Accelerating science with human-aware artificial intelligence

Motivation

• Known: 자동화 약물 발견(self-driving labs)은 로봇 시스템과 AI를 활용하여 약물 개발 효율성을 높이지만, 다양한 기기 통합, AI 모델 배포, 데이터 사일로 등의 도전과제가 존재한다.
• Gap: 현존하는 자동화 실험실 솔루션들은 전체 실험실 워크플로우를 통합 관리하는 오케스트레이션 시스템의 부재와 데이터 단편화로 인한 AI 모델 성능 저하 문제를 효과적으로 해결하지 못하고 있다.
• Why: 약물 발견 비용 증가, 개발 기간 연장, 임상 시험 실패율 높음 등을 극복하기 위해 AI 기반 자동화와 데이터 통합이 필수적이며, 이를 통해 개발 효율과 재현성을 획기적으로 개선할 수 있다.
• Approach: Artificial은 Web Apps, 오케스트레이션 엔진(Orchestration Engine), 스케줄러(Scheduler/Executor), 데이터 통합 레이어를 포함한 모듈식 플랫폼으로 설계되었다. Lab API와 다중 프로토콜(GraphQL, gRPC, REST)을 통해 하드웨어, 소프트웨어, 외부 시스템을 통합하고, NVIDIA BioNeMo NIMs를 활용하여 AI 기반 의사결정을 자동화한다.

Achievement

Figure 3: A proof of concept use case for self-driving virtual screening with NVIDIA BioNeMo models.

• 통합 실험실 오케스트레이션: 로봇, 기기, 인원을 실시간 조율하여 복잡한 워크플로우를 자동화하고 재현성을 향상시킴
• 데이터 사일로 해결: 분산된 실험실 데이터를 Data Records에 통합하여 AI 모델 학습과 의사결정의 품질 개선
• AI 모델 배포 자동화: NVIDIA BioNeMo를 포함한 AI/ML 모델의 컨테이너화되고 자동화된 배포로 분자 상호작용 예측 및 생체분자 분석 가속화
• 가상 스크리닝 자동화: 드라이 랩 환경에서 자동화된 가상 스크리닝 워크플로우 구현으로 유망한 약물 후보 식별 시간 단축
• 리소스 최적화: 휴리스틱과 제약 조건 기반 스케줄링으로 계산 자원 할당 효율화 및 배치 처리 최적화

How

Figure 1 illustrates a modular and scalable Artificial Orches-

• 웹 기반 사용자 인터페이스(Labs, Assistants, Workflows, LabOps, Digital Twin)로 실험실 디지털 트윈 구축 및 모니터링
• Orchestration 엔진이 Python 단순 방언 또는 그래픽 인터페이스를 통해 실험실 작업 계획 및 요청 관리
• Scheduler/Executor가 휴리스틱 기반 제약 조건 최적화로 워크플로우 실행 및 리소스 할당 자동화
• Lab API(GraphQL, gRPC, REST)를 통한 멀티 프로토콜 통신으로 기기, 소프트웨어, GPU/TPU 연결
• LIMS, ELN 등 표준 인포매틱스 도구와의 통합을 통한 샘플, 인벤토리, 실험 데이터 관리
• Python 에코시스템(TensorFlow, PyTorch, SciKit) 지원으로 로컬 AI/ML 모델 통합 및 실행

Originality

• 약물 발견 전체 R&D 파이프라인(드라이 랩/웻 랩)을 대상으로 하는 통합 오케스트레이션 플랫폼 아키텍처 제시
• 데이터 사일로 문제의 체계적 해결책으로 중앙화된 Data Records와 표준화된 데이터 포맷 통합
• AI 모델 배포 자동화와 실험실 워크플로우 오케스트레이션의 결합으로 자동화 약물 발견의 실용적 구현
• 디지털 트윈 기반 3D 시뮬레이션 및 모니터링으로 실험 설계와 최적화의 가시화

Limitation & Further Study

• 증명 사례의 제한성: 드라이 랩(가상 스크리닝) 환경만 시연되었으며, 웻 랩 환경에서의 실제 성능 검증 부재
• 비용-효과성 분석 부재: 플랫폼 도입 및 운영 비용, ROI에 대한 정량적 데이터 및 경제성 분석 부족
• 확장성 검증 미흡: 대규모 다중 기관 데이터 통합 및 협업 환경에서의 성능 및 보안 검증 필요
• AI 모델 신뢰도 평가: NVIDIA BioNeMo 외 다른 AI 모델들의 통합 가능성 및 모델 신뢰성 평가 기준 미제시
• 후속 연구: (1) 웻 랩 실제 환경에서의 자동화 검증, (2) 다국가 데이터 공유 및 표준화 프레임워크 개발, (3) AI 모델 해석성(Interpretability) 강화, (4) 실시간 품질 관리 및 자동 에러 감지 시스템 개발

Evaluation

총평: 본 논문은 자동화 약물 발견의 현실적 도전과제들(데이터 사일로, 워크플로우 복잡성, AI 통합)을 종합적으로 해결하는 실용적인 오케스트레이션 플랫폼을 제시하며, 모듈식 아키텍처와 다중 프로토콜 지원으로 확장성이 우수하다. 다만 드라이 랩 사례만 제시되었으므로 웻 랩 검증과 대규모 실제 운영 환경에서의 성능 평가가 후속되어야 한다.