실험하는 AI에서
가설을 수정하는
Co-Scientist로

두 가지 인프라 신호

첨부 동향 보고서는 해당 점검 범위에서 기존 보고와 중복되지 않으면서 선정 기준을 충족하는 새 논문·프리프린트를 찾지 못했다고 기록한다. 문헌 전체의 부재를 뜻하는 것은 아니다. 보고서가 별도로 검토한 “주요 연구기관 발표”에서는 신약개발 Neuro-Symbolic AI Co-Scientist의 향후 구조와 직접 연결되는 의미 있는 신규 신호가 2건 확인됐다. 둘 다 아직 논문 수준의 검증은 아니므로, 과학적 성과라기보다 autonomous/closed-loop drug R&D 인프라가 실제 wet lab으로 내려가고 있다는 증거로 보는 것이 정확한다.

표의 중요도는 첨부 보고서의 연구기획 판단이며, 검증된 기술성숙도나 임상적 성과의 등급이 아니다.

Anthropic: Claude가 실제 생물학 실험을 수행하는 physical wet-lab 단계로 이동

발표·확인일은 2026년 9월 18일이다. Anthropic의 life sciences 책임자 Eric Kauderer-Abrams가 Reuters에 San Francisco Bay Area에 자체 physical biology wet lab을 구축했으며 실제 생물학 실험을 수행하고 있다고 확인했다. 더 중요한 점은 Reuters가 취재원을 인용해 Claude로 robotic unit을 제어하는 실험 자동화 방향을 보도했다는 점이다. 현재는 human oversight가 필수이며, Anthropic은 이 단계가 아직 초기라고 설명했다. 또한 회사 대변인은 이 wet lab 자체가 drug discovery 전용은 아니라고 명확히 밝혔다. (Investing.com [1])

그럼에도 신약개발 AI Co-Scientist 관점에서는 상당히 중요한다. Anthropic은 이미 Claude Science에서 general coordinating agent → specialist agents → scientific tools/databases → reviewer agent → auditable execution history 구조를 제공하고 있고, 별도의 내부 preclinical drug program을 운영하고 있다. Claude Science는 genomics, single-cell, proteomics, structural biology, cheminformatics용 60개 이상의 skill/connectors와 Evo 2, Boltz-2, OpenFold3 같은 전문 모델을 연결할 수 있다. (Anthropic [2])

여기에 2026년 8월 공개된 Model Hardware Standard(MHS)가 실제 physical execution layer를 제공한다. MHS는 liquid handler, robotic arm, plate reader, microscope 등의 장비를 AI agent가 공통 인터페이스로 제어하게 하며, Genentech의 BCA assay 자동화 실험에서는 Claude가 실제 실험 데이터를 분석해 liquid-transfer 조건을 반복적으로 최적화했다. Carnegie Mellon의 dose-response 워크플로를 모사한 염료 실험에서는 첫 실험의 \(R^2<0.9\) 결과를 스스로 부적절하다고 판단하고 concentration range를 수정해 두 번째 실험에서 \(R^2>0.98\)의 curve를 얻었다. 이 사례는 실제 약물 후보 대신 색소 농도를 측정한 개념검증이며 약효 검증 성과를 뜻하지 않는다. 이는 단순 protocol execution을 넘어 observation → evaluation → parameter revision → re-experiment가 실제 장비에서 이루어진 사례이다. (Anthropic [3])

기존 연구 대비 신규성은 Andromeda 2, GALILEO, AnewDDE와 조금 다르다. 첨부 보고서는 이들을 특정 drug-discovery problem의 closed-loop 사례로 비교한다. 이 글에서는 세 시스템의 개별 성과를 추가 검증하지 않았으며, 비교의 핵심은 다음의 플랫폼 관점이다. Anthropic은 범용 scientific agent와 표준화된 hardware-control layer를 자체 wet lab에 결합하는 platform-level architecture로 이동하고 있다. 즉 한 개의 assay automation 논문이 아니라, 여러 biology workflow를 수행할 수 있는 general-purpose embodied scientific agent infrastructure를 만들고 있다는 점이 새롭다.

신약개발 단계에서는 Target Validation → assay execution → protein/antibody design → dose–response → iterative preclinical optimization까지 연결될 잠재력이 있다. 다만 현재 공개된 자료만으로는 Claude가 독자적으로 drug candidate에 관한 mechanistic hypothesis를 생성하고 이를 실험하여 폐기·수정하는 formal scientific belief-revision loop가 실제 구현됐다고 볼 수는 없다.

가장 강한 향후 연구기회는 “Embodied Neuro-Symbolic Drug Co-Scientist”이다. 현재의 Claude/MHS loop 위에 Hypothesis, Experiment, Expected Observation, Observed Result, Support/Contradiction, Confidence를 명시적인 Epistemic HRKG로 표현하고, 실험 전 falsification criterion을 고정하며, 결과가 기준을 위반하면 causal edge나 hypothesis state를 자동 수정하도록 만드는 것이다.

구조적으로는 다음 단계가 자연스럽다.

Scientific FM / Specialist Agent → Epistemic HRKG → Falsifiable Hypothesis → Formal Experimental Constraints → Robotic Wet Lab → Observation → Falsification Gate → Belief Revision → Next Experiment

이 구조가 구현된다면 지금까지의 “autonomous laboratory”보다 한 단계 더 나아가 실험 행동뿐 아니라 과학적 믿음 자체를 machine-executable하게 수정하는 Co-Scientist가 된다.

Reuters 보도 — Anthropic physical biology lab Anthropic — Claude Science 공식 설명 Anthropic — Model Hardware Standard 및 실험 사례

Ribo: siRNA용 Automated Intelligent Drug Screening Center 구축

첨부 보고서에 기록된 발표일은 2026년 9월 22일이다. 이번 편집에서는 Ribo 공식 링크에 접근하지 못했다. 이하 센터의 기능·운영 발표 내용은 첨부 보고서의 인용을 보존한 것이며 독립적 재확인이 필요하다. 첨부에 따르면 Suzhou Ribo Life Science는 siRNA 치료제의 early discovery와 preclinical research를 위한 Automated Intelligent Drug Screening Center의 운영을 발표했다. 공식 설명에 따르면 이 센터는 automated robotic cluster와 intelligent data-analytics infrastructure를 결합하며, 기존 AI-assisted R&D ecosystem과 연결하여 algorithmic model과 high-throughput wet-lab experiment 사이에서 반복적인 refinement가 일어나는 구조를 목표로 한다. (Ribocure [4])

센터의 범위도 단순 compound screening보다 넓다. Ribo는 automated cell/molecular biology screening을 기반으로 high-throughput screening, target validation, mechanistic studies를 수행하고, 자체 sequence-design/screening software, CADD, AIDD, MIDD를 통합한다고 밝혔다. 또한 target assessment → molecular design → delivery technology → clinical development를 하나의 AI-enabled R&D chain으로 연결하려는 구조를 제시했다. (Ribocure [4])

기존 연구 대비 신규성은 modality-specific closed loop에 있다. 지금까지 추적한 autonomous drug systems가 small molecule, CRISPR, formulation, antibody 등에 집중했다면, 이 발표는 siRNA라는 highly programmable therapeutic modality에서 AI sequence design과 high-throughput wet-lab validation을 지속적으로 연결한다는 점이 다르다. siRNA는 sequence 자체가 설계변수이면서 동시에 on-target knockdown, off-target activity, delivery, stability, immunogenicity 등의 상충하는 제약을 갖기 때문에 Neuro-Symbolic constraint reasoning과 특히 잘 맞는다.

신약개발 단계에서는 Target Validation → siRNA Sequence Design → Delivery Optimization → Cellular Screening → Preclinical Candidate Selection에 직접 의미가 있다. 다만 현재 발표에는 어떤 AI model이 후보를 고르고 어떤 acquisition strategy를 사용하는지, 모델 업데이트가 실제 실험 결과를 어떻게 반영하는지, prospective 성능이 어느 정도인지가 공개되지 않았다. 따라서 현재 수준에서는 autonomous scientific discovery의 검증 결과라기보다 이를 가능하게 하는 industrial infrastructure의 구축 신호로 평가하는 것이 적절한다. (Ribocure [4])

가장 유망한 후속 연구는 “Causal-HRKG-Governed siRNA Co-Scientist”이다. 예를 들어 단순한 siRNA → targets → Gene 관계가 아니라

(siRNA sequence, knocks_down, Gene, cell_type, dose, delivery_vehicle, time, knockdown_rate, off_target, toxicity, assay, provenance)

와 같은 hyper-relational assertion을 유지하고,

Sequence → RISC loading → Target knockdown → Pathway perturbation → Cell phenotype → Therapeutic effect / toxicity

를 causal graph로 표현할 수 있다. 이후 wet-lab 결과가 예상과 다르면 candidate만 폐기하는 것이 아니라 delivery hypothesis, target-mechanism hypothesis, sequence–off-target rule 중 무엇이 잘못됐는지를 분리해서 수정하는 것이 핵심 연구기회이다.

Ribo 공식 발표 — Automated Intelligent Drug Screening Center

실험의 반복에서 가설의 수정으로

이번 업데이트에서 가장 중요한 변화는 AI Co-Scientist 연구가 “tool을 호출하는 software agent” 단계에서 실제 물리 실험 장비와 장기간 반복되는 closed loop로 빠르게 이동하고 있다는 점이다. Anthropic은 범용 agent–hardware interface와 자체 biology lab을 연결할 기반을 제시하고 있고, Ribo는 특정 therapeutic modality인 siRNA에서 AI–robotic screening loop를 industrial R&D에 배치하고 있다. (Investing.com [1])

그러나 두 사례 모두 아직 KG/HRKG를 scientific belief state로 사용하고, causal hypothesis를 명시적으로 유지하며, 실험에서 반증되면 해당 belief graph를 formal rule에 따라 수정하는 단계까지는 도달하지 않았다. 따라서 현재도 가장 선명한 연구공백은 “physical closed-loop autonomy”와 “formal epistemic belief revision”을 결합하는 것이며, 이것이 신약개발 Neuro-Symbolic AI Co-Scientist에서 유망한 신규성과 연구가치를 기대할 수 있는 방향으로 판단된다.