Biomni 연구 AI: 희귀질환 진단 110분을 3분으로 줄인 스탠퍼드 생물의학 에이전트

핵심 메시지

• 스탠퍼드 연구진이 공개한 생물의학 AI 에이전트 Biomni는 유전체 분석, 세포 분류, 단백질 설계처럼 원래 여러 전문가가 나눠 맡던 일을 혼자 처리했다.
• 희귀질환 진단은 전문가 기준 110분이 걸리던 작업을 3분으로, 원인 유전자 탐색은 유전자당 90분을 4분으로 단축했다.
• 핵심은 정해진 순서대로 기능을 호출하는 방식이 아니라, 문제를 보고 그때그때 파이썬 코드를 직접 짜서 실행하고 결과를 보며 계획을 고쳐 나가는 설계다.
• 열 가지 대표 과제 443문항 평가에서 평균 정확도 57%로, 일반 언어모델(30%)과 코딩 특화 AI(43%)를 앞섰다.
• 연구팀의 결론은 대체가 아니라 증강이다. 반복적이고 노동집약적인 분석을 AI가 맡고 사람은 질문과 실험 설계에 집중하자는 것이다.

쉽게 이해하기

생물학 연구는 생각보다 잘게 쪼개져 있다. 유전학, 약리학, 세포 분석을 담당하는 사람이 따로 있고 분야마다 쓰는 도구와 데이터베이스, 분석 절차가 전혀 다르다. 좋은 아이디어가 떠올라도 여러 분야의 전문 도구를 엮어 실제로 분석해 보는 일 자체가 큰 부담이었다.

지금까지 나온 과학용 AI 대부분도 한 분야에만 능했다. 약물 분석을 잘하는 AI, 세포 데이터를 잘 정리하는 AI 같은 식이다. 범위를 넓히려는 순간 모든 분야의 전문 도구를 다뤄야 한다는 벽에 부딪혔다. 스탠퍼드 연구팀은 여기서 "정해진 대본 없이 25개 분야를 넘나들며 스스로 연구를 설계하고 실행하는 AI 하나를 만들 수 있는가"라는 질문을 던졌다.

연구팀은 먼저 작업 환경을 만들었다. 25개 분야에서 최근 논문 100편씩, 모두 2,500편을 훑어 실제 연구에 쓰인 도구와 데이터베이스, 분석 절차를 뽑아내고 사람이 하나씩 검증했다. 그렇게 병리학, 유전학, 약리학, 미생물학 등의 전문 도구 150종과 소프트웨어 105종, 대규모 데이터베이스가 한자리에 모였다.

도구가 많다고 되는 일은 아니었다. 이 AI는 미리 정해진 함수를 순서대로 부르는 대신 문제를 보고 그 자리에서 파이썬 코드를 작성해 실행한다. 반복문을 돌리고 조건에 따라 갈라지며 여러 도구를 자유롭게 쓰다가, 실행 결과를 보고 스스로 계획을 수정한다.

성적표도 구체적이다. 열 가지 대표 과제에 걸친 443문항 평가에서 평균 정확도 57%를 기록해 일반 언어모델 30%, 치료 특화 AI 25%, 코딩 특화 AI 43%를 앞섰다. 같은 방식을 최신 모델 여러 개에 적용했을 때 성능이 전반적으로 올라간 점은, 특정 모델이 아니라 설계 자체의 힘이라는 근거로 제시됐다.

실험실 밖에서도 쓰였다. 코로나19 기간 참가자 1,000명의 웨어러블 기록을 분석해 노화·건강 관련 지표를 뽑았고, 단백질을 더 안정적으로 만들어 달라는 요청에는 구조 예측과 논문 검색을 결합해 원래 서열의 98%를 유지하면서 안정성을 높였다. 유전자 클로닝에서는 실험 프로토콜을 직접 설계해 실제로 성공했다.

주요 인사이트

• 이 사례의 핵심은 모델 성능 경쟁이 아니라 "도구 모음 + 코드 실행 + 자기 수정"이라는 에이전트 설계다. 같은 방식을 여러 모델에 적용했을 때 공통으로 성능이 올랐다는 점이 이를 뒷받침한다.
• 시간 단축 폭이 분야마다 다르다는 점도 눈여겨볼 만하다. 희귀질환 진단은 110분에서 3분, 유전자 분석은 90분에서 4분으로 줄었지만 단일세포 데이터 분석은 두 시간 반에서 75분으로 줄어드는 데 그쳤다.
• 평균 정확도 57%는 다른 AI보다 앞서지만 사람 전문가를 전면 대체할 수준은 아니다. 잘하는 과제와 약한 과제가 갈린다는 점을 연구팀도 분명히 했다.
• 강력한 도구일수록 오남용 위험이 따른다. 연구팀은 생명 안보 문제를 신중하게 다뤄야 한다는 단서를 함께 달았다.
• 작은 오픈소스 모델도 강화학습으로 점수를 크게 끌어올려 훨씬 큰 상용 모델을 넘어선 사례가 나왔다. 규모만이 답은 아니라는 신호다.

자주 묻는 질문

관련 AI 소식