Biomni 심층 분석: AI가 어떻게 생물학적 멀티모달 데이터를 통합하여 정밀 의료 혁명을 이끄는가

만약 실험실에서 생성되는 다양한 데이터 — 유전자 서열 (omics), 단백질 상호작용 (proteomics), 세포의 모습 (imaging), 환자의 임상 기록 (EHR) — 를 모두 하나로 연결하여, "도대체 무엇이 이 질병을 유발하는가?"라는 단순하지만 핵심적인 질문을 던질 수 있다면 어떨까요?

UpdatedMarch 24, 2026• 2 min readJJhihHao Wu** 최근 연구 중점 사항은 AI Agent의 공급망 공격, PII 탐지 모델 평가, 그리고 임상 프로세스에서의 의료 AI 안전 도입을 포함합니다.

여기에서 저는 심층 기술 실측 보고서(예: NVIDIA NeMo, WildGuard)와 직장 기술 성장 경험을 공유하며, AI 파도 속에서 보안 회복 탄력성을 갖춘 솔루션을 구축하는 데 전념하고 있습니다.

On this page

Biomni 심층 분석: AI가 어떻게 생물학적 멀티모달 데이터를 통합하여 정밀 의료 혁명을 이끄는가
Biomni의 핵심 개념
공식 예제를 통해 알아보기
Biomni 첫 단계: 설치 및 설정
두 번째 단계: 문제 정의 (BOQL)
세 번째 단계: 쿼리 실행 및 결과(Output) 해석
미래는?

Biomni 심층 분석: AI가 어떻게 생물학적 멀티모달 데이터를 통합하여 정밀 의료 혁명을 이끄는가

만약 실험실에서 생성되는 다양한 데이터 — 유전자 서열 (omics), 단백질 상호작용 (proteomics), 세포의 모습 (imaging), 환자의 임상 기록 (EHR) — 를 모두 하나로 연결하여, "도대체 무엇이 이 질병을 유발하는가?"라는 단순하지만 핵심적인 질문을 던질 수 있다면 어떨까요?

Biomni의 핵심 개념

간단히 말해, Biomni가 하고자 하는 일은 "생물학적 본체 (Ontology)"를 이해할 수 있는 대규모 언어 모델 (LLM)을 훈련하는 것입니다. 여기서 "본체"는 생물학 사전이라고 상상하면 됩니다. 이는 단순히 무엇이 유전자이고 무엇이 단백질인지를 정의할 뿐만 아니라, 이들 사이의 "관계", 예를 들어 "A 유전자가 특정 RNA로 전사된다" 또는 "단백질 C가 프로세스 D를 억제한다"와 같은 관계를 정의합니다.

전통적인 LLM은 인간의 자연어를 이해하지만, 이러한 복잡한 생물학적 논리는 이해하지 못합니다. Biomni는 LLM이 이 논리를 학습하도록 시도합니다. 이를 통해 우리는 자연어에 더 가까운 방식으로 전체 생물학적 시스템을 "쿼리(Query)"할 수 있습니다.

• Bio-Ontology Query Language (BOQL): 이는 생물학을 위해 특별히 설계된 쿼리 언어입니다. 예를 들어, "폐선암 세포에서 어떤 유전자의 발현량이 유의미하게 상승하며, 이것이 중요한 유전자인 EGFR과 상호작용하는가?"라고 묻는 BOQL 문장을 작성할 수 있습니다. 이전에는 보통 유전자 발현 데이터와 데이터베이스를 먼저 확보한 뒤, 단백질 상호작용 데이터베이스와 대조해야 했기에 많은 시간이 소요되고 오류가 발생하기 쉬웠습니다.

• 멀티모달 GNN 백본 (Backbone): 또한, 사용자가 BOQL로 명령을 내리면 Biomni는 이 쿼리를 그래프 쿼리 작업으로 "번역"합니다. 그 이면에는 강력한 그래프 신경망 (GNN)이 있으며, 이 GNN은 유전자, 약물, 질병, 세포 유형 등의 노드와 그들 사이의 관계를 포함하는 방대한 생물학적 지식 그래프 (Knowledge Graph)를 학습했습니다. 그런 다음 이 거대한 네트워크 내에서 특정 경로와 패턴을 찾아냅니다.

계속 소개하기에 앞서, 공식 팀에서 Biomni 네트워크 플랫폼의 인터페이스와 핵심 기능을 직접 보여주는 매우 명확한 교육 영상을 제공하고 있으니, 꼭 시간을 내어 시청해 보시길 강력히 권장합니다.

• Executor

  : "다양한 약물 섭동(perturbation)이 유전자 발현에 미치는 영향을 비교하라"와 같이 복잡한 분석 작업을 요청하면, Biomni는 Executor를 가동하여 질문을 이해하는 방식, 분석 단계 계획, 분석 실행을 위한 코드 작성, 그리고 실행 결과 관찰 과정을 실시간으로 보여줍니다.

• 자기 수정 능력

  : 영상 속 멋진 데모 중 하나는 Biomni가 스스로 디버깅(debugging)을 수행하고, 작업을 완료하기 위해 자신의 계획을 수정할 수 있다는 점입니다.

• 결과물 생성 및 내보내기

  : 분석이 완료되면 Biomni는 차트, 주요 발견 사항, 생물학적 의미 및 방법론을 포함한 종합 보고서를 생성합니다. 또한 후속 수정이나 연구를 용이하게 하기 위해 Jupyter Notebook 형식으로 내보낼 수도 있습니다.

공식 예제를 통해 Biomni 이해하기

1단계: 설치 및 설정

이 부분은 매우 간단합니다. Biomni 패키지를 설치하고 필요한 모델과 기본 데이터베이스를 다운로드하면 됩니다.

# Install biomni  
!pip install -q biomni  

...

2단계: 질문 정의 (BOQL)

예제에서는 query_fn이라는 함수를 정의했는데, 이것이 바로 BOQL의 구체적인 구현입니다.

import biomni.query as bq  

@bq.query_fn  
...

이 코드의 동작을 분석해 보겠습니다:

1. gene.neighbors("Drug", "targets"): CD47 노드에서 시작하여, 이와 targets (표적) 관계를 가진 Drug (약물) 이웃을 찾습니다. 즉, "CD47을 대상으로 개발된 약물에는 무엇이 있는가?"라고 묻는 것입니다.

2. drug.neighbors("Disease", "associated_with"): 그다음, 이전 단계에서 찾은 약물들로부터 시작하여, 이 약물들과 associated_with (관련됨) 관계를 가진 Disease (질병) 이웃을 찾습니다. 이 단계는 매우 흥미로운데, "CD47 관련 약물들이 또 어떤 질병을 치료하는 데 사용되는가?"라고 묻는 것입니다.

3. bq.Return(disease.name): 마지막으로, 찾아낸 질병의 이름을 반환합니다.

사용자는 하위 데이터베이스의 테이블 스키마(table schema)를 알 필요 없이, 이처럼 직관적이고 관계를 기술하는 방식으로 질문을 구성하기만 하면 됩니다.

3단계: 쿼리 실행 및 출력(Output) 해석

# Load the pre-trained Biomni model  
model = biomni.Biomni.from_pretrained()  

...

disease.name  
0                             Breast Cancer  
1                                  Leukemia  
...

이 단순해 보이는 출력값에는 매우 방대한 정보가 숨겨져 있습니다.

1. 약물 재창출 (Drug Repurposing): 예를 들어 피부암을 연구하는 연구자가 이 목록을 보고, CD47을 표적으로 하는 약물들이 주로 혈액 종양과 관련되어 있다는 것을 발견했다고 가정해 봅시다. 그러면 "CD47이 피부암에서도 중요한 역할을 하는가? 이 기존의 혈액 종양 약물들이 피부암에도 효과가 있을 가능성이 있는가?"라는 가설을 세울 수 있습니다.

2. 새로운 적응증 개발: 제약사 입장에서 이 결과는 기존 약물의 새로운 시장을 고민하는 데 도움을 줄 수 있습니다. 만약 그들이 CD47 관련 약물을 보유하고 있다면, 이 목록은 잠재적인 새로운 적응증(indication) 개발 방향을 제시해 줍니다.

3. 기전(Mechanism) 탐색: 왜 이처럼 서로 무관해 보이는 질병들이 동일한 분자 표적(CD47)에 연결되어 있을까요? 그 이면에 공통된 생물학적 기전이 존재하는 것일까요?

미래?

미래?

Biomni는 현재 초기 단계에 있지만, 우리에게 많은 상상력을 제공합니다. 우리는 유전자 발현 데이터(expression > 2.0)와 환자의 생존율 데이터를 결합하거나, 나아가 미래에는 영상 특징(imaging features)까지 결합하여 더욱 복잡한 질의를 구축할 수 있습니다. 예를 들어, "면역 치료(immunotherapy)에 반응이 좋지 않은 환자군에서, 특정 세포 상호작용 네트워크 패턴과 동시에 연관된 유전자 변이는 무엇인가?"와 같은 질문이 가능해집니다.

미래의 의사가 외래 진료를 할 때, 더 이상 단일 검사 보고서만을 조회하지 않을 수도 있습니다. 의사는 시스템에 직접 질문할 수 있습니다: "이 환자의 유전자 변이 특징, 영상 질감(imaging texture), 그리고 과거 약물 복용 이력을 종합해 볼 때, 지식 베이스(knowledge base) 내에서 표적 약물 A에 반응이 좋았던 어떤 환자군과 가장 유사합니까? 이 환자가 약물 A를 사용했을 때의 반응률과 부작용 위험은 각각 얼마입니까?"

어떤 AI 모델이든, 결국 궁극적으로 해결해야 할 문제는 무질서하게 흩어져 있는 다차원 의료 데이터를 의사가 이해하고 의사결정을 내릴 수 있는 정보로 변환하는 것입니다.

데이터의 표준화, 모델의 정확성과 설명 가능성(explainability), 그리고 임상 도입을 위한 규제 문제 등 가야 할 길은 여전히 멀지만, Biomni는 "AI + 생물 정보학 (bioinformatics)"가 현재 진행 중인 혁명임을 의심의 여지 없이 우리에게 알려주고 있습니다.

# ai# bioinformatics# healthcare