The Virtual Lab of AI agents designs new SARS-CoV-2 nanobodies

Motivation

• Known: 대규모 언어 모델(LLM)이 특정 과학 질문 답변에 탁월하며, 여러 연구 프레임워크(ChemCrow, Coscientist, AI Scientist)가 제한된 범위의 과학 문제 해결을 시도했음
• Gap: 기존 LLM 기반 접근법들은 (1) 단일 학문 분야에 국한되거나, (2) 실제 실험 검증이 없거나, (3) 좁은 범위의 연구 문제만 다룸. 개방형 학제 간 연구 문제를 수행하는 LLM의 능력이 검증되지 않음
• Why: 자원이 제한된 연구 그룹이 여러 분야의 전문가에 접근하기 어렵고, 복잡한 생물의학 연구(예: SARS-CoV-2 변이주 대응)는 신속한 솔루션이 필요함
• Approach: 인간 연구자의 고수준 지도 하에 LLM 기반 PI(Principal Investigator) 에이전트가 여러 과학자 에이전트(면역학자, 계산생물학자, ML 전문가)를 조율하는 "Virtual Lab" 아키텍처 도입

Achievement

1. Virtual Lab 아키텍처 개발: 팀 회의(team meetings)와 개별 회의(individual meetings)를 통해 LLM 에이전트들이 협업하는 확장 가능한 시스템 구축
   • PI 에이전트가 자동으로 필요한 과학자 에이전트 생성
   • Scientific Critic 에이전트가 각 단계에서 비판적 피드백 제공
   • 5단계 프로세스(팀 선택 → 프로젝트 명세 → 도구 선택 → 도구 구현 → 워크플로우 설계)를 자동 진행
2. 나노바디 설계 성과:
   • ESM(단백질 언어 모델), AlphaFold-Multimer(단백질 구조 예측), Rosetta(계산 생물학 소프트웨어)를 통합한 신규 계산 나노바디 설계 파이프라인 구축
   • 4개의 기존 나노바디(Ty1, H11-D4, Nb21, VHH-72)로부터 92개의 변이 나노바디 설계
   • 90% 이상의 높은 발현 및 용해도 달성
   • 2개의 유망 후보 발굴: JN.1 또는 KP.3 변이주에 대해 개선된 결합력 보이면서 조상형(Wuhan) 스파이크 단백질에 대한 강한 결합력 유지

How

• Virtual Lab 구조:
  • 각 에이전트는 프롬프트를 통해 정의(Title, Expertise, Goal, Role)
  • PI 에이전트가 팀 회의를 주도하고 과학자 에이전트들의 응답을 종합
  • 각 라운드마다 Scientific Critic이 응답을 비판하고, 에이전트는 피드백을 기반으로 개선
• 나노바디 설계 워크플로우:
  • ESM: 단일 점 돌연변이의 로그우도비(LLR) 계산 → 상위 20개 변이체 선정
  • AlphaFold-Multimer: 나노바디-RBD 복합체 구조 예측 → 결합 인터페이스 신뢰도(AF ipLDDT) 평가
  • Rosetta: 구조 안정성 및 바인딩 에너지 재점수(rescoring) → 최적화된 변이체 선정
  • 반복적 최적화: 각 라운드에서 상위 후보를 기반으로 다음 세대 변이체 생성
• 실험 검증: 설계된 92개 나노바디에 대해 발현 테스트, 용해도 평가, 바인딩 프로필 분석

Originality

• AI-인간 협업의 새로운 패러다임: 단순 질문 응답을 넘어 개방형 연구 문제의 설계부터 실행까지 LLM이 주도적 역할 수행
• 학제 간 에이전트 자동 생성: 인간의 프로젝트 설명만으로 필요한 전문가 에이전트를 LLM이 자동 생성하는 혁신적 접근
• 실제 실험 검증을 동반한 첫 사례: 이전 LLM 기반 연구 프레임워크와 달리, 설계된 나노바디가 생화학적으로 검증되고 실제 바이러스 변이주에 대한 효과 입증
• 통합 계산 파이프라인: ESM, AlphaFold-Multimer, Rosetta를 순차적으로 조합한 나노바디 설계 전략이 LLM에 의해 자동으로 제안되고 구현됨

Limitation & Further Study

• 제한사항:
  • 현재는 4개의 기존 나노바디를 모판으로 시작 → 완전히 신규 나노바디 설계로의 확장 필요
  • GPT-4o에만 의존 → 다른 LLM 모델에서의 성능, 비용 효율성 미검증
  • 나노바디 92개 중 2개만이 최종적으로 유망 후보 → 설계 정확도 개선 필요
  • 계산 도구(ESM, AlphaFold-Multimer, Rosetta)의 예측 정확도가 전체 성공률을 제한
  • 실시간 반복 피드백 시 인간 연구자의 개입 정도와 최적 가이드라인 미명확
• 후속 연구:
  • Virtual Lab을 암 면역치료, 신약 개발 등 다른 의약 분야로 확장
  • 설계 효율성 향상: 머신러닝 기반 스크리닝으로 유망 후보 사전 필터링
  • 대규모 병렬 실험 통합: 고처리량 스크리닝과 Virtual Lab의 피드백 루프 자동화
  • 오픈소스 LLM 활용으로 접근성 및 재현성 강화
  • 다중 모달(multimodal) 에이전트 개발: 실험 데이터 직접 입력 → 설계 개선

Evaluation

총평: 이 연구는 LLM이 단순한 조언자에서 과학 연구의 설계 및 실행을 주도하는 지능형 협력자로 진화했음을 보여주는 이정표적 논문이다. Virtual Lab이라는 새로운 패러다임과 SARS-CoV-2 나노바디라는 구체적 성과를 통해 AI-인간 협업의 가능성을 실증했으나, 설계 효율성 개선과 다양한 과학 분야으로의 일반화가 앞으로의 과제이다.