The Virtual Lab: AI Agents Design New SARS-CoV-2 Nanobodies with Experimental Validation

Essence

그림 1: Virtual Lab 아키텍처. (a) PI 에이전트를 중심으로 다양한 과학자 에이전트들이 팀을 이루는 구조, (b) 팀 미팅의 다중 라운드 토론 흐름, (c) 개별 미팅의 반복적 피드백 과정

본 연구는 대규모 언어모델(LLM) 기반의 다중 전문가 AI 에이전트 팀이 인간 연구자와 협력하여 학제간 과학 연구를 수행하는 "Virtual Lab" 프레임워크를 제시한다. 이를 SARS-CoV-2 나노바디 설계에 적용하여 92개의 신규 나노바디를 설계하고 실험적 검증을 통해 유망한 결합 특성을 가진 후보를 발굴했다.

Motivation

Known: LLM이 개별 과학 질문에 답변하는 데 뛰어나며, ChemCrow, Coscientist 등의 단일 도메인 AI 연구 프레임워크들이 존재함.
Gap: 기존 LLM 기반 연구 도구들은 ① 단일 과학 분야에 제한되거나, ② 표준화된 작업(화학 합성 계획)에만 적용되거나, ③ 실제 실험 검증이 없는 한계를 보임.
Why: 학제간 과학은 복잡한 다단계 추론, 서로 다른 언어와 우선순위를 가진 여러 분야의 조정이 필수적이며, 자원이 부족한 연구 그룹들은 이러한 전문성에 접근하기 어려움.
Approach: 인간 연구자의 고수준 지시 하에 PI 에이전트(AI 리더)가 분야별 전문 에이전트들(생물학자, 컴퓨터과학자, 비평가)을 동적으로 생성하고 팀 미팅과 개별 미팅을 통해 협력하는 구조로 구현.

Achievement

그림 2: 나노바디 설계를 위한 Virtual Lab의 적용 워크플로우

novel nanobody design pipeline 개발: ESM(단백질 언어 모델), AlphaFold-Multimer(단백질 폴딩), Rosetta(계산 생물학 소프트웨어)를 통합한 새로운 계산 파이프라인을 자동으로 설계. SARS-CoV-2 원래 균주의 RBD(수용체 결합 영역)에 결합하는 기존 나노바디를 최신 변이주에 맞도록 돌연변이 유도.
높은 설계 성공률: 92개의 설계된 나노바디 중 90% 이상이 발현되고 가용성을 보임. 특히 JN.1 또는 KP.3 변이주에 향상된 결합력을 보이면서도 원조 바이러스 스파이크 단백질에 강한 결합력을 유지하는 2개의 유망 후보 발굴.
실제 과학 발견의 증명: 순수 계산만이 아닌 실험적 검증을 통해 AI-인간 협력의 실제 영향력을 입증한 첫 사례 중 하나.

How

그림 3: Nb21 나노바디 분석. 매 라운드의 설계 반복 과정과 계산 모델들의 예측 신뢰성 검증

에이전트 설정: 각 에이전트는 4가지 기준(제목, 전문성, 목표, 역할)으로 정의되며, PI 에이전트가 자동으로 프로젝트에 필요한 scientist agents 생성
팀 미팅 구조: (1) PI가 아젠다와 질문 제시 → (2) N라운드의 순차적 토론(각 scientist agent 의견 → critic 피드백) → (3) PI의 종합 요약 및 의사결정
개별 미팅 구조: 특정 과제(예: 코드 작성)에 대해 단일 에이전트가 작업하고 critic의 반복적 피드백으로 개선
아젠다 기반 제어: 인간 연구자가 아젠다, 질문, 규칙, 참고 자료(논문 등), 라운드 수를 지정하여 토론 방향 제어
도구 통합: 각 에이전트가 ESM, AlphaFold-Multimer, Rosetta, 분자 동역학 시뮬레이션 등의 과학 도구에 접근 가능

Originality

다중 전문가 협력 시뮬레이션: LLM 에이전트들이 서로 다른 과학 배경을 가지고 대면(adversarial) 토론 형태로 상호 검증하는 구조로, 기존 단순 도구 통합과 차별화
동적 에이전트 생성: PI 에이전트가 프로젝트 설명만으로 필요한 전문가 팀을 자동 구성하는 메타-레벨의 AI 자율성
비평가(Critic) 에이전트의 명시적 포함: 검증과 오류 포착을 전담하는 독립 에이전트 도입으로 품질 관리 강화
학제간 open-ended 문제의 실제 해결: 나노바디 설계는 생물학, 컴퓨터 과학, 구조 생물학을 아우르는 진정한 복합 문제이며, 실험 검증까지 완료한 점이 선행 연구(AI Scientist, Si et al.)와 차별됨

Limitation & Further Study

LLM 능력의 상한선: 최신 GPT-4o 기반이나, 과학 추론의 한계(환각, 오래된 정보)는 여전히 존재. 더 강력한 모델이나 fine-tuning으로 개선 필요
에이전트 수 및 역할의 최적화: 현재는 경험적으로 에이전트 팀을 구성했는데, 어떤 조합이 최적인지에 대한 체계적 연구 부재
계산 비용 및 확장성: 다중 LLM 호출로 인한 API 비용과 시간 소요가 크며, 더 큰 규모 프로젝트 적용 시 확장성 미검증
나노바디 실험의 제한적 성공률: 90% 이상의 발현 성공 중 실제 결합 기능을 보인 것은 일부에 불과하며, 설계 품질 개선 필요
후속 연구: (1) 다른 학제간 문제(신약 개발, 재료 과학)로의 확장, (2) 에이전트 팀 구성 최적화 알고리즘 개발, (3) LLM 미세조정을 통한 과학 도메인 특화, (4) 인간-AI 협력의 인지적 상호작용 분석

Evaluation

총평: 본 논문은 LLM 기반 다중 전문가 에이전트가 인간 연구자와 협력하여 실제 학제간 과학 문제(나노바디 설계)를 해결하고 실험적으로 검증한 선도적 사례로, 향후 AI 지원 과학 연구의 패러다임 전환을 시사한다. 다만 대규모 적용 시 비용과 확장성, 그리고 에이전트 팀 최적화 방법론의 추가 개발이 요구된다.