A multi-agent system for automating scientific discovery

Motivation

• Known: 기존 LLM 기반 시스템들은 가설 생성, 특정 약리학적 특성 예측 등 과학적 발견 과정의 일부 단계만을 개별적으로 자동화해왔으며, PaperQA2와 같은 검색 증강 생성 시스템은 문헌 검색과 요약에서 전문가 수준의 성능을 보여준 바 있다.
• Gap: 관찰, 가설 생성, 실험, 데이터 분석으로 이어지는 과학적 방법의 모든 핵심 지적 단계를 하나의 연속적인 피드백 루프로 자동화한 시스템은 아직 없었으며, 특히 실제 실험실 데이터를 분석해 가설을 반복적으로 개정하는 lab-in-the-loop 방식은 구현된 바 없었다.
• Why: 약물 재창출의 역사에서 보듯(dabrafenib, ketamine, leucovorin, KarXT 등) 문헌에 이미 존재하는 통찰이 실제 치료제로 연결되기까지 수년에서 수십 년의 지연이 발생하는데, 이는 방대한 과학 지식을 종합하는 인간의 한계 때문이며, 이를 극복하는 자동화 시스템은 신약 개발 속도를 획기적으로 앞당길 잠재력을 지닌다.
• Approach: Robin은 대상 질병명만 입력받아 Crow와 Falcon으로 문헌을 검색해 질병 기전과 치료 후보를 제안하고, Finch로 실험 데이터를 자동 분석하여 그 결과를 바탕으로 새로운 가설을 생성하는 반복적 워크플로우를 실행하는 다중 에이전트 시스템이다.

Achievement

Fig. 2 | Robin generates therapeutic candidate hypotheses for dAMD and

1. 완전 자동화된 발견 주기 구현: 가설 생성-실험 제안-데이터 분석-가설 개정에 이르는 전 과정을 사람의 개입 없이 Robin이 수행하여, 본문의 모든 가설·실험 방향·데이터 분석·그림을 Robin이 산출했다.
2. 신규 치료 후보물질 발굴 및 실험 검증: dAMD에 대해 망막색소상피(RPE) 식세포작용 증진을 치료 전략으로 제안하고, 로키나아제 억제제 ripasudil과 KL001의 in vitro 효능을 확인했으며, ripasudil이 dAMD 치료제로 제안된 것은 최초이다.
3. 후속 기전 규명 실험 설계: ripasudil에 의한 식세포작용 증진 기전을 밝히기 위해 RNA-seq 후속 실험을 스스로 제안·분석하여 지질 유출 펌프 ABCA1의 상향조절이라는 새로운 표적 후보를 발견했다.
4. 효율성 입증: 551편의 논문을 30분 만에 분석하여 인간 대비 약 200배의 시간 단축을 달성했다고 추정했다.

How

Fig. 1 | Architecture and workflow of the Robin system. a, When given the

• Crow: PaperQA2 기반의 간결한 문헌 리뷰 에이전트로 질병 기전 및 실험 전략을 파악
• Falcon: PaperQA2 기반의 심층 문헌 리뷰 에이전트로 각 치료 후보에 대한 종합 보고서 생성
• Finch: RNA-seq, flow cytometry 등 실험 데이터를 자동 분석하는 데이터 분석 에이전트
• 질병명 입력 → Crow로 일반 질문에 답하며 병리 기전 파악 → 10개 인과 기전 식별 → 각 기전별 Crow 상세 보고서 → Falcon으로 치료 후보 평가 → 실험 어세이 선정 및 실험 수행 → Finch로 결과 분석 → 분석 결과를 바탕으로 후속 가설 및 후속 실험(RNA-seq) 제안하는 반복 루프 구성
• Open Targets Platform, 임상시험 보고서 등 외부 데이터베이스 연계 활용

Originality

• 문헌 기반 가설 생성 에이전트와 실험 데이터 분석 에이전트를 하나의 연속적 워크플로우로 통합한 최초의 시도 중 하나로, 기존 시스템들이 개별 단계만 자동화했던 것과 차별화됨
• 단순 가설 제안에 그치지 않고 실제 lab-in-the-loop 프레임워크 내에서 자율적으로 신규 치료 후보를 발견하고 in vitro로 검증까지 완료
• 초기 가설에서 그치지 않고 실험 결과를 바탕으로 후속 실험(RNA-seq)을 자율적으로 설계하여 기전 규명까지 확장한 반복적 자기 개선 구조

Limitation & Further Study

• 본 논문에서는 단일 질병(dAMD)에 대한 단일 사례연구만 제시되어 다른 질병 영역이나 다양한 과학 분야로의 일반화 가능성은 검증되지 않았음
• 여전히 실험 자체는 인간 연구자가 수행하는 semi-autonomous 방식이며, 완전한 자율 실험 수행(로봇 실험 등)은 포함하지 않음
• LLM 기반 시스템 특유의 환각(hallucination) 가능성이나 문헌 검색의 편향, 재현성에 대한 정량적 검증이 제한적으로 보고됨
• 향후 연구로는 다양한 질병·과학 분야에 대한 일반화 검증, 완전 자동화된 실험 수행과의 결합, 시스템의 실패 사례 및 오류율에 대한 체계적 분석이 필요함

Evaluation

총평: 과학적 발견의 전 과정을 자동화하고 실제 실험 검증을 통해 신규 치료 후보물질을 발굴했다는 점에서 AI 기반 과학 연구의 이정표가 될 연구이나, 단일 사례연구에 기반한 만큼 일반화 가능성에 대한 후속 검증이 필요하다.