PersonaAI: An Interactive Agentic-AI Framework for Autonomous Hypothesis Generation and Validation in Aging

Motivation

• Known: 노화는 생물학의 핵심 현상이나 확률적 특성, 시간적 지연, 세포 이질성으로 인해 인과관계 규명이 어렵다. 최근 고차원 단일세포 전사체 아틀라스(transcriptomic atlas)가 구축되어 노화 시그니처를 제공한다.
• Gap: 560,000개 이상의 노화 관련 논문과 고차원 데이터셋의 방대한 규모로 인해 의미 있는 인과 패턴을 기술적 아티팩트와 구분하는 '해석의 병목'이 발생한다. 개별 연구자의 인지적 한계로는 학제 간 지식 종합이 불가능하다.
• Why: 과학 발견의 엔진은 축적된 지식의 종합과 경험적 검증의 순환이다. 노화생물학의 학제간 특성(진화생물학, 면역학, 대사학, 신경과학)으로 인해 자동화된 지원 시스템이 필수적이다.
• Approach: 인간-에이전트 상호작용 루프(Human-Agent Interaction Loop)를 통한 대화형 가설 생성과, 가설 평가 에이전트(Hypothesis Evaluation Agent)를 통한 자동화된 검증의 이중 단계 프레임워크를 개발한다.

Achievement

Figure 1. PersonaAI의 자동 가설 생성 및 실리코 검증 프레임워크

1. 예측력 있는 가설 생성의 증명: 2020년 이전 문헌으로만 학습한 PersonaAI가 2021-2025년 발표된 논문들과 일치하는 114개의 가설 중 '높은 신뢰도(High Confidence)' 가설들을 생성했다. 이는 단순 정보 검색을 넘어 추론적 역량을 입증한다.
2. 노화 기전의 구체적 발견:
   • Cirbp+ 간세포의 노화(senescence)를 간 내재적(liver-intrinsic) 노화 프로그램으로 규명
   • 중년 수컷 특이적 지방 줄기/전구 세포(Adipose Stem and Progenitor Cells, ASPC) 감소를 혈관 니치(vascular niche) 악화와 VEGF-VEGFR 신호전달 중단으로 규명

How

Figure 2. 시간 절단 전략(temporal cutoff strategy)을 이용한 PersonaAI 발견 능력 벤치마킹

• 2단계 파이프라인 구조:
  1. Phase 1 (문헌 종합): Retrieval-Augmented Generation (RAG) 아키텍처로 560,000개 논문을 의미론적으로 추론하여 기존 지식과 구분되는 새로운 가설 생성
  2. Phase 2 (검증): Single-cell Atlas Model Context Protocol (MCP)을 통해 25백만 개 세포의 고품질 데이터(배치 보정, 세포 유형 주석 포함)에 대해 자동화된 클러스터링, 경로 분석 실행
• 시간 절단 검증(Temporal Cutoff Validation):
  • 2020년 이전 문헌으로만 가설 생성
  • 동일 코퍼스(corpus)에서 스크리닝하여 기존 보고와 구분 확인
  • 2021-2025년 문헌과 교차 검증
  • 5회 반복 실행으로 신뢰도 평가(높음/중간/미검증)
• 기술적 특징:
  • 인간-에이전트 상호작용 루프: 연구자의 고수준 생물학적 지도를 통해 검색 공간 제약
  • Multi-agent 아키텍처: 전문화된 부에이전트들의 동적 조율로 복잡한 분석 파이프라인 자동 구성
  • 생물학적 설명가능성: 단순 추측-검증(guess-and-check) 대신 기계학습적 추론으로 신뢰도 확보

Originality

• 혁신적 프레임워크 설계: Virtual Lab, AI Co-scientist 등 기존 자동화 시스템의 '무차별한 탐색(brute force)' 방식을 넘어, 인간 직관을 추론 루프에 유지함으로써 생물학적 타당성을 보장하는 '전략적 동료(strategic co-pilot)' 모델 제시
• 검증 메커니즘의 내재화: 기존 플랫폼들이 가설 생성만 수행하는 반면, PersonaAI는 단일 시스템 내에 자동화된 검증 메커니즘을 통합
• Model Context Protocol(MCP) 활용: 비정형 자연언어를 실행 가능한 생물정보학 워크플로우로 변환하여, 코딩 전문 지식 없이 복잡한 실리코 검증 가능
• 시간 절단 검증의 엄격성: 단순 발표 추적이 아닌 '블라인드 벤치마크(blinded benchmark)'로서 예측적 타당성을 증명

Limitation & Further Study

• 데이터 의존성: 단일세포 데이터의 질과 커버리지에 의존. 생체 외(in vitro) 모델에 기반한 분석으로 생체 내(in vivo) 검증 필요
• 대사 경로 해석의 한계: VEGF-VEGFR 신호 중단의 구체적 분자 메커니즘(수용체 발현 감소 vs. 신호 전달 경로 결함)이 완전히 규명되지 않음
• 후속 연구 방향:
  • 다른 장기(뇌, 심장, 신장)로 확장하여 노화 프로그램의 보편성 검증
  • 실험적 조작(knock-out, VEGF 보충 등)을 통한 생체 내 검증
  • 인간 데이터(특히 고령 집단)로의 번역 가능성 평가
  • 시간 경과에 따른 니치 악화의 인과 메커니즘 규명
• 기술적 개선: 더 광범위한 노화 모달리티(단백체, 메타볼로믹 등) 통합 및 다중 모드 학습(multimodal learning)

Evaluation

총평: PersonaAI는 LLM 기반 생물학적 발견 가속화의 실질적 사례를 제시하며, 특히 인간 직관과 자동화 검증의 균형 있는 결합으로 신뢰도 높은 가설을 생성한다. 시간 절단 검증은 AI 시스템의 예측력을 입증하는 유효한 전략이나, 현재 preprint 단계로서 생체 내 실험 검증과 방법론의 상세 공개가 필요하다.