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

Motivation

• Known: 자율 실험실과 AI를 결합한 약물 발견 가속화는 이미 알려진 개념이며, virtual screening, molecular simulations, 그리고 machine learning 기반 데이터 분석이 약물 발견에 활용되고 있다. 그러나 데이터 사일로, 다양한 기기 통합, 그리고 AI 모델 배포의 어려움이 주요 도전 과제로 남아 있다.
• Gap: 기존 연구는 개별 AI 모델이나 자동화 도구에 초점을 맞추고 있으나, 자율 실험실 전체를 통합적으로 조율하는 종합 플랫폼, 특히 서로 다른 기기, 소프트웨어 시스템, AI 모델을 seamlessly 연결하는 오케스트레이션 시스템에 대한 연구는 부족하다.
• Why: 약물 발견의 높은 비용, 긴 개발 기간, 높은 실패율을 해결하기 위해 자동화와 AI 통합이 필수적이며, 이를 위해서는 데이터 사일로를 해소하고 다양한 시스템을 통합하는 플랫폼이 절대적으로 필요하다. 이러한 종합적 오케스트레이션이 가능하면 실험 효율성 증대, 재현성 향상, 약물 발견 가속화를 동시에 달성할 수 있다.
• Approach: Artificial 플랫폼은 모듈식 설계로 Web Apps(Labs, Assistants, Workflows, LabOps, Digital Twin), Services(Orchestration, Scheduler/Executor, Data Records), Lab API, Adapters 등으로 구성되어 있다. NVIDIA BioNeMo NIMs를 활용한 자율 virtual screening 워크플로우의 proof-of-concept 사례 연구를 통해 시스템 효과를 입증한다.

Achievement

Figure 2: The self-driving cycle.

• 자율 실험실의 전체 통합 플랫폼 구현: Web Apps 기반 user interface와 Services 기반 backend의 모듈식 아키텍처 제시

• 다양한 프로토콜 지원: GraphQL, gRPC, REST를 통한 hardware-software 통합

• AI 모델 자동 배포: NVIDIA BioNeMo NIMs를 활용한 컨테이너화된 AI 모델 통합 및 자동화

• Virtual screening 워크플로우 자동화: Proof-of-concept 사례 연구로 약물 후보 발굴 가속화 입증

• 데이터 통합 및 관리: LIMS, ELN 등 기존 informatics 시스템과의 seamless 연동

How

Figure 2: The self-driving cycle.

• Python 기반 simplified dialect 또는 graphical interface를 통한 워크플로우 정의

• Scheduler/Executor가 heuristics, constraints, batching을 활용하여 자원 할당 최적화

• GraphQL, gRPC, REST 등 다중 프로토콜 API로 기기 및 소프트웨어 연동

• HTTPS, gRPC(SiLA 포함), Local APIs(SciKit, TensorFlow/Keras, PyTorch)를 통한 안전한 통신

• Real-time monitoring 및 3D Digital Twin으로 실험 과정 시각화 및 시뮬레이션

Originality

• 자율 실험실 전체를 조율하는 통합 오케스트레이션 플랫폼으로서의 novelty

• NVIDIA BioNeMo 같은 사전 학습된 AI 모델(NIMs)을 실험실 워크플로우에 직접 통합하는 접근

• Digital Twin 기반 3D 시각화 및 시뮬레이션을 통한 실험 최적화

• Python 기반 간단한 스크립팅 언어와 graphical interface의 이중 제공으로 접근성 향상

Limitation & Further Study

• 제한된 평가: Proof-of-concept이 dry lab(virtual screening) 중심이며, wet lab 적용 사례 미제시

• 데이터 검증 부족: 제시된 사례 연구에서 정량적 성능 지표(속도 향상, 비용 절감 등) 명시 부족

• 확장성 검증 미흡: 대규모 다중 프로젝트 환경에서의 scalability 및 bottleneck 분석 미제시

• 보안 및 데이터 사일로 해결책 미흡: 데이터 사일로 문제를 제기했으나 구체적 해결 메커니즘 부족

• 후속 연구: Wet lab 환경에서의 실제 로봇 통합 사례, 더 복잡한 워크플로우에 대한 검증 필요

Evaluation

총평: Artificial 플랫폼은 자율 실험실의 오케스트레이션과 AI 통합이라는 중요한 문제를 다루는 실질적인 솔루션을 제시하며, 모듈식 설계와 다양한 프로토콜 지원으로 산업 적용 가능성이 높다. 그러나 현재는 proof-of-concept 수준의 dry lab 사례만 제시되었고, 정량적 성능 평가와 wet lab 검증이 부재하여 기술적 우수성과 임팩트를 확실히 입증하지 못하고 있다.