[논문 리뷰] Accelerating drug discovery with Artificial: a whole-lab orchestration and scheduling system for self-driving labs

Yao Fehlis, P. Mandel외 3명|ArXiv.org|2025. 04. 01.

Scientific Computing and Data Management인용 수 3

한 줄 요약

이 논문은 Artificial, 전체 랩 오케스트레이션 및 스케줄링 플랫폼으로서 랩 운영을 통합하고 워크플로를 자동화하며 AI 모델(NVIDIA BioNeMo 등)을 통합하여 건식 및 습식 랩에서 AI-가이드 약물 발견을 가속화합니다.

ABSTRACT

Self-driving labs are transforming drug discovery by enabling automated, AI-guided experimentation, but they face challenges in orchestrating complex workflows, integrating diverse instruments and AI models, and managing data efficiently. Artificial addresses these issues with a comprehensive orchestration and scheduling system that unifies lab operations, automates workflows, and integrates AI-driven decision-making. By incorporating AI/ML models like NVIDIA BioNeMo - which facilitates molecular interaction prediction and biomolecular analysis - Artificial enhances drug discovery and accelerates data-driven research. Through real-time coordination of instruments, robots, and personnel, the platform streamlines experiments, enhances reproducibility, and advances drug discovery.

연구 동기 및 목표

• 약물 발견의 높은 비용, 긴 일정, 데이터 단편화를 해결하기 위한 자가주행 연구실의 사용을 동기 부여한다.
• 워크플로를 오케스트레이션하고, 기기 및 인력을 조정하며, 데이터를 효율적으로 관리하는 통합 플랫폼을 제안한다.
• 자동화된 실험실 워크플로우 내에서 AI 주도 의사결정(BioNeMo 모델 등)의 통합을 시연한다.
• AI 모델 배포 및 자원 최적화를 검증하기 위한 건식 랩 가상 스크리닝의 개념 증명 사례 연구를 선보인다.
• 클라우드와 온프레미스 환경 전반에 걸친 확장 가능하고 안전한 랩 자동화를 가능하게 하는 엔드-투-엔드 아키텍처를 강조한다.

제안 방법

• Web Apps, Services, Lab API, 및 Adapters/Protocols의 4계층으로 이루어진 Artificial 스택을 설명한다.
• 휴리스틱 및 배치(batching)를 사용하여 워크플로우를 계획, 실행 및 최적화하는 오케스트레이션 및 스케줄링 엔진을 설명한다.
• 실시간 모니터링을 위한 데이터 레코드 및 디지털 트윈 시각화를 통해 데이터 관리의 상세를 설명한다.
• LabGateway를 통한 NVIDIA BioNeMo NIM 마이크로서비스의 통합을 안전한 온프레미스 또는 클라우드 배포로 시연한다.
• SARS-CoV-2 메인 프로테이스를 타깃으로 한 자가주행 가상 스크리닝에 대한 PoC 워크플로를 제시하고, 반복적인 AI 주도 사이클과 성능 기준을 포함한다.
• 플랫폼이 LIMS/ELN과 연결되고, 클라우드(EKS/AKS) 또는 로컬(MicroK8s) 환경에서 안전하고 확장 가능한 배포를 지원하는 방법을 제시한다.

실험 결과

연구 질문

• RQ1 전체 랩 오케스트레이션 플랫폼이 lab operations, AI 모델, data를 재현 가능한 워크플로로 어떻게 통합할 수 있는가?
• RQ2 AI 주도 의사결정이 자동 가상 스크리닝 및 습식 랩 워크플로에 효과적으로 통합되어 약물 발견을 가속화할 수 있는가?
• RQ3 스케일러블하고 안전하며 상호 운용 가능한 자가주행 랩을 가능하게 하는 웹 앱, 서비스, 랩 API, 어댑터의 아키텍처 패턴은 무엇인가?
• RQ4 BioNeMo와 같은 AI 모델을 오케스트레이션된 랩 환경에 배포하는 데 따른 실용적 이점과 한계는 무엇인가?
• RQ5 건식 랩 가상 스크리닝 및 AI 모델 통합을 포함하는 개념 증명 사례 연구에서 시스템은 어떤 성능을 보이는가?

주요 결과

• Artificial은 자동화된, AI 주도 의사결정 및 기구, 로봇, 인력의 실시간 조정을 가능하게 한다.
• PoC는 Artificial 내 BioNeMo NIM 마이크로서비스의 통합을 시연하여 자가주행 가상 스크리닝을 가능하게 한다.
• SARS-CoV-2 메인 프로테이스 사용 사례에서 세 차례의 반복적 자가주행 사이클이 미리 정의된 기준을 달성했다(-1.4 million의 결합 친화도 임계값 및 최소 열 개의 성공 분자).
• 아키텍처는 안전한 데이터 교환, 불변 데이터 레코드, 그리고 AI 모델의 훈련 또는 미세 조정을 위한 원활한 데이터 접근을 지원한다.
• 이 플랫폼은 클라우드 및 온프레미스 환경에서의 배포를 위해 설계되었으며, Digital Twin과 연구실 전반의 오케스트레이션을 활용해 재현성과 처리량을 향상시킨다.