Human-Governed Multi-Agent AI for Biological Hypothesis Generation: An Evidence-Grounded Framework Using JUMP Cell Painting Profiles

과학은 생명의 숨겨진 구조를 밝히기 위해 오랫동안 현미경에 의존해 왔습니다. 고배율 렌즈를 통해 세포를 관찰함으로써, 연구자들은 세포가 서로 다른 화학 물질이나 유전적 조작에 노출되었을 때 어떻게 형태, 크기, 내부 구조가 변하는지 볼 수 있습니다. '형태학적 프로파일링(morphological profiling)'이라 불리는 이 세포의 시각적 언어는 새로운 약물을 스크리닝하거나 유전자의 기능을 이해하는 강력한 방법이 되었습니다. 세포를 하나의 작고 복잡한 도시라고 상상해 보십시오. 특정 구성 요소가 제거되거나 추가될 때, 도시 전체의 레이아웃이 인식 가능한 방식으로 변화합니다. 하지만 도시의 레이아웃이 변하는 것을 보는 것이 곧 왜 그런 변화가 일어났는지, 혹은 도시 건설의 어떤 구체적인 규칙이 깨졌는지를 자동으로 설명해주지는 않습니다. 시각적 관찰을 과학적 발견으로 바꾸기 위해서는, 연구자들이 자신이 보는 것과 근저에 깔린 생물학적 메커니즘 사이의 점들을 연결해야 하며, 이는 단순히 좋은 추측이 아닌 엄격한 증명을 요구하는 작업입니다.

최근 연구에서 스테판 카므란(Stephen Kamran)과 파라 사만(Farah Saman) 연구팀은 인공지능이 이러한 간극을 메우는 데 도움을 줄 수 있는지 탐구했습니다. 그들은 세포 이미지를 보고, 관련 과학적 사실을 찾아내며, 유전자가 어떻게 작동하는지에 대한 새로운 아이디어를 제안할 수 있는 디지털 과학자 팀 역할을 하도록 설계된 새로운 시스템을 테스트했습니다. 그들이 DISCOVERY-AGENT라고 부르는 이 시스템은 신중하도록 구축되었습니다. 컴퓨터가 스스로 대담한 주장을 하게 두는 대신, 이 프레임워크는 AI가 자신의 작업 과정을 보여주고, 기존 지식과 대조하여 사실을 확인하며, 자신의 최선의 아이디어를 인간 전문가에게 제출하여 최종 승인을 받도록 강제합니다. 목표는 인간 과학자를 대체하는 것이 아니라, 현대 세포 이미징에서 생성되는 방대한 양의 데이터를 처리하고 미래를 위한 검증 가능한 가설을 제안할 수 있는 신뢰할 수 있고 투명한 워크플로우를 만드는 것이었습니다.

연구진은 JUMP Cell Painting이라는 거대한 공개 프로젝트의 데이터를 시스템에 입력하는 것으로 시작했습니다. 이 프로젝트에는 특정 유전자를 끄거나 켜는 것과 같은 다양한 유전적 개입을 거친 세포들의 수백만 장의 이미지가 포함되어 있습니다. 연구팀은 이 중 아홉 가지의 서로 다른 유전자를 다루는 작고 구체적인 실험 세트에 집중했습니다. 그들은 시스템에 패턴을 찾으라고 요청했습니다. 즉, 특정 유전자가 꺼진 세포가 정상 세포와 다르게 보이는지를 묻는 것이었습니다. 결과는 엇갈렸지만 유익했습니다. 시스템이 CRISPR라는 기술을 사용하여 다섯 가지 특정 유전자를 끈 세포들을 분석했을 때, 네 가지 유전자에서 명확하고 통계적으로 유의미한 변화를 발견했습니다. 세포들은 뚜렷하게 달라 보였으며, 이는 해당 유전자들이 실제로 세포 구조에 영향을 미치고 있음을 시사했습니다. 그러나 시스템이 ORF라는 다른 방법을 사용하여 네 가지 다른 유전자를 켠 세포들을 살펴보았을 때는 명확한 변화의 증거를 찾지 못했습니다. 이러한 차이는 중요했습니다. 이는 시스템이 실제 생물학적 신호를 감지할 수 있음을 보여주는 동시에, 모든 유전적 변화가 세포의 형태에 가시적인 흔적을 남기는 것은 아니며, 유전자를 변화시키는 데 사용된 방법 또한 중요하다는 점을 강조했습니다.

단순히 이미지를 보는 것을 넘어, 팀은 시스템의 '두뇌'를 테스트했습니다. 그들은 AI가 시각적 관찰을 바탕으로 방대한 과학 문헌 라이브러리와 결합하여 타당한 설명을 생성할 수 있는지 알고 싶었습니다. 그들은 한 부분의 AI가 가설을 제안하고, 두 번째 부분이 이를 뒷받침하거나 반박하는 증거를 검색하며, 세 번째 부분이 시스템이 결론에 대해 어느 정도의 확신을 가져야 하는지를 평가하는 프로세스를 설정했습니다. 유전자 쌍을 포함한 일련의 테스트에서 시스템은 몇 가지 잠재적인 설명을 생성했습니다. 그러나 이러한 아이디어들이 가용 가능한 증거들과 대조되었을 때, 시스템은 어떤 것도 확정적인 생물학적 메커니즘으로 확인하기에는 증거가 불충분하다는 것을 정확히 식별해 냈습니다. 실제로 테스트된 모든 유전자 쌍에 대해, 시스템은 증거가 강력한 주장을 하기에는 불충분하다고 결론지었습니다. 이러한 결과는 발견의 부재처럼 보일 수도 있지만, 사실 시스템 설계의 성공이었습니다. 이는 AI가 자신의 지식의 한계를 인식하고, 공백을 메우기 위해 이야기를 지어내는 것을 피할 수 있음을 입증했기 때문입니다.

연구진은 또한 실질적인 기술적 문제들을 처리하는 시스템의 능력을 테스트했습니다. 다섯 가지 사례를 대상으로 한 작은 시험 운행 중에, 시스템은 온라인 서비스의 일시적인 문제로 인해 응답을 생성하지 못하는 두 가지 오류를 겪었습니다. 연구진이 다시 시도했을 때 시스템은 완벽하게 작동했습니다. 이 작은 결함과 그 회복 과정은 과학적 실패가 아니라, 견고한 도구를 구축하는 데 필요한 과정으로 기록되었습니다. 연구는 또한 시스템이 화학 물질이 세포 형태를 어떻게 변화시키는지에 따라 서로 다른 화합물을 구별할 수 있는지 확인하기 위한 별도의 테스트를 포함했습니다. 시스템은 까다로운 테스트에서 0.61의 AUC로 올바른 화합물을 식별해 냈는데, 이는 무작위 확률보다는 나았지만 완벽과는 거리가 먼 결과였습니다. 이 겸손한 성과는 논문의 핵심 메시지를 강화했습니다. 즉, 기술이 패턴을 감지할 수는 있지만, 아직 스스로 복잡한 생물학적 미스터리를 해결할 준비는 되지 않았다는 것입니다.

전 과정에 걸쳐 연구진은 인간의 감독이 필요함을 강조했습니다. 시스템은 세 가지 구조화된 가설을 생성하고 엄격한 비판을 거쳤으나, 그 중 어느 것도 최종 발견으로 승인되지 않았습니다. 대신, 그것들은 인간 과학자의 추가 테스트가 필요한 잠정적인 아이디어로 표시되었습니다. 연구는 프레임워크가 증거를 성공적으로 처리하고 엄격한 규칙을 따랐음에도 불구하고, 아직 자율적인 발견 엔진의 지위에 도달하지는 못했다고 결론지었습니다. 이 연구는 인공지능이 증거에 기반하고, 추론이 투명하며, 궁극적으로 인간의 판단에 의해 인도된다면 어떻게 과학을 도울 수 있는지에 대한 청사진 역할을 합니다. 연구진은 진정한 발견의 길에는 여전히 독립적인 실험과 전문가의 검증이 필요하며, 이를 통해 미래의 도구가 단지 설득력 있는 허구를 만들어내는 것이 아니라 진실을 밝히는 데 기여하도록 해야 함을 분명히 했습니다.