Robin: A multi-agent system for automating scientific discovery
저자: Ali Essam Ghareeb, Benjamin Chang, Ludovico Mitchener, Angela Yiu, Caralyn J. Szostkiewicz, Jon M. Laurent, Muhammed T. Razzak, Andrew D. White, Michaela M. Hinks, Samuel G. Rodriques | 날짜: 2025-05-19 | DOI: 10.48550/arXiv.2505.13400📄 PDF
⚠️ 이 페이지의 요약·평가·해설은 생성형 AI(Claude)가 자동 생성한 2차적 분석물입니다. 논문 원문의 저작권은 원저작자에게 있으며, 정확한 내용은 원문(위 DOI·arXiv 등 출처)을 확인하세요.
Essence
Figure 1: Architecture and workflow of the Robin system. A) Given the name of a target disease, Robin generates
Robin은 문헌 검색 에이전트(Crow, Falcon)와 데이터 분석 에이전트(Finch)를 통합한 최초의 multi-agent system으로, 가설 생성부터 실험 설계, 데이터 분석, 가설 개정까지 과학적 발견의 전 과정을 자동화하며, 이를 통해 dry age-related macular degeneration(dAMD)의 신규 치료 후보물질인 ripasudil을 발굴·검증했다.
Motivation
Known: 기존 LLM 기반 시스템들은 문헌 요약이나 가설 생성 등 과학적 발견의 개별 단계를 자동화하는 데는 성공했으며, PaperQA2 기반 시스템은 문헌 검색 및 요약에서 전문가 수준의 성능을 보여준 바 있다.
Gap: 그러나 지금까지 어떤 시스템도 가설 생성, 실험 제안, 실험 결과 해석, 가설 개정이라는 과학적 방법론의 핵심 지적 단계를 하나의 연속적인 워크플로우로 완전히 자동화하지는 못했다.
Why: 약물 재창출(drug repurposing) 사례들에서 보듯 이미 문헌에 존재하는 통찰이 실제 치료제로 결정화되기까지 수년에서 수십 년의 지연이 발생하는데, 이는 방대한 과학 지식을 종합하는 데 어려움이 있음을 보여주며, 이러한 지연을 줄일 수 있는 AI 시스템은 치료제 개발 가속화에 중대한 의미를 가진다.
Approach: Robin은 Crow(간결 문헌 검토), Falcon(심층 문헌 검토), Finch(실험 데이터 분석) 세 개의 전문화된 언어 에이전트를 통합하여 질병명 입력만으로 치료 후보를 생성하고, 실험실과의 lab-in-the-loop 피드백을 통해 가설을 반복적으로 개선하는 semi-autonomous 워크플로우를 구축했다.
Achievement
Figure 4: Ripasudil significantly enhances RPE phagocytosis. A) Excerpt of Robin proposal for ripasudil. Drawing
완전 자동화된 과학적 발견 워크플로우 구현: Robin은 배경 조사, 가설 생성, 실험 제안, 결과 해석, 가설 개정이라는 과학적 방법의 핵심 단계를 하나의 연속된 시스템으로 자동화한 최초의 multi-agent system이다.
신규 dAMD 치료 후보 ripasudil 발굴 및 검증: Robin은 retinal pigment epithelium(RPE)의 phagocytosis 증진을 치료 전략으로 제안하고, 임상에서 사용 중인 ROCK inhibitor인 ripasudil을 dAMD 치료 후보로 새롭게 식별해 실험적으로 검증했다.
후속 기전 규명 실험 설계 및 분석: Robin은 ripasudil의 phagocytosis 상향조절 기전을 규명하기 위해 RNA-seq 후속 실험을 스스로 제안하고 분석하여, 지질 유출 펌프인 ABCA1의 상향조절이라는 잠재적 신규 타겟을 발견했다.
How
Figure 2: Robin generates therapeutic candidate hypotheses for dry AMD and analyzes experimental data from
Crow 에이전트가 질병 병리에 대한 일반 질문들에 답하고, 이를 바탕으로 Robin이 10개의 잠재적 인과적 질병 기전을 식별
각 기전에 대해 Crow가 해당 기전을 모델링하는 in vitro assay 리포트를 작성하고, LLM judge를 이용한 pairwise comparison으로 순위를 매겨 최상위 실험 전략 선정 (Figure 1B, Figure 2)
Falcon이 심층 문헌 검토를 수행해 선정된 assay에 적합한 치료 후보물질들을 생성 및 종합 평가
연구자가 실제 실험(예: phagocytosis flow cytometry assay)을 수행한 후, Finch 에이전트가 RNA-seq, flow cytometry 등 원시 실험 데이터를 자동으로 분석하고 시각화 (Figure 4)
도출된 실험 인사이트를 바탕으로 Robin이 새로운 가설 및 후속 실험(예: RNA-seq)을 제안하는 반복적 피드백 루프 수행
Originality
문헌 검색 에이전트와 데이터 분석 에이전트를 하나의 지속적 워크플로우로 통합하여 가설 생성-실험-분석-재가설화의 전체 사이클을 자동화한 최초 사례
단순 가설 제안에 그치지 않고 실제 lab-in-the-loop 실험을 통해 신규 치료 후보물질을 실제로 발굴·검증했다는 점에서 기존의 가설 생성 전용 시스템들과 차별화
LLM judge를 이용한 pairwise ranking으로 실험 전략을 체계적으로 선정하는 방법론적 설계
Limitation & Further Study
단일 질병(dAMD) 사례에 대한 검증으로, 다양한 질병 및 과학 분야에 대한 일반화 가능성은 추가 검증이 필요함
여전히 연구자가 실제 실험을 수행해야 하는 semi-autonomous 시스템으로, 완전 자율적 실험 수행(로봇 실험 등)과의 통합은 향후 과제로 남아있음
LLM judge 기반 순위 결정 및 가설 생성의 재현성, 편향성, 실패 사례에 대한 체계적 평가가 본문에서 충분히 다뤄지지 않음
총평: Robin은 문헌 검색과 데이터 분석 에이전트를 통합해 과학적 발견의 전 주기를 자동화하고, 실제로 신규 치료 후보물질을 발굴·검증한 최초의 사례로서 AI 기반 과학 발견 연구에 중요한 이정표를 제시한다. 단일 사례 연구라는 한계는 있으나, lab-in-the-loop 방식의 실질적 성과는 이 분야의 향후 방향성을 제시하는 데 큰 의의가 있다.
