PRIME: A Multi-Agent Environment for Orchestrating Dynamic Computational Workflows in Protein Engineerings

Motivation

• Known: AlphaFold2, RFdiffusion, ESM 등 강력한 단백질 공학 모델들이 개발되어 구조 예측, de novo 설계, 기능 분석에서 혁신적 성과를 이루고 있다. 2024년 노벨 화학상도 이러한 성과를 인정했다.
• Gap: 이러한 강력한 도구들의 잠재력에도 불구하고, 실제 생물학 연구 공동체가 활용하는 데는 큰 장벽이 존재한다. 호환되지 않는 데이터 형식, 각 도구의 가파른 학습곡선, 다양한 계산 요구사항으로 인해 연구자들은 수작업으로 복잡한 워크플로우를 구성해야 한다(Workflow Integration Gap).
• Why: 단백질 공학 프로젝트(효소 안정성 최적화, 치료 항체 설계 등)는 수열 분석, 구조 예측, 분자 도킹, 기능 평가 등 여러 도구를 연결해야 하는데, 이러한 통합 작업이 높은 기술적 장벽을 만들어 계산 설계와 실험 검증의 반복 주기를 지연시킨다.
• Approach: 사용자의 고수준 과학 목표를 실행 가능한 다단계 계산 전략으로 변환하는 자율 시스템(PRIME)을 개발하되, LLM 기반 동적 워크플로우 합성, 엄격한 도구 실행 검증, 적응형 재계획 메커니즘을 통해 할루시네이션 위험을 완화한다.

Achievement

PRIME 프레임워크 개요: (a) 6개 주제에 걸친 65개 도구와 512개의 데이터 전달 경로, (b) Parse-Plan-Execute 3단계 다중 에이전트 아키텍처, (c) 적응형 재계획 전략, (d) 원자적 도구로부터의 유연한 워크플로우 조합, (e) 협력 생태계, (f) AI 주도 모델 훈련

1. 포괄적 도구 생태계 구축: 수열 분석(HMMER suite), 구조 예측(AlphaFold2), de novo 설계(RFdiffusion), 기능 예측(Evolla) 등 65개의 검증된 단백질 공학 도구를 통합하고 512개의 데이터 의존성 엣지로 연결하여 단백질 공학 생명주기 전체를 포괄한다.
2. 동적 워크플로우 합성 기능: LLM이 고수준 공학 목표를 해석하고 도메인 특화 휴리스틱을 활용하여 지향성 비순환 그래프(DAG)로 표현된 맞춤형 계산 경로를 자율 구성한다. 사용자 입력, 선택적 도구 제약, 이전 성공 기록을 통합한다.
3. 할루시네이션 완화 메커니즘: LLM은 계획과 적응 추론만 담당하고, 모든 과학적 결론은 검증된 도구의 결정론적 출력에서만 도출되는 엄격한 역할 분리 원칙을 구현하여 생과학적 신뢰성을 확보한다.
4. 적응형 재계획 시스템: 도구 출력을 지속적으로 모니터링하며, 과학적 부최적성(예: BLAST 검색 실패)이나 기술적 실행 오류(예: 네트워크 타임아웃) 발생 시 Plan Generator는 전역 전략(도구 변경)을, Tool Executor는 국소 조정(매개변수 수정)을 수행한다.
5. 자동화된 ML 모델 훈련: 사용자의 고수준 과학 목표 기술만으로 데이터 수집(UniProt 쿼리), 작업 공식화(단백질 분류/회귀/상호작용 예측/토큰 수준 분석), 모델 훈련까지 전체 파이프라인을 자동 생성한다.
6. 벤치마크 성능: 213개의 다단계 단백질 공학 작업 벤치마크에서 PRIME은 기존 범용 AI 에이전트(Biomni 등)가 실패하는 대다수 작업을 성공적으로 완수했다.
7. 실제 응용 검증: ML 분류기의 완전 자율 훈련 및 SARS-CoV-2 치료 항체의 de novo 설계 등 까다로운 실제 애플리케이션에서 능력을 입증했다.

How

• 3단계 다중 에이전트 아키텍처:
  • Query Parser 에이전트: 자연어 사용자 요청을 구조화된 연구 문제로 변환 (의미 분석 + 구문 분석)
  • Plan Generator 에이전트: 도구 지식과 도메인 휴리스틱을 활용하여 DAG 형태의 계산 전략 구성 (핵심 조율자)
  • Tool Executor 에이전트(s): 각 도구 전문가가 매개변수 구성 및 과학 도구 호출, 의미적/구문적 데이터 검증 수행
• 메타데이터 기반 도구 계약: 각 Tool은 실행 커널(스크립트/바이너리/API)과 엄격한 메타데이터 스키마(입력 속성/출력 속성)로 구성되어 Protein Entity의 상태 변화를 명확히 정의
• DAG 기반 워크플로우 구조: 원자적 도구들을 방향성 비순환 그래프로 조합하여 정보 흐름의 논리적 일방향성을 강제하고 순환 추론 방지 및 재현 가능성 확보
• 적응형 재계획 메커니즘: 성공 기준(정량 메트릭 예: pLDDT 점수, 또는 이진 결과)에 따라 각 단계 평가 → 실패 시 새로운 계획 주기 개시 → 전역 전략 개정(도구 치환) 또는 국소 조정(매개변수 재조정)
• 폐쇄 루프 운영: LLM이 워크플로우 계획 → 도구 실행 개시 → 출력 해석 → 적응 결정을 연쇄적으로 수행하며 추론과 행동 기능 통합
• ML 모델 훈련 자동화 파이프라인:
  • 데이터 수집: 사용자 업로드 또는 공개 데이터베이스(UniProt) 자동 쿼리
  • 작업 공식화: 사용자 목표 → 적절한 모델링 패러다임 자동 매핑 (단백질 수준/쌍별/토큰 수준)
  • 모델 훈련: AI 전문성 불필요, 전체 파이프라인 자동 실행
• 커뮤니티 기여 체계: 맞춤형 방법(훈련 파이프라인, 데이터 처리 스크립트)을 재사용 가능 공개 도구로 캡슐화 → 메서드와 민감 데이터 분리 → 개별 방법론 성과를 동적 커뮤니티 자산으로 변환

Originality

• 도메인 특화 다중 에이전트 설계: 통용 AI 에이전트와 달리 단백질 공학 특화 에이전트(Query Parser, Plan Generator, Tool Executor)로 구성하여 도메인 지식과 도구 생태계를 명시적으로 통합
• 할루시네이션 완화 아키텍처: LLM의 추론과 과학적 결론 도출을 엄격히 분리하는 설계로, 생성형 AI의 신뢰성 문제를 근본적으로 해결한 혁신적 접근
• 규모 있는 통합 도구 생태계: 65개 도구, 512개 데이터 경로의 포괄적 통합으로 전체 단백질 공학 생명주기를 지원하는 규모의 워크플로우 시스템은 기존 문헌에서 선례 부족
• 동적 DAG 합성: 사용자 입력 및 실행 결과에 따라 실시간으로 계산 그래프를 재구성하는 동적 계획 능력은 정적 사전 구성 워크플로우와 구별되는 획기적 특징
• 엔드투엔드 ML 자동화: 데이터 수집부터 모델 훈련까지 완전 자동화된 파이프라인은 비전문가 연구자 접근성을 근본적으로 제고하는 혁신
• 메타데이터 기반 검증: 각 Tool의 입/출력 속성을 메타데이터 스키마로 명시하고 의미적/구문적 검증을 강제하는 설계는 과학적 엄격성과 자동 품질 관리를 동시에 달성

Limitation & Further Study

• LLM 의존성: 전체 계획 및 적응 능력이 LLM의 추론 품질에 의존하므로, 특정 도메인 약점(예: 매우 복합한 멀티 스텝 추론)이 있을 수 있고 모델 업그레이드에 따른 성능 변동성 가능성
• 도구 생태계의 정적 특성: 현재 65개 도구는 고정되어 있으며, 새로운 도구 추가 및 통합 프로세스가 명시되지 않음. 커뮤니티 기여 도구의 정성적 보증 메커니즘 부재
• 실제 실험과의 연계 미흡: 논문은 계산 워크플로우 자동화에 집중하며, 예측 결과의 실험적 검증과 반복 피드백 루프 통합은 제한적 (de novo 항체 설계 사례는 설명 부족)
• 확장성 평가 부족: 213개 벤치마크 작업의 복잡도 분포, 평균 단계 수, 도구 조합 다양성 등 상세 분석 미제시. 매우 복합한(예: 20+ 단계) 워크플로우에서의 성능 미평가
• 사용자 연구 부재: UI 사용성, 실제 연구자 채택률, 학습곡선 등에 관한 정성적 사용자 연구 자료 부족
• 재현 가능성 한계: 공개 예정이나 현재 코드/데이터 미공개 상태이므로 외부 검증 불가
• 후속 연구 방향:
  • 플러그인 아키텍처 개발로 커뮤니티 도구 통합 자동화 및 정성 평가 프레임워크 구축
  • 실험 반복 루프 통합: 계산 예측 → 실험 실행 → 결과 피드백 → 재계획의 폐쇄 루프 구현
  • 멀티모달 학습 모델(LLM + 도메인 특화 신경망) 도입으로 더 정교한 계획 및 적응 능력 강화
  • 대규모 실제 데이터 기반 롱런 케이스 스터디를 통한 신뢰성 및 성능 종단(longitudinal) 평가

Evaluation