OpenAI GPT-Rosalind와 대규모 데이터 분석을 위한 분산형 생물학적 추론

분산형 AI 에이전트를 통한 생물학적 발견의 확장

OpenAI는 PerturbAI 및 Scripps Research와 협력하여 GPT-Rosalind 기반의 수천 개 AI 에이전트를 활용한 새로운 생물학적 데이터 분석 접근 방식을 선보였습니다. 이 시스템은 수백만 개의 생쥐 뇌 세포 데이터를 32분 만에 성공적으로 분석했는데, 이는 인간 연구자가 수개월에서 최대 1년까지 걸릴 것으로 예상되는 작업입니다. 에이전트들은 작업 부하를 분산함으로써 유전자 파괴 데이터와 기존 과학 문헌을 연결하여 알츠하이머병 및 파킨슨병과 같은 질병에 대한 새로운 생물학적 메커니즘과 잠재적인 연구 방향을 식별할 수 있었습니다.

분산형 생물학적 추론 접근 방식

이 연구는 생쥐 뇌의 다양한 세포 유형에 유전자 파괴가 어떤 영향을 미치는지 매핑하는 전뇌 CRISPR 아틀라스를 처리하기 위해 "분산형 생물학적 추론" 프레임워크를 활용했습니다. 이 과정은 다음과 같이 작동합니다:

• 작업 분할: 분석 작업이 수천 개의 독립적인 AI 에이전트 간에 분할됩니다.
• 조사: 각 에이전트는 특정 유전자 파괴에 집중하여 그에 따른 세포 반응을 분석하고 과학 문헌을 대상으로 타겟 검색을 수행합니다.
• 합성: 에이전트는 유전자, 세포 효과, 관련 출판물 및 제안된 생물학적 메커니즘을 연결하는 보고서를 생성합니다.
• 추론 아틀라스: 이러한 개별 보고서들은 연구자들에게 발견 사항에 대한 구조화된 개요를 제공하는 포괄적인 아틀라스로 편집됩니다.

성능 및 확장성 이점

테스트 결과, 작업 부하를 많은 에이전트에 분산하는 것이 단일 에이전트 방식보다 훨씬 뛰어난 성능을 보이는 것으로 나타났습니다. 작업 부하가 확장될 때 단일 에이전트의 성능은 저하되어 11개의 참고 문헌만 인용하는 데 그쳤습니다. 반면, 분산형 시스템은 동일한 데이터셋에 대해 700개 이상의 참고 문헌을 인용하며 깊이와 폭을 유지했습니다. 블라인드 평가에서 인간 전문가들은 분산형 에이전트 시스템이 제공한 해석을 75%의 비율로 선호했으며, 에이전트들이 시간 제약으로 인해 인간 연구자가 간과할 수 있는 미묘하거나 예상치 못한 신호를 효과적으로 식별했다고 평가했습니다.

새로운 연구 단서 식별

이 시스템은 이미 신경퇴행성 질환에 대한 실행 가능한 통찰력을 생성했습니다:

• Tsc1 및 Tsc2 분석: 에이전트들은 이 두 유전자가 소뇌에 영향을 미치는 방식의 뚜렷한 차이를 식별하여 결절성 경화증을 연구하는 연구자들에게 새로운 질문을 제시했습니다.
• 콜레스테롤 및 신경퇴행: 에이전트들은 DCTN1 유전자 파괴 데이터와 콜레스테롤 수송에 관한 문헌을 연결하여 콜레스테롤 대사와 페리 증후군을 연결하는 가설을 제안했습니다. 인간 전문가들은 이를 향후 실험적 테스트를 위한 새롭고 중요한 단서로 검증했습니다.

향후 연구에 대한 시사점

이 방법론은 과학자들이 대규모 실험 데이터를 다루는 방식을 변화시킵니다. 연구자들은 가장 강력하고 명백한 신호로만 분석을 제한하는 대신, 이제 AI를 활용하여 더 광범위한 세포 반응을 탐색할 수 있습니다. 결과물인 추론 아틀라스는 GitHub를 통해 제공되며, 과학 커뮤니티가 이러한 연결 고리를 추가로 조사할 수 있도록 합니다. 실험 데이터와 흩어진 과학적 지식 사이의 격차를 해소함으로써, 이 접근 방식은 테스트 가능한 아이디어와 잠재적인 치료적 개입의 식별을 가속화하는 것을 목표로 합니다.