생성기에서 과학시스템으로
생성모델은 가능성을 제안하고, 에이전트는 행동을 선택하며,
실험실은 현실을 판정한다.
Generative Biology · Scientific Agents · Wet-Lab Feedback · Governance
Generative & Agentic AI for Biology
Research Atlas
ICML 2026 GenBio 워크숍의 약 151편 논문과 대표 기여발표를 바탕으로, 생물학적 생성모델, 세계모델, 과학 에이전트, 실험 폐쇄루프, 평가·안전·거버넌스를 하나의 연구 지형으로 재구성한다.
151+등록 논문
6대표 기여발표
7핵심 연구축
12통합 연구질문
00
검토 범위와 해석 원칙
워크숍 논문은 비아카이벌 성격을 포함하므로, 정량 결과는 최신 가설과 초기 증거로 해석한다.
전체 논문군
공식 프로그램과 메타데이터를 전체 검토하고 대표 논문의 공개 원문을 집중 분석한다.
주제 중심 종합
단백질, 분자, 세포, 파운데이션 모델, 과학 에이전트, 평가, 안전의 연구군으로 재구성한다.
재현성 유의
강한 성능 주장은 데이터 분할, assay protocol, 모델 버전, 실험 반복과 독립 검증이 필요하다.
01
전체 연구 지형
워크숍의 중심은 단일 생성모델보다 생성·추론·실험·검증·거버넌스가 결합된 폐쇄루프 과학시스템이다.
단백질·항체·RNAde novo designstructure-aware generationinverse folding
소분자·약물target conditioningsynthetic routemulti-property
세포·Perturbationvirtual celldistribution responsecell-state control
파운데이션 모델genome grammarprotein LMmultiscale representation
과학 에이전트hypothesistool uselab-in-the-loop
평가·재현성benchmark auditassay shiftuncertainty
안전·거버넌스provenanceaccess controldual use
과학질문→가설→생성설계→
검증기→실험→증거 메모리→재설계
02
Definition
생물학 AI를 생성모델, 에이전트, 세계모델, 파운데이션 모델, 폐쇄루프 발견체계로 정의한다.
생물학 생성형 AI
목표 기능·구조·조건을 만족하는 새로운 서열, 구조, 분자, 세포상태, 실험후보를 생성한다.
생물학적 에이전트
가설, 도구, 실험, 결과, 메모리를 연결하며 행동을 반복적으로 선택한다.
생물학 파운데이션 모델
DNA–RNA–단백질–세포–조직의 표현을 대규모 데이터에서 학습해 여러 하위태스크로 전이한다.
생물학적 세계모델
약물·유전자·환경 개입 뒤 생물학적 상태와 반응분포의 변화를 확률적으로 예측한다.
폐쇄루프 발견
설계–제작–검증–학습–재설계를 실제 실험 피드백으로 반복한다.
역설계
관측에서 기능을 예측하는 대신 원하는 기능에서 실현 가능한 설계를 역으로 탐색한다.
x ~ pθ(x | c)
Forward prediction:
x → y
Inverse design:
y* → {x1, x2, …, xk}
World model:
pθ(st+1 | st, at, et)
통합 정의
Biological Discovery AI = Generative Model + World Model + Scientific Agent + Wet-Lab Feedback + Human Governance
03
Problem Definition
생물학적 설계는 부분관측, 다중스케일, 불확실성, 높은 실험비용을 가진 확률적 역문제다.
x* = argmaxx E[U(x)]
subject to:
Cstructure(x) = 1
Cfunction(x) = 1
Csynthesis(x) = 1
Csafety(x) = 1
부분관측 역문제
전체 상태를 직접 관찰할 수 없고, 동일 개입에도 이질적인 결과가 나타난다.
예측에서 설계로
하나의 정답이 아니라 기능을 만족하는 다양한 유효해의 분포를 생성해야 한다.
점 예측에서 분포 예측으로
세포·환자·conformer ensemble을 단일 벡터가 아닌 확률측도로 다뤄야 한다.
프록시–실험 간극
Docking·property predictor 점수와 실제 실험 효용은 일치하지 않을 수 있다.
정적 모델에서 행동시스템으로
다음 실험, 예산배분, 실패학습, 도구선택을 포함하는 장기 의사결정이 필요하다.
검증기 취약성
생성기가 실제 생물학보다 예측기·시뮬레이터의 약점을 최적화할 수 있다.
04
Core Concepts
서열–구조–기능, 기하학적 동변성, 확산·플로, 분포학습, 실험설계, 도구사용, 불확실성, 출처추적이 핵심이다.
Sequence–Structure–Function Triangle
서열, 3차원 구조, 기능을 함께 모델링해야 실제 설계 타당성을 확보할 수 있다.
Geometric Equivariance
회전·이동에 대한 동변성과 불변성을 구조 생성과 docking의 귀납편향으로 사용한다.
Diffusion & Flow Matching
단백질, 분자, RNA, 세포반응 분포의 조건부 생성에 사용한다.
Biological Priors & Hard Constraints
촉매 잔기, motif, epitope, 원자가, 합성규칙을 생성과정에 삽입한다.
Distribution-Valued Learning
세포집단·환자집단·conformer ensemble을 확률측도 수준에서 학습한다.
Virtual Cell
개입 뒤 세포상태의 조건부 확률분포와 이질성을 예측한다.
Active Learning
최고점수 후보보다 정보획득 대비 비용이 높은 실험을 선택한다.
Tool-Using Scientific Agents
문헌, DB, 구조모델, docking, 통계, 코드를 조합해 추론한다.
Uncertainty & Calibration
분포외 후보와 실험 필요성을 구분하고 다음 행동에 활용한다.
Provenance & Traceability
데이터, 모델, 도구, 인간 승인, 실험결과의 연결관계를 기록한다.
05
Introduction
생물학 AI는 예측에서 생성으로, 생성에서 에이전트화로 발전한다.
예측
구조, 결합력, 변이효과, 세포유형을 예측한다.
생성
새로운 단백질·항체·RNA·분자·세포상태·실험후보를 생성한다.
에이전트화
연구질문, 검색, 도구, 실험, 결과해석, 가설수정을 하나의 루프로 연결한다.
06
Motivation and Background
데이터의 양은 증가하지만 실패 데이터, paired data, 실제 검증 데이터는 여전히 부족하다.
데이터 풍부성과 희소성의 공존
서열·구조·문헌은 풍부하지만 실패실험, negative binding, 장기독성, paired intervention data는 부족하다.
생물학의 다중 스케일성
변이는 구조, 상호작용, pathway, 세포, 조직, 표현형으로 전파된다.
모델 중심에서 발견 중심으로
Perplexity·RMSD보다 실험당 발견효율, 재현성, 발견비용이 중요하다.
실험 피드백
에이전트가 실제 실험결과를 다음 행동에 반영할 수 있는지가 핵심 평가대상이다.
평가 현실성
Split, preprocessing, candidate set, metric 차이가 생물학 벤치마크 해석을 크게 바꾼다.
과학적 자율성
모든 행동을 자동화하는 것이 아니라 위험·비용·불확실성에 따라 권한을 조정해야 한다.
07
Challenges
데이터 이질성, paired data 부족, 분포외 일반화, 인과성, hallucination, multi-scale 표현, 안전이 핵심 난제다.
| 도전과제 | 핵심 문제 | 필요한 해결 방향 |
|---|---|---|
| Batch Effect | 연구실·장비·protocol·donor 차이가 생물학 신호를 왜곡 | domain adaptation, batch-aware modeling, cross-lab validation |
| Paired Data 부족 | 동일 세포의 전후 직접 매칭 불가능 | optimal transport, measure regression, latent dynamics |
| 타당성–다양성 충돌 | 강한 제약은 다양성을 줄이고, 다양성은 무효샘플을 늘림 | 파레토 최적화, constraint scheduling |
| 분포외 일반화 | Novelty가 높을수록 predictor 신뢰도가 낮아짐 | uncertainty, verifier ensemble, real experiment |
| 상관성 vs 인과성 | 관측 상관을 intervention 효과로 오해 | causal perturbation model, counterfactual evaluation |
| Agent Hallucination | 유전자·논문·단위·species·isoform 오류 | 도구 grounding, citation, executable verification |
| Multi-Scale Representation | DNA 표현을 세포·조직 수준으로 직접 전이하기 어려움 | hierarchical latent world model |
| Benchmark Leakage | 유사서열·동일 scaffold·homolog가 split 사이에 남음 | family/scaffold/temporal/lab/patient split |
| Calibration | OOD 입력에서 과도한 자신감 | epistemic uncertainty, applicability domain |
| Biosecurity | 치료 설계와 위험 기능 설계가 동일 기술을 공유 | access control, provenance, human authorization |
08
Research Questions
핵심 연구질문은 모듈성, 세계모델, 피드백학습, 분포예측, 제약생성, 안전·출처로 수렴한다.
RQ1
생성모델과 에이전트는 경쟁관계인가, 모듈형 상보관계인가?
RQ2
어떤 생물학 문제에서 장기상태·메모리·재계획이 반드시 필요한가?
RQ3
세포·조직·개체를 연결하는 다중스케일 세계모델을 어떻게 구축할 것인가?
RQ4
에이전트가 실제 실험 피드백에서 학습했음을 어떻게 인과적으로 증명할 것인가?
RQ5
평균반응이 아니라 가능한 반응분포 전체를 어떻게 예측할 것인가?
RQ6
Soft guidance, hard constraint, rejection sampling 중 어떤 제약방식이 가장 효과적인가?
RQ7
모델 내부의 motif, splice site, regulatory grammar를 어떻게 해석할 것인가?
RQ8
높은 novelty와 높은 실험 성공률을 동시에 달성할 수 있는가?
RQ9
실패실험과 negative data를 어떻게 표준화하고 학습할 것인가?
RQ10
과학 에이전트의 평가단위는 정답률인가, 발견효율인가?
RQ11
불확실성·위험·비용에 따라 사람의 개입수준을 동적으로 조절할 수 있는가?
RQ12
모델·데이터·도구·사람·실험을 연결하는 provenance 표준을 만들 수 있는가?
09
Approaches / Methods
대표 방법론을 단백질, 분자·RNA, 세포, 에이전트, 해석·평가 기준으로 필터링해 탐색할 수 있다.
PerturbDiff
세포반응분포 위에 functional diffusion을 정의해 미관측 perturbation을 예측한다.
Lab-in-the-Loop Agents
실험 피드백이 이후 perturbation 선택을 실제로 개선하는지 대조실험으로 검증한다.
MassSpecGym in the Wild
Split, preprocessing, candidate set, metric의 현실적 사용오류를 감사한다.
Measure-to-Measure Regression
확률측도에서 확률측도로 변환하는 정적·동적 Transformer를 제안한다.
GDTR
Residual stream의 settling depth로 유전체 모델 내부 생물학 문법을 분석한다.
Proteo-R1
추론모델이 중요 잔기를 찾고 이를 hard constraint로 변환해 단백질 diffusion을 제어한다.
Latent Residual Adapter
Frozen protein LM에 소형 adapter를 삽입해 fitness 방향으로 embedding을 이동한다.
EvoStruct
진화적·구조적 사전지식을 항체 CDR 설계에 결합한다.
Active Flow Expansion
검증기 피드백으로 유효 생성 가능 집합을 분포외 영역으로 확장한다.
SYCLE
Synthon과 합성경로 정보를 분자생성에 통합한다.
DuetRNA
Base-centered와 sugar-centered dual frame으로 RNA 서열·구조를 공동 생성한다.
Order-Agnostic RNA Folding
고정 left-to-right 편향을 제거하고 permutation 기반 inverse folding을 수행한다.
PBio-Agent
전문 에이전트와 지식그래프를 조합해 biological perturbation 질의를 해결한다.
ProtQueSt
질의 조건부 검색으로 단백질 기능 annotation 증거를 선택한다.
Generative Priors for Cryo-EM
Diffusion prior를 이용해 undersampled cryo-EM 구조를 복원한다.
Provenance & Attestation
생성 후보, 도구 호출, 인간 승인, 합성·assay 결과를 연결하는 추적체계를 제안한다.
| 대표 논문 | 핵심 기여 | 연구적 의미 |
|---|---|---|
| PerturbDiff | 세포 반응분포 자체의 확률분포 모델링 | Virtual cell을 평균예측에서 분포예측으로 확장 |
| Lab-in-the-Loop Agents | 실험 피드백으로 feature당 발견 수 53.4% 향상 보고 | 에이전트의 실제 실험학습 가능성 |
| Measure-to-Measure Regression | 측도→측도 정적·동적 Transformer | 환자·세포집단 반응의 일반 모델 |
| GDTR | 기능 위치의 층별 settling pattern 분석 | 유전체 모델 내부 생물학 문법 해석 |
| Proteo-R1 | reasoning→hard constraint→diffusion | 언어 추론과 기하 생성의 모듈화 |
| Active Flow Expansion | 검증기 기반 generable set 확장 | 데이터 모사에서 과학적 탐색으로 전환 |
| SYCLE | 합성경로와 3D 분자생성 결합 | 실험 가능한 후보 우선 |
| PBio-Agent | 전문 에이전트·KG·반복지식개선 | 생물학적 도구사용 추론 |
10
Key Applications
응용은 단백질·항체·RNA·분자·세포상태·유전체·환자맞춤·실험자동화로 확장된다.
De Novo Protein Design
효소, binder, therapeutic protein, peptide, motif-constrained structure.
Antibody Design
CDR, antigen-conditioned generation, affinity, specificity, developability.
RNA Design
Inverse folding, ribozyme, therapeutic RNA, motif-constrained multi-state design.
Small-Molecule Discovery
Hit discovery, scaffold hopping, docking, 합성경로, multi-property optimization.
Cell-State Engineering
유전자·약물 perturbation, 세포운명전환, 조합실험, 환자별 반응.
Genomic Foundation Models
Splice, enhancer, promoter, variant effect, regulatory grammar, long-context genome.
Clinical Modeling
환자 유래 organoid, 치료반응 분포, 환자별 약물조합, uncertainty-aware biomarker.
Experimental Automation
Plate design, liquid handler, imaging, 실패 감지, 실험 scheduling.
Scientific Operations Layer
제한된 예산에서 실험 우선순위와 위험·비용을 조정하는 운영계층.
11
Open Problems
실제 wet-lab 규모화, 다중스케일 세계모델, 인과적 virtual cell, negative data, assay shift, 안전·출처가 미해결이다.
Wet-Lab 폐쇄루프 규모화
다기관·다장비·다세포주에서 반복 가능한 자율실험이 필요하다.
다중스케일 세계모델
서열, 구조, 세포, 조직, 개체를 연결하는 통합 동역학 모델이 필요하다.
인과적 Virtual Cell
관측 상관을 넘어 intervention과 counterfactual을 예측해야 한다.
Agent Autonomy Calibration
위험, 비용, 불확실성, 비가역성에 따라 자율수준을 조정해야 한다.
Negative Data 표준화
실패한 합성, 비결합 분자, 발현 실패를 공유하고 학습해야 한다.
Assay·Protocol Shift
Endpoint, threshold, assay type, protocol을 명시적으로 모델링해야 한다.
Benchmark–발견 간극
높은 점수가 새로운 기전과 실험 성공을 보장하지 않는다.
Reward Hacking
Docking·property predictor의 약점을 최적화하는 현상을 막아야 한다.
희귀 생물학
희귀질환, 희귀세포, 비모델 생물, 저자원 문헌의 성능격차를 줄여야 한다.
기전적 해석
특정 잔기·motif·pathway가 예측과 생성에 인과적으로 기여했음을 보여야 한다.
Provenance 표준
데이터, 모델, 도구, 사람, 실험의 연결을 기록하는 schema가 필요하다.
Biosecurity Governance
위험 요청, 도구권한, DNA synthesis screening, 책임소재를 통합해야 한다.
12
Future Directions
미래 생물학 AI는 운영체계, 다중스케일 세계모델, 가설그래프, verifier ecology, 실험실 디지털 트윈으로 발전한다.
1. Biological Discovery Operating System
Scientific Question
↓
Hypothesis Graph
↓
Literature / Database Retrieval
↓
Generative Design Models
↓
Simulation & Verifier Ensemble
↓
Experiment Planner
↓
Wet-Lab Automation
↓
Evidence Memory
↓
Hypothesis Revision
2. Multi-Scale Biological World Model
zt = [zDNA, zRNA, zprotein, zcell, ztissue, zorg, zenv]
서로 다른 시간·공간 해상도의 상태를 연결한다.
3. Hypothesis Graph
Hypothesis
├─ Supporting Evidence
├─ Contradictory Evidence
├─ Assumptions
├─ Predicted Outcomes
├─ Proposed Experiments
├─ Failed Experiments
└─ Revision History
4. Uncertainty-Aware Experimentation
a* = argmaxa [Expected Discovery + β Information Gain − λ Cost − μ Risk]
5. Distribution-Valued Foundation Models
세포집단, 환자집단, conformational ensemble, stochastic regulation을 분포 수준에서 모델링한다.
6. Mechanism-First Design
Desired Function → Mechanistic Hypothesis → Constraints → Geometric Design → Experiment 순서로 설계한다.
7. Verifier Ecology
V = {Vstructure, Vphysics, Vfunction, Vsynthesis, Vtoxicity, Vnovelty, Vexperiment}
8. Wet-Lab Digital Twin
장비, protocol, reagent lot, incubation, measurement noise를 포함해 실제 실험 전 실패 가능성을 예측한다.
9. Provenance Ledger
모델 checkpoint, 조건, 후보, 검증점수, 인간 승인, 합성기록, assay 결과를 연결한다.
10. Human–Agent Governance Levels
L0 정보검색에서 L5 다회차 자율실험까지 위험과 검증 가능성에 따라 권한을 계층화한다.
11. Closed-Loop Discovery Metrics
Discovery Yield = Validated Novel Findings / Number of Experiments
발견당 비용, regret, 재현성, 실패학습 효율을 함께 평가한다.
12. Governed Autonomy
자율성은 고정값이 아니라 uncertainty, risk, cost, irreversibility의 함수로 제어한다.
13
Conclusion
GenBio는 생물학 AI를 생성모델에서 실험적으로 학습하는 과학적 에이전트로 확장한다.
점 예측 → 분포·설계
평균반응보다 가능한 반응공간과 불확실성을 표현한다.
생성기 → 폐쇄루프 시스템
가설, 도구, 실험, 피드백, 메모리, 재계획이 결합된다.
모델점수 → 발견가치
실험 가능성, 안전성, 비용, 재현성, 실패학습, 출처가 핵심이다.
Biological Discovery Intelligence = Generative Design + Mechanistic Reasoning + Adaptive Experimentation + Verified Feedback + Governed Autonomy
가장 강력한 생물학 AI는 가장 많은 분자나 서열을 생성하는 모델이 아니다. 가장 적은 실험으로 가장 가치 있는 반증 가능 가설을 만들고, 실패에서 학습하며, 실제 생물학적 증거에 따라 전략을 수정하는 시스템이다.
14
Sources
공식 워크숍, OpenReview, arXiv, 대표 생성·에이전트·과학응용 논문의 원문 링크.
GenBio 2026 공식 홈페이지Generative and Agentic AI for Biology
ICML 2026 워크숍 페이지Schedule and program
GenBio OpenReviewSubmissions and metadata
PerturbDiffSingle-cell perturbation modeling
Can AI Scientist Agents Learn from Lab-in-the-Loop Feedback?Experimental feedback learning
MassSpecGym in the WildBenchmark audit
Measure-to-Measure RegressionDistribution-valued learning
GDTRLayer-wise biological grammar
Proteo-R1Reasoning foundation model for protein design
PBio-AgentProgressive multi-agent biological reasoning
ProtQueStQuery-conditioned protein annotation
Active Flow ExpansionOut-of-distribution scientific discovery
SYCLESynthesis-aware 3D molecular generation
DuetRNADual-frame RNA sequence–structure generation
Order-Agnostic RNA Inverse FoldingPermutation-based RNA design
EvoStructEvolutionary and structural priors for antibody design
Generative Priors for Cryo-EMBiological inverse problems