[논문 리뷰] Empowering Biomedical Discovery with AI Agents

Shanghua Gao, Ada Fang외 7명|arXiv (Cornell University)|2024. 04. 03.

Scientific Computing and Data ManagementDecision Sciences인용 수 3

한 줄 요약

이 논문은 대규모 언어 모델, 기계 학습 도구, 실험 플랫폼을 통합하여 생물의학적 발견을 가속화하는 협업적이고 의심스러운 시스템으로서의 AI 에이전트를 제안한다. 지속적 학습, 가설 생성, 자율 워크플로우 실행을 가능하게 함으로써, 이러한 에이전트는 데이터 외삽을 넘어서는 새로운 과학적 통찰을 지원하며 자율 생물의학 연구로 나아간다.

ABSTRACT

We envision "AI scientists" as systems capable of skeptical learning and reasoning that empower biomedical research through collaborative agents that integrate AI models and biomedical tools with experimental platforms. Rather than taking humans out of the discovery process, biomedical AI agents combine human creativity and expertise with AI's ability to analyze large datasets, navigate hypothesis spaces, and execute repetitive tasks. AI agents are poised to be proficient in various tasks, planning discovery workflows and performing self-assessment to identify and mitigate gaps in their knowledge. These agents use large language models and generative models to feature structured memory for continual learning and use machine learning tools to incorporate scientific knowledge, biological principles, and theories. AI agents can impact areas ranging from virtual cell simulation, programmable control of phenotypes, and the design of cellular circuits to developing new therapies.

연구 동기 및 목표

• 인간의 전문 지식과 AI 능력을 융합하여 생물의학 연구에서 협업 파트너로 기능하는 AI 에이전트를 개발하는 것.
• 기존 문헌의 선형 외삽을 넘어서는 과학 원리에 기반한 새로운 비선형 가설을 생성할 수 있도록 AI 에이전트를 가능하게 하는 것.
• 지속적 학습 중 치명적인 잊힘(catastrophic forgetting) 문제를 해결하면서도 불확실성 인식 추론를 통해 신뢰를 유지하는 것.
• 실시간 피드백을 활용하여 자율적이고 폐쇄형 실험과 가설 정밀 조정을 수행할 수 있는 AI 에이전트를 설계하는 것.
• 생물학적 및 실험적 시스템과 상호작용하는 AI 에이전트의 안전하고 윤리적인 구현을 위한 프로토콜을 수립하는 것.

제안 방법

• 지속적 학습을 위한 구조화된 메모리와 추론을 제공하기 위해 대규모 언어 모델(Large Language Models, LLMs)과 생성 모델을 활용하는 것.
• 다양한 데이터 유형(텍스트, 서열, 이미지, 고차원 오미크스 데이터 등)을 처리하기 위해 다중모odal 기초 모델을 통합하는 것.
• 지각, 상호작용, 기억, 추론 모듈을 갖춘 AI 에이전트를 설계하여 자율적 문제 해결자로 기능하도록 하는 것.
• 에이전트 행동을 과학적 추론과 인간 선호도에 맞추기 위해 인간 피드백을 통한 강화 학습(RLHF)과 지시 튜닝을 구현하는 것.
• 새로운 생물학적 작업에 대해 제로샷 또는 소수의 예시로 적응할 수 있도록 인라인 학습과 소수의 예시 프롬프팅을 사용하는 것.
• 텍스트, 분자 구조, 실험 결과 등 다양한 모odal 간의 표현을 통합하기 위해 교차 모달 일치 기법을 적용하는 것.

Figure 1 : Empowering biomedical research with AI agents. AI agents pave the way for "AI scientists" capable of skeptical learning and reasoning. These multi-agent systems consist of agents based on conversable large language models (LLMs) and can coordinate machine learning (ML) tools, experimental

실험 결과

연구 질문

• RQ1 AI 에이전트는 기존 문헌의 선형 외삽을 넘어서는 새로운 생물학적 가설을 어떻게 생성할 수 있는가?
• RQ2 AI 에이전트가 과학적 발견에서 의심스러운 추론과 불확실성 관리를 수행하기 위해 필요한 아키텍처 및 훈련 구성 요소는 무엇인가?
• RQ3 AI 에이전트는 새로운 생물학적 데이터와 실험 결과로부터 지속적으로 학습하면서도 치명적인 잊힘을 피할 수 있는가?
• RQ4 AI 에이전트는 인간과 다른 에이전트와 어떻게 협업하여 복잡한 생물의학 워크플로우를 가속화할 수 있는가?
• RQ5 실험적 및 배양 세포 환경에서 AI 에이전트를 안전하고 윤리적으로 구현하기 위해 필요한 보안 조치는 무엇인가?

주요 결과

• AI 에이전트는 복잡한 생물의학 문제를 관리할 수 있는 하위 작업으로 자동 분해하고, 전문 도구를 조율하여 타겟된 해결책을 제공할 수 있다.
• LLM과 기계 학습 모델, 실험 플랫폼을 결합함으로써 AI 에이전트는 시뮬레이션 및 실제 환경에서 폐쇄형 학습과 가설 정밀 조정을 달성한다.
• 구조화된 메모리와 지속적 학습의 통합은 치명적인 잊힘 없이 과학 지식을 유지하고 업데이트할 수 있도록 한다.
• AI 에이전트는 존재하는 문헌을 초월하는 가설을 생성할 수 있는 능력을 보이며, 새로운 발견의 잠재력을 시사한다.
• 인간이 참여하는 피드백과 RLHF를 통해 에이전트의 과학적 추론과의 일치도가 향상되고 협업 연구에서 신뢰성이 증가한다.
• 이 프레임워크는 시뮬레이션 모델링, 표현형 제어, 세포 회로 설계 등 다양한 적용 분야를 지원하며 광범위한 생물의학적 관련성을 보여준다.

Figure 2 : Evolving use of data-driven models in research. Data-driven approaches, from databases and search engines, machine learning, and interactive learning models to advanced agent systems (Section 2 ), have reshaped biomedical research throughout the last several decades.