Accelerating drug discovery with artificial: a whole-lab orchestration and scheduling system for self-driving labs

Motivation

Known: 자동화 및 AI 기반의 자동 실험실(self-driving labs)이 신약 개발의 비용, 개발 기간, 임상시험 실패율 등의 문제를 해결할 수 있는 유망한 솔루션으로 부상했으며, 가상 스크리닝(virtual screening), 분자 시뮬레이션(molecular simulation), AI 기반 계산 방법들이 약물 개발을 가속화하고 있음.
Gap: 현존하는 자동 실험실은 (1) 복잡한 워크플로우 조정의 어려움, (2) 다양한 기기 및 AI 모델의 통합 문제, (3) 데이터 사일로(data silos)로 인한 AI 성능 저하, (4) 실험 데이터의 다양성과 노이즈로 인한 AI 모델 배포의 복잡성 등의 문제를 해결하지 못함.
Why: 데이터 파편화와 AI 모델의 낮은 재현성은 신약 개발의 신뢰성과 효율성을 크게 저하시키며, 이를 극복하려면 AI 모델을 과학 실험실에 체계적으로 통합할 수 있는 강력한 오케스트레이션 프레임워크가 필수적임.
Approach: Artificial이라는 통합 플랫폼을 제시하여 (1) 실험실 워크플로우를 조정하고, (2) AI 기반 의사결정을 통합하며, (3) 데이터 관리를 원활하게 하고, (4) NVIDIA BioNeMo NIM(컨테이너화된 사전 학습 AI 모델)을 자동 약물 스크리닝 및 실험 프로세스에 통합함.

Achievement

자동 실험실의 4단계 사이클: Design → Run → Optimize → Learn

통합 오케스트레이션 플랫폼 구축: Web Apps(Labs, Assistants, Workflows, LabOps, Digital Twin), 백엔드 Services(Orchestration, Scheduler/Executor, Data Records), Lab API(GraphQL, gRPC, REST), 그리고 적응형 통신 프로토콜(HTTPS, gRPC, Local APIs)을 통해 기기, 소프트웨어, 외부 시스템 간의 완전한 통합을 달성함.
자동화된 워크플로우 최적화: Scheduler/Executor가 휴리스틱(heuristic)과 제약조건(constraints)을 고려하여 자원 할당을 최적화하고, Digital Twin 기술로 실시간 모니터링 및 시뮬레이션을 가능하게 함으로써 실험 효율성을 극대화함.
폐루프 학습 시스템: Design-Run-Optimize-Learn의 4단계 순환 구조를 통해 실험 데이터를 체계적으로 로깅하고, AI가 이를 분석하여 가설 검증 및 워크플로우 개선을 자동으로 수행하게 함.

How

NVIDIA BioNeMo 모델을 통합한 자동 가상 스크리닝 증명 개념(Proof of Concept)

Web Apps 계층:
- Labs: 실험실 환경의 디지털 트윈 구축 및 관리
- LabOps: 수동 및 자동 R&D 워크플로우의 중앙 허브로서 모니터링, 실행, 조정 수행
- Workflows: R&D 프로세스 정의, 설정, 관리로 재현성 및 최적화 지원
Backend Services 계층:
- Orchestration: Python 간소화 방언 또는 그래픽 인터페이스를 통해 실험실 작업 계획 및 요청 관리
- Scheduler/Executor: 휴리스틱과 배치 처리를 활용한 효율적인 자원 할당 및 워크플로우 실행
- Data Records: 실험 결과 및 로그를 통합 저장소에 정리
Lab API 연결 계층:
- GraphQL, gRPC, REST 프로토콜을 통해 하드웨어, 소프트웨어, 외부 시스템 간 통합
- 실시간 기기 상태 및 프로세스 진행 상황 모니터링
적응 계층(Adapters):
- HTTPS, gRPC(SiLA 포함), 로컬 APIs(scikit-learn, TensorFlow, PyTorch)를 통해 보안 통신 지원
- Python 전체 프로그래밍 언어 및 풍부한 생태계 지원
통합 계층:
- LIMS(Laboratory Information Management System) 및 ELN(Electronic Lab Notebook)과의 연동
- 클라우드(EKS/AKS) 및 로컬 환경(MicroK8s) 배포 지원
- SSL 암호화를 통한 민감한 실험실 데이터 보호

가상 스크리닝 증명 개념 중 자동 반복 횟수

Originality

처음으로 제시하는 완전 통합 플랫폼: 실험실 오케스트레이션, AI/ML 모델 통합, 워크플로우 자동화, 데이터 관리를 하나의 통합 시스템으로 구현하여 신약 개발 전체 파이프라인을 지원함.
폐루프 자동 학습 사이클: Design-Run-Optimize-Learn 구조를 통해 실험 데이터를 기반으로 한 지속적인 개선과 가설 검증이 자동으로 이루어지는 시스템을 제시함.
NVIDIA BioNeMo 통합: 사전 학습된 생물분자 AI 모델(NIM)을 컨테이너화하여 자동 가상 스크리닝 워크플로우에 직접 통합함으로써 계산 효율성을 높임.
데이터 사일로 해결: 통합 Data Records 서비스와 표준화된 Lab API를 통해 실험실 전체의 데이터를 하나의 저장소에 통합하여 AI 모델 학습에 필요한 포괄적이고 고품질의 데이터 확보 가능.
다양한 프로토콜 및 시스템 지원: GraphQL, gRPC(SiLA), REST를 동시에 지원하고 Python 생태계와 완벽하게 호환되도록 설계하여 기존 실험실 시스템과의 호환성을 극대화함.

Limitation & Further Study

증명 개념 수준의 검증: 본 논문은 건식 실험실(dry lab) 환경에서의 가상 스크리닝 사례만을 제시하였으며, 습식 실험실(wet lab)의 로봇, 기기, 수작업이 포함된 복잡한 실제 환경에서의 검증이 부족함.
AI 모델 신뢰성 및 검증 체계 부재: NVIDIA BioNeMo 같은 AI 모델의 예측 정확도, 신뢰도 구간(confidence interval), 모델 불확실성(model uncertainty) 관리에 대한 상세한 논의 및 실제 검증 결과가 제시되지 않음.
확장성 및 성능 평가의 부족: 대규모 실험실(수십 개 이상의 기기, 수백 개의 동시 워크플로우)에서의 Scheduler/Executor의 성능, 응답 시간, 자원 활용률에 대한 벤치마크 데이터가 없음.
데이터 보안 및 규제 준수: 제약 업계의 엄격한 규제 요구사항(FDA 21 CFR Part 11, GxP 준수)에 대한 플랫폼의 대응 방안이 명확하지 않음.
비용-효과 분석 부재: 플랫폼 도입 및 운영 비용 대비 신약 개발 시간 단축, 비용 절감, 성공률 향상 등의 정량적 비교 분석이 없음.
후속 연구 방향:
- 습식 실험실 환경에서의 로봇 제어 및 여러 장비 간의 동시성(concurrency) 관리에 대한 사례 연구 수행
- AI 모델 예측의 불확실성을 정량화하고 관리하는 고급 검증 프레임워크 개발
- 대규모 실험실 배포에서의 성능 최적화 및 스케일링 전략 연구
- 규제 준수 모듈(audit trail, version control, role-based access control) 강화
- 실제 제약회사와의 장기 파일럿 수행으로 ROI 및 효과성 검증