종종 특정한 좁은 질문에 답하기 위해 만들어졌습니다. 현대 과학의 과제는 이 기존의 지도들을 바라보며, 원래의 탐험가들이 미처 생각하지 못했던 새로운 질문을 던지는 것입니다. 바로 이 지점에서 인공지능이 등장합니다. 인공지능은 인간 연구자를 대체하는 것이 아니라, 거대한 데이터셋을 스캔하여 숨겨진 패턴을 찾아내고 새로운 조사 경로를 제안할 수 있는 도구로서 역할을 합니다. 목표는 컴퓨터가 생물학자의 파트너로서 공공 기록을 뒤져 세포가 어떻게 행동하는지, 질병이 어떻게 발달하는지, 그리고 무엇이 그것을 멈출 수 있는지에 대해 검증 가능한 아이디어를 제안할 수 있는지 확인하는 것입니다.

최근 한 연구는 범용 인공지능이 과학자들이 공공 데이터를 사용하여 새로운 생물학적 질문을 생성하고 조사하는 데 어떻게 도움을 줄 수 있는지 테스트함으로써 정확히 이러한 잠재력을 탐구했습니다. 연구진은 단순히 컴퓨터에게 단 하나의 답을 찾으라고 요구하는 대신, AI가 복잡한 생물학적 지형을 얼마나 잘 탐색할 수 있는지 확인하기 위해 일련의 상호 보완적인 조사를 설정했습니다. 한 가지 조사 경로에서, 연구팀은 개별 세포의 데이터를 분석하는 대화형 도구를 사용하여 인간 줄기세af가 특정 유형의 조직으로 변하는 것을 도울 수 있는 신호를 찾는 것을 목표로 했습니다. AI는 아펠린(Apelin)이라는 분자와 관련된 특정 신호 전달 경로를 이 변형을 유도할 가능성이 높은 후보로 지목했습니다. 그러나 과학자들이 그 제안을 받아들여 자신들이 선택한 조건 하에 실험실에서 테스트했을 때, 기대했던 효과는 나타나지 않았습니다. 이 결과는 데이터에서 패턴을 찾는 것과 실제 세상에서 생물학적 효과가 존재함을 증 proving 하는 것은 다르다는 중요한 차이점을 강조했습니다.

연구진은 이후 초점을 암으로 옮겨, 설계된 면역 세포에 의해 공격받을 수 있는 종양 세포의 잠재적 표적을 찾기 위해 AI에게 공공 단일 세포 데이터를 검색하도록 요청했습니다. 연구진은 혈액암의 일종인 다발성 골수종 환자의 데이터를 대상으로 분석을 실행했으며, 세 번의 독립적인 분석 실행 결과 동일한 50개의 후보 표적이 일관되게 식별되었습니다. 이 중 잘 알려진 마커인 BCMA와 CD38이 반복적으로 등장하여, 기존 지식을 복구하는 AI의 능력을 확인시켜 주었습니다. 동일한 과정을 췌장암의 일종인 췌장 선암종에 적용했을 때, 결과는 덜 균일했습니다. 세 번의 실행은 서로 다른 탐색적 결과물을 생성했으며, 엄격한 선택 기준을 충족하는 단일 표적을 지명하는 데 실패했습니다. 이는 AI의 성공 여부가 질병 데이터의 복잡성과 성격에 따라 달라질 수 있음을 보여줍니다.

AI가 인간의 편향 없이 통찰력을 끌어낼 수 있는지 테스트하기 위해, 연구팀은 컴퓨터에게 보고 있는 조직이 무엇인지 또는 환자들이 어떤 질병을 앓고 있는지 처음에 알려주지 않은 채 익명화된 폐 데이터를 사용하여 두 가지 별도의 분석을 수행했습니다. 이러한 맥락이 없는 상태에서도 AI는 폐를 구성하는 다양한 세포 유형을 성공적으로 식별해 냈으며, 해당 조직이 질병과 관련된 재형성 과정을 거쳤음을 추론했습니다. 이후 연구진이 조직과 질병 정보를 제공하자, AI는 새로운 생물학적 질문 목록을 생성했습니다. 이 중 8개의 질문은 독립적인 환자 데이터 세트를 통해 확인했을 때 통계적 지지를 받았습니다. 여기에는 서로 다른 세포 유형이 어떻게 항산화 방어 기제를 조정하는지에 대한 관찰과 섬유아세포 내의 CRYM이라는 특정 단백질의 증가가 포함되었으며, 이는 이들이 더 연구할 가치가 있는 실제적인 생물학적 관계임을 시사합니다.

마지막으로, 팀은 더 넓은 범위의 노력을 기울여 여러 유형의 데이터를 통합하여 췌장암의 잠재적 치료제를 우선순위화했습니다. 그들은 어떤 유전자가 활성화되어 있는지를 보여주는 RNA 발현 정보와, 유전자가 비활성화되었을 때 어떤 일이 일어나는지를 테스트하는 기능적 스크리닝 결과, 그리고 이러한 분자들이 정상적이고 건강한 조직에서 어떻게 나타나는지에 대한 측정값을 결합했습니다. 이러한 다층적 접근 방식은 긴 가능성의 목록을 213개의 잠재적 치료 표적으로 좁히는 데 도움이 되었습니다. 이 모든 측정값을 함께 살펴봄으로써, 과학자들은 RNA만으로는 유사해 보이는 후보들을 구별하고, 그것들이 기능적으로 관련이 있는지 그리고 정상 조직에서 타겟팅하기에 안전한지를 평가할 수 있었습니다. 이 작업은 정제된 후보 목록을 성공적으로 식별했지만, 연구진은 이 표적들이 실제로 치료제로서 작동할지는 아직 확립되어야 한다고 언급했습니다.

이러한 일련의 조사들은 범용 인공지능이 어떻게 실험 생물학자의 범위를 확장하여, 공공 데이터로부터 자칫 놓칠 수 있는 새로운 가설을 추출하고 생물학적 관계를 식별할 수 있는지 보여줍니다. 또한 이 연구는 분석을 완료하고 데이터 세트에서 재현 가능한 패턴을 찾는 것이 실제 실험적 또는 치료적 효과를 확립하는 단계와는 별개의 단계라는 점을 명확히 상기시켜 줍니다. AI는 방향을 제시하고 연결 고리를 강조하는 데 탁able한 능력을 입증했지만, 그러한 아이디어에 대한 최종적인 검증은 여전히 실험실에서 인간 과학자들의 세심하고 근거 있는 작업을 필요로 합니다.