OpenAI의 GPT-Rosalind 에이전트가 32분 만에 전뇌 CRISPR 아틀라스를 분석: 주장, 결과, 그리고 Hacker News의 반발

OpenAI, PerturbAI, 그리고 Scripps Research는 GPT-Rosalind라는 모델로 구동되는 수천 개의 AI 에이전트를 사용하여 수백만 개의 뇌 세포를 포함하는 마우스 전뇌 CRISPR 아틀라스를 해석했으며, 분석을 32분 만에 완료했습니다. 팀은 이 방법을 "분산 생물학적 추론"이라고 부르며, 유전자 교란, 세포 효과, 관련 과학 문헌, 제안된 생물학적 메커니즘을 연결하는 공개 "추론 아틀라스"를 생성했습니다. 핵심 주장은 속도와 범위입니다: 연구자들은 동등한 인간 분석 및 문헌 검토를 한 번에 하나의 교란씩 수행한다면 몇 달에서 1년이 걸릴 것으로 추정합니다.

협업이 실제로 생산한 것

산출물은 새로운 약물이나 검증된 질병 메커니즘이 아닙니다. 이는 기존의 대규모 데이터 세트가 의미하는 바에 대한 순위가 매겨진, 문헌에 기반한 가설 세트입니다.

팀은 전뇌 CRISPR 아틀라스 분석을 수천 개의 에이전트에게 분할했습니다. 각 에이전트는 단일 유전자 교란을 조사하고, 아틀라스에 기록된 세포 반응을 분석하고, 과학 문헌을 검색하고, 발견한 것에 대한 설명을 제안했습니다. 개별 에이전트 보고서는 유전자를 세포 효과, 출판물, 후보 메커니즘에 매핑하는 추론 아틀라스로 결합되었습니다.

발표에 따르면, 에이전트는 이전 인간 분석의 발견을 재현하면서 추가적인 단서를 표면화했으며, 그들의 참신성과 과학적 가치 평가는 맹검 인간 전문가의 판단과 일치했습니다. 명시된 목적은 우선순위 지정입니다: 연구자가 어떤 후속 실험을 실행할 가치가 있는지 결정하는 데 도움을 주는 것입니다.

단일 에이전트 대 분산 에이전트 비교

발표의 핵심 정량적 주장은 많은 에이전트에 작업을 분산하는 것이 단일 에이전트에게 전체 데이터 세트를 제공하는 것보다 실질적으로 더 나은 문헌 범위를 생성한다는 것입니다.

모델과 리소스를 고정한 상태에서 팀은 작업량이 증가함에 따라 단일 에이전트가 문헌을 덜 검색하고 가장 큰 작업량에서 11개의 참고 문헌만 인용한 반면, 분산 에이전트는 700개 이상의 참고 문헌을 인용했다고 보고합니다. 맹검 비교에서 인간 전문가는 분산 에이전트 보고서를 단일 에이전트 보고서보다 75% 선호했습니다.

명시된 근거는 과학자들이 시간이 제한되어 데이터의 가장 강력한 신호에 집중하는 경향이 있는 반면, 병렬 에이전트는 미묘하거나 예상치 못한 반응을 포함한 더 넓은 범위의 반응을 검토하고 이를 관련 문헌과 연결할 수 있다는 것입니다.

에이전트가 표면화한 두 가지 생물학적 단서

소뇌에서의 Tsc1 대 Tsc2

Tsc1과 Tsc2는 세포 성장, 대사, 노화의 주요 조절자인 mTOR를 제어하기 위해 함께 작동합니다. 에이전트는 두 유전자 중 하나를 교란하는 것이 여러 뉴런 그룹에서 유사한 효과를 나타냈지만, 소뇌에서는 두 유전자가 갈라지는 것을 발견했습니다: Tsc2 교란은 신경 통신에 관여하는 수십 개의 유전자 활동을 변경한 반면, Tsc1 교란은 거의 변화를 일으키지 않았습니다.

발표는 이 차이가 인간 질병과 관련이 있을 수 있다고 주장합니다. 결절성 경화증 환자에서 소뇌 이상은 TSC2 돌연변이와 강하게 연관되어 있기 때문입니다. mTOR 활동을 줄이는 약물은 특정 뇌종양과 발작을 치료할 수 있지만, 질병과 관련된 학습 및 행동 어려움은 해결하기 어려운 상태로 남아 있습니다. 에이전트의 기여는 어떤 뉴런 그룹과 세포 변화를 조사할지에 대한 더 구체적인 질문 세트입니다.

DCTN1과 콜레스테롤 조절

DCTN1은 파킨슨 유사 증상을 보이는 신경퇴행성 질환인 페리 증후군을 유발하는 돌연변이를 가진 유전자이며, 뉴런 내부에서 화물을 이동시키는 데 관여합니다. 전뇌 CRISPR 아틀라스에서 Dctn1 교란은 콜레스테롤 생성에 관여하는 유전자의 발현을 증가시켰습니다. 에이전트는 이 관찰을 콜레스테롤 수송 문제가 세포가 더 많은 콜레스테롤을 만들게 할 수 있다는 연구와 연결했습니다.

이는 테스트 가능한 가설을 생성했습니다: DCTN1 교란이 뉴런 내 콜레스테롤 분포를 변경할 수 있고, 이러한 변화가 신경퇴행에 기여할 수 있을까요? 발표에 따르면 인간 전문가도 이 가설을 새롭고, 중요하며, 후속 조치할 가치가 있다고 간주했습니다.

추론 아틀라스와 데이터 세트의 위치

추론 아틀라스는 github.com/jinlabneurogenomics/distributed_agent에서 제공되며, 발표에 따르면 과학자들이 관련 유전자를 비교하고, 예상치 못한 반응을 조사하고, 추구할 단서를 식별할 수 있습니다. 기본 전뇌 CRISPR 아틀라스 데이터 세트는 Hugging Face의 perturbai/wholebrain_crispr_atlas에 게시되어 있습니다.

Hacker News 반응: 단서는 병목이 아니다

Hacker News 토론에서 지배적인 비판은 가설 생성이 약물 개발에서 결코 제한 단계가 아니었기 때문에 더 빠른 가설 생성기가 치료까지의 시간표를 바꾸지 않는다는 것입니다.

"문제는 단서를 생성하는 것이 결코 아니었습니다. 병목은 검증된 결과입니다. 효능을 증명하는 임상 시험을 수행하는 것입니다. 그리고 이것이 AI가 가장 큰 영향을 미칠 곳입니다—-과학자가 연구 복잡성과 규제 부담을 탐색하도록 돕는 것입니다" — @jostmey

같은 주장의 더 긴 버전은 @mdevere에서 나왔는데, 임상 과학은 이미 "타당한 '잠재적 단서'로 넘쳐나며" AI 약물 발견 회사는 일반적으로 다른 사람들과 동일한 시간표, 비용, 역사적 성공 확률에 따라 약물 개발자가 될 수밖에 없다고 지적했습니다. 그 댓글 작성자는 또한 이 작업이 독점 데이터 이점이 없고 기본 모델이 비정상적으로 통찰력 있는 발견을 생성할 이유에 대한 명확한 설명이 없다고 주장했습니다.

구체적인 반대: DCTN1은 이미 알려져 있었다

여러 댓글 작성자는 DCTN1 예의 참신성에 도전하며, 이 유전자의 파킨슨 유사 상태와의 연관성이 표준 참조 리소스에 이미 문서화되어 있다고 주장했습니다.

"Genecards에서 DCTN1을 조회하면, 알려진 유전자-기능 관계를 정리하는 인기 사이트인데, 이미 파킨슨 유사 상태와 연관된 것으로 알려져 있습니다" — @pcrh

@kidel001은 경쟁 메커니즘을 제기하며, DCTN1이 또한 오토파고솜을 리소좀으로 보내 폐기물 분해를 유도하며, 폐기물 분해 장애와 단백질 축적도 그럴듯하게 신경퇴행을 유발할 수 있다고 언급했습니다. 댓글 작성자의 더 넓은 요점은 이런 종류의 가설은 저렴하다는 것입니다:

"박사 과정 학생들은 매시간 비슷한 가설을 생각해냅니다. 가설은 저렴합니다."

방법론 및 프레이밍 비판

@anthuswilliams는 보도 자료가 기반 논문을 잘못 표현하고 있으며, 핵심 발견을 명백한 것으로 규정했다고 주장했습니다: 1,946개의 에이전트에 분석을 분산하는 것은 순차 처리보다 빠르고 철저하며, 둘 다 수동으로 하는 것보다 빠릅니다. 그 댓글 작성자는 링크된 논문 자체가 발표보다 더 나은 인상을 남긴다고 덧붙였습니다.

@Metacelsus는 효율성에 의문을 제기하며, 이 설정을 라이브러리의 각 유전자에 대해 하나의 에이전트가 시작되는 perturb-seq 실험으로 설명하고, 목표가 수백만 달러의 API 크레딧을 지출하는 것인지 물었습니다. @Otterly99는 논문의 밀도 높은 그림과 불분명한 명시된 목표로 인해 기술 시연 외에는 읽기 어렵다고 말하면서, 도구가 실제 문제에 적용되기를 희망했습니다.

@suddenlybananas는 인간 선호도 차트의 부각에 반대하며, 왜 질병 결과보다 전문가가 분산 에이전트 보고서를 단일 에이전트 보고서보다 선호하는지에 너무 많은 공간을 할애했는지 물었습니다.

AI-과학 발표에 대한 더 넓은 회의론

스레드에서 반복되는 주제는 이 발표가 생물학뿐만 아니라 AI 산업의 궤적에 대한 신호로 읽히고 있다는 것입니다.

"생물학의 세계로 가면 '필즈상 수준의 것을 증명했다'에서 '유망한 단서'로 바뀌는 것을 주목하세요. 여전히 훌륭하지만, 더 응용된 주제에서 순수 사고의 한계를 말해줍니다. 오늘 자동 암 치료는 없습니다." — @shearerp

@SimianSci는 이 발표가 "반쯤 구워진" 것처럼 보인다고 설명하며, 냉각되는 과대광고 속에서 모멘텀을 유지하려는 연구실 때문이라고 돌렸습니다. @crmd는 이해관계를 평가와 연결하며, 시장이 최첨단 AI가 소프트웨어 엔지니어링을 교란한 속도로 다른 산업을 교란하지 않을 것이라고 결론 내리면 거품이 터진다고 주장했습니다. @vatsachak은 프레이밍 자체에 반대하며, LLM이 세계를 바꾸는 힘이 아니라 코딩 도구로 마케팅되어야 하고, 그런 어조 후에 "새로운 단서"는 평평하게 읽힌다고 주장했습니다. @anfogoat는 더 직설적이었습니다: "실제 사람을 위한 실제 질병을 치료할 때까지, 제발 입 다물어 주세요."

모든 댓글이 경시하는 것은 아니었습니다. @RomanPushkin은 AI가 인간의 일자리를 대체하더라도 모두에게 도움이 되는 근본적인 발견을 생산한다면 용서할 것이라고 썼습니다. @dsign은 결과를 "나쁘지 않지만, 획기적이지는 않다"고 부르며, 질병 생물학에서 한 단계 더 큰 진전을 위해 완전 자동화된 실험실이 다음 단계라고 예측했습니다.

이 결과를 더 강하게 만들려면 무엇이 필요할까

발표 자체는 이 작업을 증명이 아닌 우선순위 지정으로 규정합니다: 에이전트는 메커니즘을 제안하고, 이를 테스트하려면 추가 실험이 필요합니다. 발표와 비평가 사이의 간극은 주로 그 프레이밍의 가치에 관한 것입니다. 팀의 측정 가능한 주장은 좁고 확인 가능합니다 — 32분의 컴퓨팅, 분산 에이전트가 인용한 700개 이상의 참고 문헌 대 단일 에이전트의 11개, 맹검 비교에서 75%의 전문가 선호도, 공개 아틀라스. 이러한 숫자가 치료로 이어지는지 여부는 댓글 작성자들이 반복적으로 실제 병목으로 지적한 임상 검증 파이프라인에 달려 있습니다.