OpenAI는 10월 21일에 병렬로 실행되는 1,946개의 GPT-Rosalind 에이전트가 수백만 개의 마우스 뇌 세포의 기존 데이터를 32분 만에 분석했다고 발표했습니다. 팀에서는 인간 연구 그룹이 수동 분석 및 문헌 검토를 통해 완료하는 데 수개월에서 1년이 걸릴 것으로 추정합니다.
약물 발견 회사인 PerturbAI 및 Scripps Research와 함께 실시한 시연은 bioRxiv 사전 인쇄에 설명되어 있으며 팀이 "분산 생물학적 추론"이라고 부르는 전체 뇌 CRISPR 아틀라스에 적용합니다. 이 데이터 세트는 개별 유전자를 파괴하는 것이 뇌 세포 전체에서 유전자 발현을 어떻게 변경하는지 목록화하는 데이터 세트입니다. 이 이야기에 대한 자세한 내용은 AI 뉴스를 참조하세요.
분산 생물학적 추론의 작동 방식
CRISPR 교란 실험을 통해 연구자들은 유전자를 끄고 그에 따른 세포 변화를 측정할 수 있지만 단일 실험실에서 심층적으로 조사할 수 있는 것보다 더 많은 관찰을 생성할 수 있습니다. 이러한 병목 현상이 바로 연구자들이 세포 지도책을 공개적으로 공유하는 이유입니다. 이 접근 방식을 공동 개발한 약물 발견 회사인 PerturbAI와 Scripps Research는 협력을 위한 과학적 프레임과 도메인 검토를 제공했습니다.
사전 인쇄에 설명된 소프트웨어는 각 유전자 파괴를 독립적인 AI 에이전트에 할당합니다. 각 에이전트는 할당된 유전자와 관련된 세포 변화를 조사하고, 과학 문헌을 검색하고, 발견한 내용에 대한 설명을 제안합니다. 그런 다음 조정 계층은 상담원의 보고서를 결합하고, 전체 데이터 세트에서 연결을 식별하고, 사람의 후속 조치를 위한 가장 유망한 아이디어의 순위를 매깁니다.
OpenAI의 발표에서 케임브리지 대학교 줄기세포 의학 학과장이자 Human Cell Atlas 창립 공동 의장인 Sarah Teichmann은 "우리는 다른 과학자들이 우리가 아직 상상하지 못한 발견을 할 수 있도록 세포 지도책을 만듭니다."라고 말했습니다. "AI는 더 많은 연구자가 이러한 리소스를 탐색하고 예상치 못한 관찰을 테스트할 새로운 질문으로 바꾸는 데 도움이 될 수 있습니다."
숫자: 참고 문헌의 711배, 발견 항목 55개 중 48개 복구됨
에이전트 1명과 거의 2,000명 사이의 규모 차이는 극명합니다. 동일한 모델, 프롬프트, 도구 및 데이터 액세스를 사용한 비교에서 단일 에이전트 실행은 최대 작업 부하에서 평균 약 11개의 문헌 참조를 유지한 반면, 분산 시스템은 7,586개의 참조를 유지했습니다. 프로젝트의 공개 데이터에 따르면 이는 약 711배입니다.
요원들은 또한 원래의 과학에 대해서도 잘 버텼습니다. 그들은 아틀라스 연구의 원고에 접근하지 않고 작업하면서 에이전트가 받은 데이터에서 도출할 수 있는 원래 연구의 55개 결과 중 48개를 일치시키거나 개선했습니다.
품질을 평가하기 위해 팀은 맹검 검토를 위해 30명의 박사급 생물학자를 모집했습니다. 그들의 평가는 가장 유망한 연구 리드에 대한 에이전트의 순위를 광범위하게 뒷받침했습니다.
DCTN1 콜레스테롤의 선두
한 가지 발견은 시스템이 표면화하려는 가설의 종류를 보여줍니다. 신경변성과 관련된 유전자인 DCTN1을 방해하면 콜레스테롤 생산과 관련된 유전자의 활동이 증가합니다. 단일 제제 기준에서는 뉴런 내에서 콜레스테롤을 운반하는 데 문제가 있으면 세포가 더 많은 콜레스테롤을 생산하여 보상하도록 유도할 수 있다고 제안했습니다.
3명의 맹검 검토자는 5점 만점에 4.3점의 평균 후속 조치 우선 순위 점수를 주었습니다. 이 연구의 저자는 아니지만 UC San Francisco의 신경외과 부교수인 Tomasz Nowakowski는 OpenAI의 발표에서 이 발견이 학문 전반에 걸쳐 관찰을 연결하는 것이 중요한 이유를 보여준다고 말했습니다.
약속과 주의사항
이번 발표는 OpenAI의 생명과학 추진이 급속히 추진되는 가운데 이루어졌습니다. 올해 초 선보인 GPT-로잘린드(GPT-Rosalind)는 생물학적 추론과 과학적 도구 사용을 결합하고 유전체학, 단백질 분석, 표적 연구, 의약화학, 실험 계획 등을 포괄하는 문서화된 애플리케이션을 결합한 생명과학 연구에 특화된 모델이다. 이 회사는 또한 과학적 작업 흐름을 위한 Rosalind Workbench와 Codex의 생명 과학 연구 플러그인을 출시했으며, 6월에는 시스템이 발견을 독립적으로 검증하거나 실험적 검증을 대체할 수 있다는 것을 증명하는 대신 연구 지원을 측정한다고 평가하는 LifeSciBench를 도입했습니다. 이는 현재 발표에도 적용됩니다.
중요한 주의 사항이 남아 있습니다. 32분과 연간 비교는 측정된 등가물이 아니라 유전자 파괴당 15분, 논문 읽기당 10분이라는 가정을 바탕으로 구축된 예시적인 추정치입니다. 이 작업은 개념 증명입니다. AI는 검증된 발견이 아니라 인간이 테스트할 수 있는 가설을 제시했으며, 단서 중 어느 것도 실험적으로 확인되지 않았습니다. 인간 분석가와의 속도 비교도 마찬가지로 직접 대결보다는 팀의 예시적인 시간 가정에 달려 있으며, 전문 검토자는 에이전트의 보고서를 인간 연구팀과 경쟁하기보다는 등급을 매겼습니다. 벤치마크 스타일 비교의 독립적인 복제는 아직 발생하지 않았습니다.
그럼에도 불구하고 이 시연은 생물학에 대한 그럴듯한 미래의 작업 흐름을 개략적으로 보여줍니다. 즉, 전문 에이전트 떼에 의해 끝없이 다시 채굴되는 공개 데이터 세트와 인간 과학자들이 기계의 최고 순위를 테스트하고 개선하는 데 시간을 소비하는 것입니다. 이러한 순위가 실험실에서 일관되게 유지되는지 여부에 따라 분산 AI 추론이 생명 과학의 표준 장비가 될지 여부가 결정됩니다.
출처 참고: 이 기사의 세부 정보는 OpenAI의 2026년 10월 21일 발표 및 기본 bioRxiv 사전 인쇄(Sun et al., 2026)를 포함하여 R&D World의 보도에서 발췌되었습니다.---
AI 최신 소식최신 AI 뉴스, 분석 및 혁신을 한 곳에서 확인하세요.
AI 뉴스 더 보기 →
