생성형·에이전틱 AI가
생물학적 예측에서 검증 가능한 설계로 이동하는 과정

0. 분석 범위와 해석상 주의점

제공된 목록은 총 154편이며, 상당수는 ICML 2026 Workshop on Generative and Agentic AI for Biology에 공개된 연구다. 단백질·항체·분자 설계, 유전체, single-cell, virtual cell, agentic science, 인과추론과 안전성 연구가 함께 포함된다.

1. 정의

1.1 Generative AI for Biology

생물학적 생성형 AI는 새로운 서열이나 분자를 단순 생성하는 모델이 아니다. 생물학적 문맥, 구조적 제약, 외부 지식과 설계 목적을 조건으로 유효한 생물학 객체 또는 상태 전이를 생성하는 계산 체계다.

LeFlur는 단백질 서열과 3차원 구조를 공통 이산 토큰 공간으로 옮겨 forward folding, inverse folding, unconditional generation을 하나의 transformer로 처리한다. 이는 생성형 생물학 모델을 개별 작업별 모델 집합에서 통합 조건부 생성기로 재정의한다.

1.2 Biomolecular Foundation Model

Biomolecular foundation model은 대규모 생물학 데이터로 사전학습된 범용 표현 모델이며, 단순 encoder를 넘어 다음 능력의 여러 조합을 제공한다.

Pleiades는 methylated DNA와 unmethylated DNA를 함께 학습해 DNA foundation model을 4개 염기 문자 모델에서 세포 상태를 포함하는 epigenome model로 확장한다.

1.3 Agentic AI for Biology

Agentic AI는 LLM이 단독으로 답을 생성하는 시스템이 아니라 문헌 검색, 데이터 분석, folding, docking, 후보 선택을 수행하고 그 결과에 따라 다음 행동을 수정하는 폐루프 시스템이다. 핵심은 자율성보다 폐루프성과 검증 가능성이다.

1.4 Virtual Cell

Virtual cell은 특정 perturbation 이후 세포의 분자 상태와 표현형 변화를 계산적으로 예측한다. 2026년 연구군은 이를 평균 발현값 회귀가 아니라 세포 집단 분포, 반응 이질성, 시간 trajectory, 세포 간 상호작용과 원인 기전을 함께 다루는 시스템으로 정의한다.

2. 문제 정의

2.1 단백질 연구

단백질 연구는 sequence, structure, function을 분리하지 않고 동시에 다루는 문제로 이동한다.

기존 protein language model은 주로 p(sequence) 또는 p(function | sequence)를 학습했다. 그러나 기능은 3차원 구조, conformational ensemble, binding partner, 환경 조건에 의해 결정된다. Just Add Structure는 PLM embedding과 equivariant structural network를 결합해 단순 파라미터 확장보다 고품질 구조 표현과 생물학적 inductive bias가 더 중요할 수 있음을 제시한다.

2.2 소분자 설계

MolOpt-Eval은 frontier LLM이 2차원 구조와 단백질 fold 인식에는 비교적 강하지만 ligand–pocket 3차원 상호작용을 정확히 형성하는 능력은 제한적임을 보여준다. 화학적으로 타당한 편집 설명과 valid SMILES 생성만으로는 구조 기반 hit-to-lead 최적화가 성립하지 않는다.

2.3 Single-cell

Single-cell sequencing은 파괴적 측정이므로 동일한 세포의 perturbation 전후 상태를 동시에 관측할 수 없다. 데이터는 paired transformation이 아니라 독립 표본으로 주어진다.

동일한 perturbation에서도 microenvironment, hidden state, batch에 따라 여러 결과 분포가 가능하다. 따라서 최근 연구는 단일 평균 반응보다 p(P1 | P0, a, c), 즉 분포에 대한 분포를 모델링한다.

2.4 과학 에이전트

핵심 질문은 “LLM이 생물학을 아는가”가 아니라 제한된 정보와 실험 예산 아래에서 근거 있는 가설을 세우고, 적절한 도구를 선택하며, 언제 실행하고 언제 중단해야 하는가다.

Pertura는 prompt 경고가 아니라 workflow graph의 실행 전제조건으로 assay type, control 정의, guide annotation과 같은 핵심 PI 입력을 강제한다. 필요한 입력이 없으면 다음 단계로 진행하지 못하게 한다.

3. 핵심 개념

3.1 Sequence–Structure–Function Triad

• 하나의 서열은 여러 conformational state를 가질 수 있다.
• 유사한 구조가 서로 다른 기능을 가질 수 있다.
• 같은 기능이 여러 sequence family에서 나타날 수 있다.
• 환경과 binding partner가 구조–기능 관계를 변화시킨다.

Rethinking Self-Consistency는 단일 구조 RMSD 기반 평가가 flexible ensemble을 잘못 판정할 수 있음을 지적한다. native protein 상당수가 기존 self-consistency 기준을 통과하지 못했고, flexibility failure와 folding-model failure를 분리해야 한다고 주장한다.

3.2 Equivariance와 Geometry-Aware Modeling

회전과 이동에 대해 일관된 출력을 내는 SE(3) equivariance는 protein structure augmentation, flexible docking, molecular conformer generation, trajectory inference, protein–ligand co-folding, antibody interface design에서 핵심 inductive bias다.

3.3 Flow Matching과 Diffusion

Flow matching과 diffusion은 단백질·항체 서열, ligand–protein complex, molecular graph, PROTAC linker, 세포 발현 분포, 조직 시공간 상태, 계통수와 RNA 구조까지 넓게 적용된다.

3.4 Discrete Structure Token

구조를 이산 토큰으로 양자화하면 일반 transformer infrastructure에서 구조와 서열을 함께 모델링할 수 있다. 반면 quantization error, chirality, fine geometry 손실이 새로운 병목이 된다.

3.5 Retrieval-Augmented Biological Reasoning

생물학 RAG는 단순 hallucination 감소가 아니라 질문에 따라 필요한 annotation을 고르는 query-dependent evidence selection 문제다. ProtQueSt는 구조-aware retriever, query-conditioned contrastive retriever와 query-pooled negative sampling을 결합한다.

3.6 Mechanistic Action Graph

자유형 자연어 설명은 검증하기 어렵다. Mechanistic action graph는 각 주장과 인과적 연결을 원자 단위로 분해해 verifier가 검사할 수 있게 한다.

3.7 Closed-Loop and Lab-in-the-Loop

모델은 실험 결과를 다음 반복의 정보로 사용한다. 핵심은 exploration–exploitation 균형, feedback 활용 능력, corrupted feedback에 대한 통제 실험이다.

3.8 Synthesizability-Aware Generation

높은 score를 갖는 분자라도 합성할 수 없으면 실용 가치가 낮다. 최근 연구는 합성 가능성을 사후 점수로 추가하기보다 reaction pathway나 synthon assembly를 생성 과정 자체에 포함한다.

4. 연구 지형의 세 가지 전환

5. 동기와 배경

5.1 데이터는 크지만 완전하지 않다

• 단백질 데이터는 진화적으로 편향된다.
• PDB는 구조화가 쉬운 단백질에 편향된다.
• 신약개발 데이터에는 negative result가 부족하다.
• single-cell 데이터에는 전후 대응이 없다.
• genomic annotation은 종·조직·세포별로 불균형하다.
• 문헌은 모순되고 provenance가 분산된다.
• 실험 결과는 batch와 protocol에 강하게 의존한다.

5.2 구조와 물리는 함수의 외부 정보가 아니다

Sequence statistics만으로 3차원 상호작용, side-chain arrangement, solvent, induced fit과 flexibility를 완전히 추론하기 어렵다. “2D는 잘하지만 3D 상호작용은 실패한다”는 결과는 소분자 LLM에서도 반복된다.

5.3 실험 비용이 학습 목적함수를 바꾼다

Protein engineering, Perturb-seq, antibody design과 clinical strategy에서는 모든 후보를 실험할 수 없다. 따라서 정확도뿐 아니라 정보당 비용 효율을 최적화해야 한다.

5.4 Benchmark가 연구 방향을 결정한다

실험 검증이 비싼 분야에서는 benchmark score가 실제 progress를 대신한다. 그러나 leakage, shortcut, metric divergence가 존재하면 전체 분야가 잘못된 목표에 최적화될 수 있다. MassSpecGym 감사와 NanoFold의 sealed split은 benchmark 자체가 연구 대상임을 보여준다.

6. 핵심 도전 과제

대표적 해결 방향

7. 핵심 연구 질문

8. 접근 방법

9. 주요 응용

10. 개방 문제

11. 미래 방향

11.1 Mechanistically Grounded Generative Models

생성 결과를 구조·물리·기전·불확실성 관점에서 동시에 검증하는 architecture가 필요하다.

11.2 World Models for Cells and Biomolecules

Virtual cell은 transcriptome 예측을 넘어 multimodal state와 장기 trajectory를 모델링해야 한다.

11.3 Active and Causal Experimental Design

가장 좋아 보이는 후보보다 경쟁 기전 가설을 가장 잘 구분하는 실험을 선택해야 한다.

11.4 Hybrid Neuro-Symbolic Biology

Neural representation, ontology, pathway graph, mechanistic rule, constraint solver, causal graph와 probabilistic program을 결합한다.

11.5 Foundation Models That Model Ensembles

Allostery, disorder, flexible docking, cryptic pocket과 protein dynamics를 위해 ensemble 자체를 학습해야 한다.

11.6 Self-Evolving but Auditable Agents

Agent memory에는 validation, contradiction detection, decay, versioning, rollback이 필요하다.

11.7 Agent-Resistant Benchmarks

sealed test, rotating hidden task, contamination audit, oracle-call budget, cost accounting, trajectory logging과 reproducible sandbox를 갖춰야 한다.

11.8 Multi-Fidelity Evidence Integration

11.9 Scientific Foundation Model as Experimental Compiler

장기적으로 핵심 산출물은 자연어 답변이 아니라 재현 가능한 과학적 실행 계획과 검증 기록이 된다.

12. 가장 중요한 패러다임 전환

13. 종합 결론

생성형·에이전틱 AI for Biology의 다음 단계는 더 큰 LLM이나 더 많은 생물학 데이터만으로 결정되지 않는다. 생물학적 표현, 기하·물리 구조, 기전적 reasoning, 폐루프 실험, 감사 가능한 검증의 결합이 핵심이다.

1. 서열만으로는 부족하며 구조·annotation·세포 문맥·진화·공간 정보를 표현해야 한다.
2. 생성 모델은 validity뿐 아니라 synthesizability, specificity, developability와 robustness를 만족해야 한다.
3. Virtual cell과 biomolecular model은 단일 평균이 아니라 ensemble과 distribution을 모델링해야 한다.
4. AI scientist는 피드백 갱신, 반증 가능한 reasoning, 적절한 중단과 인간 이관으로 평가해야 한다.
5. Benchmark score가 실제 진보를 대신하지 않도록 leakage, shortcut, circularity와 OOD failure를 감사해야 한다.

주요 출처 링크

아래 링크는 이전 분석에서 핵심 근거로 사용된 워크숍 페이지와 공개 논문·프로젝트 페이지다.