[논문 리뷰] Robin: A multi-agent system for automating scientific discovery

Ali Ghareeb, Benjamin Chang외 8명|ArXiv.org|2025. 05. 19.

Machine Learning in Bioinformatics인용 수 4

한 줄 요약

Robin은 가설 생성, 실험 설계, 데이터 분석 및 가설 정제를 자동화하여 AI 보조 약물 발견을 이끄는 다중 에이전트 AI 시스템이며, ripasudil을 잠재적 건성 황반변성(dry AMD) 치료제로 식별하고 ABCA1 관련 메커니즘을 밝힌 것으로 시연되었습니다.

ABSTRACT

Scientific discovery is driven by the iterative process of background research, hypothesis generation, experimentation, and data analysis. Despite recent advancements in applying artificial intelligence to scientific discovery, no system has yet automated all of these stages in a single workflow. Here, we introduce Robin, the first multi-agent system capable of fully automating the key intellectual steps of the scientific process. By integrating literature search agents with data analysis agents, Robin can generate hypotheses, propose experiments, interpret experimental results, and generate updated hypotheses, achieving a semi-autonomous approach to scientific discovery. By applying this system, we were able to identify a novel treatment for dry age-related macular degeneration (dAMD), the major cause of blindness in the developed world. Robin proposed enhancing retinal pigment epithelium phagocytosis as a therapeutic strategy, and identified and validated a promising therapeutic candidate, ripasudil. Ripasudil is a clinically-used rho kinase (ROCK) inhibitor that has never previously been proposed for treating dAMD. To elucidate the mechanism of ripasudil-induced upregulation of phagocytosis, Robin then proposed and analyzed a follow-up RNA-seq experiment, which revealed upregulation of ABCA1, a critical lipid efflux pump and possible novel target. All hypotheses, experimental plans, data analyses, and data figures in the main text of this report were produced by Robin. As the first AI system to autonomously discover and validate a novel therapeutic candidate within an iterative lab-in-the-loop framework, Robin establishes a new paradigm for AI-driven scientific discovery.

연구 동기 및 목표

• 문헌 마이닝에서 실험 데이터 해석에 이르는 과학적 발견의 전체 사이클 자동화.
• 실험실-루프 라인에서의 자율 실험 계획과 가설 생성의 통합.
• 표적 질환에 대한 새로운 치료 후보를 식별하고 시험관 내 실험 및 분석으로 검증.
• AI 주도 데이터 분석을 통해 기전 인사이트 및 잠재적 분자 타깃을 밝힘.

제안 방법

• 문헌 검색 에이전트(Crow and Falcon)와 데이터 분석 에이전트(Finch)를 통합한 다중 에이전트 아키텍처.
• 문헌 종합과 LLM 기반 판단자에 의한 후보 가설의 순위 매김으로 주도되는 가설 생성.
• 문헌 검토에 의해 안내되는 in vitro 질병 모델 및 대응하는 분석법의 자동 선택.
• 연구자에 의한 실험 실행 후 Finch를 통한 자율 데이터 분석 및 다중 분석 경로와 컨센서스 메타 분석.
• 전사체 분석(RNA-seq)과 유세포분석(Flow cytometry)을 통해 각각 전사 변화와 탐식(Phagocytosis) 결과를 특징화.
• 결과가 다음 라운드의 가설 및 실험 계획을 업데이트하는 반복적인 랩 인 루프 워크플로우.

실험 결과

연구 질문

• RQ1 Robin이 문헌에서 질병 관련 치료 가설을 자율적으로 생성할 수 있는가?
• RQ2 Robin이 이러한 가설을 테스트하고 결과를 바탕으로 가설을 정제하기 위한 실험을 설계하고 해석할 수 있는가?
• RQ3 AI 주도 분석에서 어떤 분자 기전이나 타깃이 도출되는가?
• RQ4 시스템이 기전적 근거가 우수한 신규 치료 후보를 식별하고 검증할 수 있는가?
• RQ5 AI 주도 순위/판단이 유망한 가설을 선정하는 데 있어 인간 전문가의 판단과 얼마나 잘 일치하는가?

주요 결과

• Robin은 건성 AMD에 대한 10개의 질환 기전과 해당하는 in vitro 모델을 제시하기 위해 151편의 논문을 식별했습니다.
• Robin은 RPE 탐식 작용을 증가시키는 화합물의 실험 검증을 제안했고 탐식 분석을 위한 30개의 후보 약물을 생성했습니다.
• ROCK 억제제인 Ripasudil은 Y-27632를 능가했고 탐식 분석에서 DMSO 대조군에 비해 탐식이 약 7.5배 증가했습니다.
• RNA-seq 분석은 ROCK 억제제 처리된 RPE 세포에서 ABCA1의 상향 조절을 나타내어 탐식 강화와 지질 수송 경로를 연결했습니다.
• Robin의 반복 루프는 actin 재구성 및 자가포식 경로와 같은 기전적 통찰을 생성하고 검증하도록 가설을 다듬었습니다.
• Finch의 자동 분석과 인간 분석이 일치하는 결과를 보였으며 데이터 해석의 시스템 신뢰성을 뒷받침했습니다.