동결 마이크로니들 (Cryomicroneedles)은 살아있는 세포를 최소 침습적으로 진피 내 전달할 수 있는 경로를 제공하지만, 이들의 동결 제형은 세포 보호와 독성 및 장치 제작의 제약 사이에서 균형을 맞춰야 합니다. 본 연구에서는 문헌 큐레이션 (literature curation), 가우시안 프로세스 대리 모델링 (Gaussian-process surrogate modelling), 베이지안 최적화 (Bayesian optimization), 그리고 순차적 습식 실험 검증 (sequential wet-lab validation)을 결합한 동결 마이크로니들 동결보호제 탐색을 위한 AI 지원 폐쇄 루프 (closed-loop) 워크플로우를 보고합니다. 42개의 연구로부터 얻은 198개의 중간엽 줄기세포 (mesenchymal stem-cell) 동결 보존 제형으로 구성된 큐레이션된 데이터셋은 21개의 성분 특징 (ingredient features)으로 변환되었으며, 불확실성을 인지하는 문헌 사전 정보 (uncertainty-aware literature prior)를 학습하는 데 사용되었습니다. 이 모델은 문헌 데이터 내의 중간 정도의 구조를 포착했으나 향후 예측에는 실패하였으며, 이는 반복적인 습식 실험 수정을 유도했습니다. 10회의 검증 반복과 106회의 습식 실험 관찰을 통해, 모델은 동결 마이크로니들 특유의 결과에 점진적으로 적응했습니다: 배치 RMSE (batch RMSE)는 41.21에서 6.86 퍼센트 포인트로 감소했고, 후기 단계의 순위 상관관계 (rank correlations)는 지속적으로 양의 상관관계를 보였으며, 누적 습식 실험 예측값 대비 측정값 요약은 $R^2 = 0.942$에 도달했습니다. 가장 잘 검증된 제형은 낮은 농도의 DMSO, 엑토인 (ectoin), 에틸렌 글리콜 (ethylene glycol), 그리고 태아 송아지 혈청 (fetal bovine serum)을 사용하여 해동 후 95.15%의 생존율을 달성했습니다. 그러나 높은 생존율만으로는 온전한 동결 마이크로니들 형성을 보장하지 못했으며, 이는 향후 다목적 최적화 (multi-objective optimization)의 필요성을 강조합니다. 이러한 결과는 에이전트 지원 계산 인프라가 사내에 최소한의 데이터 전문 지식을 갖춘 실험실에서도 데이터 효율적인 제형 탐색을 더 쉽게 만들 수 있음을 입증합니다. 프로젝트 코드는 https://github.com/baitmeister/ML-for-CryoMN 에서 확인할 수 있습니다.