프롬프트-투-드러그(Prompt-to-Drug)에서 폐쇄 루프 과학 지능(Closed-Loop Scientific Intelligence)으로

AI 기반 신약 개발의 가장 큰 한계가 모델의 크기가 아니라면 어떨까요?

진정한 병목 현상이 지능이 어떻게 오케스트레이션(Orchestration)되는가에 있다면 어떨까요?

현대의 생성형 AI (Generative AI)는 분자를 생성하고, 분자 특성을 예측하며, 생물학적 데이터를 분석하고, 임상 개발을 지원할 수 있습니다.

하지만 그럴듯한 분자를 생성하는 것이 신약을 발견하는 것과 같지는 않습니다.

진정한 신약 발견 시스템은 다음을 연결해야 합니다:

생물학 (Biology) → 타겟 (Targets) → 분자 (Molecules) → 실험 (Experiments) → 증거 (Evidence) → 임상 결정 (Clinical Decisions)

이는 더 깊은 아키텍처적 질문을 던집니다:

단순히 과학적 질문에 답하는 것이 아니라, 과학적 가설을 지속적으로 생성하고, 도전하고, 테스트하며, 개선하는 AI 시스템을 구축할 수 있을까요?

이것이 바로 **신약 개발을 위한 인지 증강 AI (Cognitive-Augmented AI for Drug Discovery)**의 핵심 아이디어입니다.

🔥 문제점: AI는 생성할 수 있는가 — 하지만 발견할 수 있는가?

전형적인 LLM 워크플로우는 간단합니다:

프롬프트 (Prompt)
  ↓
LLM
...

이 아키텍처는 언어 분야에서는 놀라울 정도로 잘 작동합니다.

하지만 신약 개발은 다릅니다.

진정한 발견 프로그램은 여러 과학 분야, 이질적인 데이터 세트, 특화된 컴퓨팅 엔진, 물리적 실험, 규제 제약 및 엄청난 불확실성을 포함합니다.

더 현실적인 아키텍처는 다음과 같습니다:

질병 지능 (Disease Intelligence)
        ↓
타겟 가설 (Target Hypothesis)
...

따라서 과제는 단순히 **더 나은 생성 (Better Generation)**이 아닙니다.

그것은 **과학적 오케스트레이션 (Scientific Orchestration)**입니다.

🧠 프롬프트 엔지니어링에서 인지 오케스트레이션으로

제안된 인지 증강 아키텍처는 프롬프트를 과학적 인프라의 대체물로 취급하는 대신, 구조화된 프롬프팅 (Structured Prompting)과 멀티 에이전트 추론 (Multi-agent Reasoning)을 **오케스트레이션 레이어 (Orchestration Layer)**로 사용합니다.

기존 프레임워크는 다음과 같은 접근 방식들을 결합합니다:

• Mega-Prompt
• RACE
• RISEN
• 페르소나 기반 프롬프팅 (Persona-Based prompting)
• CREATE
• 사고의 사슬 (Chain-of-Thought)
• 퓨샷 프롬프팅 (Few-Shot prompting)
• CRAFT
• RTF
• 반복적 개선 (Iterative Refinement)

하지만 이러한 기술들을 신약 개발 엔진(drug-discovery engines) 그 자체와 혼동해서는 안 됩니다.

그 차이는 근본적입니다:

프롬프트 엔지니어링 (Prompt Engineering) ≠ 신약 개발 (Drug Discovery)

대신 다음과 같은 흐름을 가집니다:

프롬프트 엔지니어링 (Prompt Engineering) → 인지 오케스트레이션 (Cognitive Orchestration) → 과학적 엔진 (Scientific Engines) → 실험적 검증 (Experimental Validation)

이러한 분리는 아키텍처를 더욱 현실적이고 테스트 가능하게 만듭니다.

🏗️ 7계층 아키텍처 (The Seven-Layer Architecture)

차세대 AI 신약 개발은 서로 연결된 7개의 계층으로 개념화될 수 있습니다.

01 — 질병 인텔리전스 (Disease Intelligence)

시스템은 다음을 통합합니다:

• 멀티오믹스 (multi-omics)
• 유전체 데이터 (genomic data)
• 단백질체학 (proteomics)
• 생물 의학 문헌 (biomedical literature)
• 임상 정보 (clinical information)
• 질병 관련 경로 (disease-associated pathways)

목표는 단순히 정보를 검색하는 것이 아닙니다.

그것은 **질병 수준의 표현 (disease-level representation)**을 구축하는 것입니다.

02 — 타겟 가설 엔진 (Target Hypothesis Engine)

시스템은 잠재적인 치료 타겟을 생성하고 순위를 매깁니다.

다음과 같이 묻는 대신:

“어떤 단백질이 질병과 연관되어 있는가?”

시스템은 다음과 같이 질문합니다:

“어떤 개입 지점(intervention point)이 가장 강력한 인과적, 생물학적, 치료적 및 중개적 정당성을 갖는가?”

이 지점이 바로 AI 보조 타겟 발굴(AI-assisted target discovery)이 단순한 정보 검색과 근본적으로 달라지는 지점입니다.

03 — 생성적 분자 설계 (Generative Molecular Design)

타겟 가설이 충분한 근거를 확보하면, 생성 화학(generative chemistry) 시스템이 후보 분자를 탐색할 수 있습니다.

최적화 문제는 다차원적이 됩니다:

결합력 (Affinity)
   +
선택성 (Selectivity)
...

따라서 목표는 다음과 같습니다:

가장 높은 결합 점수(binding score)를 가진 분자를 생성하라.

이 아니라:

상충하는 제약 조건 하에서 최적의 전반적인 과학적 프로필을 가진 분자를 생성하라.

04 — 다목적 검증 (Multi-Objective Validation)

유망한 후보 물질은 여러 계산 필터(computational filters)를 통과해야 합니다.

예를 들어:

이곳이 바로 겉보기에 훌륭해 보이는 AI 생성 분자가 실패할 수 있는 지점입니다.

그리고 실패는 가치가 있습니다.

성숙한 발견 시스템(discovery system)은 실패한 후보 물질을 낭비된 연산이 아닌 **정보 (information)**로 취급해야 합니다.

05 — 과학적 멀티 에이전트 위원회 (The Scientific Multi-Agent Council)

단일 AI 모델은 일관성 있는 답변을 생성할 수 있습니다.

하지만 그것이 반드시 그 답변이 과학적으로 신뢰할 수 있다는 것을 의미하지는 않습니다.

따라서 이 아키텍처는 전문화된 가상 과학적 역할(virtual scientific roles)을 도입합니다.

🧪 계산 생화학자 (Computational Biochemist)

책임 영역:

• 도킹 (docking)
• 분자 상호작용 (molecular interactions)
• 분자 동역학 (molecular dynamics)
• 표적 선택성 (target selectivity)

⚗️ 의약 화학자 (Medicinal Chemist)

책임 영역:

• 구조-활성 관계 (SAR)
• 분자 최적화 (molecular optimization)
• 화학적 합성 가능성 (chemical tractability)
• 역합성 분석 (retrosynthetic analysis)

💊 임상 약리학자 (Clinical Pharmacologist)

책임 영역:

• 약동학/약력학 (PK/PD)
• 노출 (exposure)
• 반감기 (half-life)
• 독성 (toxicity)
• 약물-약물 상호작용 (drug–drug interactions)

향후 버전에는 다음 역할이 추가될 수 있습니다:

• 독성학자 (Toxicologist)
• 구조 생물학자 (Structural Biologist)
• 생물정보학자 (Bioinformatician)
• 임상 과학자 (Clinical Scientist)
• 규제 과학자 (Regulatory Scientist)

목표는 허구의 과학자를 만드는 것이 아닙니다.

명시적인 책임을 가진 독립적인 분석적 관점을 만드는 것입니다.

06 — 과학적 중재 (Scientific Arbitration)

이것은 단연코 가장 중요한 아키텍처 구성 요소입니다.

분자 설계 에이전트가 다음과 같이 제안한다고 가정해 봅시다:

결합 에너지 (Binding Energy): −9.8 kcal/mol

매우 훌륭해 보입니다.

하지만 다른 에이전트가 다음을 식별합니다:

LogP: 5.2

그리고 좋지 않은 약동학적 거동을 예측합니다.

어떤 에이전트가 옳은 것일까요?

답변은 가장 설득력 있는 문단을 생성한 모델에 의해 결정되어서는 안 됩니다.

대신, 시스템은 다음과 같은 과정을 수행해야 합니다:

에이전트 A
   ↓
에이전트 B
...

따라서 비평가(critic)는 **과학적 중재 엔진 (Scientific Arbitration Engine)**이 됩니다.

이 엔진의 역할은 다음과 같습니다:

1. 모순 탐지 (detect contradictions)
2. 근거 없는 가정에 이의 제기 (challenge unsupported assumptions)
3. 증거 비교 (compare evidence)
4. 불확실성 정량화 (quantify uncertainty)
5. 추가 연산 또는 실험 요청 (request additional computation or experiments)
6. 취약한 후보 물질 거부 (reject weak candidates)
7. 방어 가능한 결론 합성 (synthesize defensible conclusions)

07 — 폐쇄 루프 실험 학습 (Closed-Loop Experimental Learning)

이 지점이 아키텍처가 프롬프트 엔지니어링 (prompt engineering)을 넘어 나아가는 단계입니다.

AI는 단순히 텍스트를 생성하는 것만으로는 약물을 검증할 수 없습니다.

궁극적인 루프는 계산 지능 (computational intelligence)을 물리적 실험 (physical experimentation)과 연결해야 합니다:

AI 가설 (AI Hypothesis)
     ↓
후보 물질 설계 (Candidate Design)
...

이는 근본적으로 다른 패러다임을 생성합니다:

AI → 실험 (Experiment) → 학습 (Learning) → AI

실험실이 지능 루프 (intelligence loop)의 일부가 됩니다.

🫁 IPF: 실제 사례 참조

특발성 폐섬유증 (Idiopathic Pulmonary Fibrosis, IPF)은 특히 흥미로운 테스트 케이스를 제공합니다.

IPF는 미충족 의료 수요 (unmet medical need)가 상당한 진행성 섬유화 폐 질환입니다.

Insilico Medicine 프로그램에서 AI 기반 생물학적 분석을 통해 TNIK를 잠재적인 치료 타겟 (therapeutic target)으로 식찰했습니다.

이후 생성 화학 (Generative chemistry)을 사용하여 TNIK 억제제인 **rentosertib (ISM001-055)**를 개발하는 데 사용되었습니다.

이 프로그램은 인간 대상 임상 시험으로 진행되었으며, 최종적으로 무작위 배정 임상 2a상 연구에 도달했습니다.

보고된 결과에는 다음과 같은 평균 FVC (강제 폐활량) 변화가 포함되었습니다:

+98.4 mL

rentosertib 60mg을 1일 1회 복용한 환자의 경우, 다음과 비교했을 때:

−20.3 mL

위약 (placebo) 투여군의 경우입니다.

표준 치료 (standard-of-care)를 받지 않은 환자의 경우, 보고된 변화량은 다음과 같았습니다:

+187.8 mL

이러한 발견은 매우 흥미롭습니다.

하지만 과학적 정밀함이 중요합니다.

12주간의 임상 2a상 결과가 자동으로 **폐섬유증의 역전 (reversal of pulmonary fibrosis)**에 대한 증거라고 설명되어서는 안 됩니다.

더 나은 해석은 다음과 같습니다:

본 연구는 더 크고 더 긴 임상 시험을 통한 확인이 필요한, 폐 기능 궤적 (lung-function trajectory)의 잠재적으로 의미 있는 개선에 대한 예비 증거를 제공한다.

그 차이가 매우 중요합니다.

⚠️ Rentosertib가 증명하는 것 — 그리고 증명하지 못하는 것

중요한 방법론적 구분이 있습니다.

rentosertib 프로그램은 AI 네이티브 신약 개발 (AI-native drug discovery)이 계산적 발견에서 임상 개발로 나아갈 수 있음을 증명합니다.

이것이 여기서 설명하는 정확한 '10-프롬프트 프레임워크 (ten-prompt-framework)' 아키텍처가 rentosertib 발견의 주역이었다는 것을 증명하는 것은 아닙니다.

따라서 적절한 과학적 관계는 다음과 같습니다:

Rentosertib
     ↓
경험적 참조 사례 (Empirical Reference Case)
...

이러한 구분은 가용 가능한 증거가 입증하지 못하는 사후적 인과 관계(post-hoc causal claim)를 아키텍처가 주장하는 것을 방지합니다.

🎯 누락된 차원: 불확실성 (Uncertainty)

AI 기반 과학 연구의 가장 큰 과제 중 하나는 예측이 확률적(probabilistic)이라는 점입니다.

성숙한 시스템은 단순히 다음과 같이 출력해서는 안 됩니다:

결합력 (Affinity) = 0.87

대신 다음과 같이 표현하려고 시도해야 합니다:

예측 (Prediction)
   +
신뢰도 (Confidence)
...

또한 시스템은 다음 사항들을 유지해야 합니다:

• 모델 버전 (model version)
• 데이터셋 출처 (dataset provenance)
• 계산 파라미터 (computational parameters)
• 실험 이력 (experimental history)
• 결정 이력 (decision history)
• 상충하는 증거 (conflicting evidence)

이는 챗봇의 답변보다 훨씬 더 가치 있는 것을 만들어냅니다:

감사 가능한 과학적 의사결정 프로세스 (An auditable scientific decision process).

중요한 점은, 모델의 사고 사슬(chain-of-thought)을 공개하는 것이 자동으로 신뢰할 수 있는 추론을 제공한다고 가정하기보다는, **출처(provenance), 재현성(reproducibility), 그리고 증거 추적(evidence tracking)**을 통해 감사 가능성(auditability)을 확보해야 한다는 것입니다.

🔬 아키텍처가 작동함을 어떻게 증명할 것인가?

이 지점에서 개념은 하나의 연구 프로그램이 됩니다.

우리는 단순히 멀티 에이전트 인지 오케스트레이션(multi-agent cognitive orchestration)이 더 낫다고 주장해서는 안 됩니다.

우리는 이를 테스트해야 합니다.

베이스라인 1 (Baseline 1)

단일 AI 에이전트 (Single AI agent)

베이스라인 2 (Baseline 2)

단일 에이전트 + 구조화된 프롬프팅 (Single agent + structured prompting)

베이스라인 3 (Baseline 3)

멀티 에이전트 시스템 (Multi-agent system)

베이스라인 4 (Baseline 4)

멀티 에이전트 + 과학적 비평가 (Multi-agent + Scientific Critic)

베이스라인 5 (Baseline 5)

멀티 에이전트 + 비평가 + 실험 피드백 (Multi-agent + Critic + Experimental Feedback)

그 다음 다음 항목들을 측정합니다:

• 타겟 순위 정확도 (target-ranking accuracy)
• 분자 유효성 (molecular validity)
• 신규성 (novelty)
• 결합력 (affinity)
• 선택성 (selectivity)
• ADMET
• 합성 가능성 (synthetic feasibility)
• 실험적 히트율 (experimental hit rate)
• 위양성률 (false-positive rate)
• PCC 도달 시간 (time-to-PCC)
• 계산 비용 (computational cost)
• 전문가 수용도 (expert acceptance)

이는 인지 오케스트레이션을 위한 **절제 연구 프레임워크 (ablation framework)**를 구축합니다.

📊 새로운 벤치마크

가장 중요한 질문은 더 이상 다음과 같은 것이 아닙니다:

“AI가 분자를 생성할 수 있는가?”

AI는 이미 분자를 생성할 수 있습니다.

더 어려운 질문은 다음과 같습니다:

AI 오케스트레이션 (Orchestration) 시스템이 기존의 워크플로우보다 더 빠르고, 효율적이며, 재현 가능하게 가설을 실험적으로 검증된 후보 물질로 일관되게 변환할 수 있는가?

그것이 바로 중요한 벤치마크입니다.

🚀 “Prompt-to-Drug”를 넘어

“Prompt-to-Drug”는 매력적인 문구입니다.

하지만 기술적으로 프롬프트(Prompt)가 약을 만드는 것은 아닙니다.

실제 파이프라인은 다음과 같습니다:

프롬프트 (Prompt)
   ↓
과학적 오케스트레이션 (Scientific Orchestration)
...

따라서 더 정확한 개념은 다음과 같습니다:

Prompt-to-Drug 오케스트레이션 (Orchestration)

LLM (대규모 언어 모델)은 실험실이 아닙니다.

그것은 의약 화학자 (Medicinal Chemist)가 아닙니다.

그것은 임상 시험 (Clinical Trial)이 아닙니다.

그것은 **특화된 과학적 역량들을 연결하는 인지적 조정 계층 (Cognitive Coordination Layer)**입니다.

🌐 AI 보조 과학에서 AI 네이티브 과학으로

제약 AI 스택은 진화하고 있습니다.

생성 (Generation)

AI가 후보 물질을 생성합니다.

↓

예측 (Prediction)

AI가 특성을 추정합니다.

↓

오케스트레이션 (Orchestration)

AI가 특화된 시스템들을 조정합니다.

↓

실험 (Experimentation)

AI가 가이드하는 가설들이 물리적으로 테스트됩니다.

↓

학습 (Learning)

실험적 증거가 시스템을 업데이트합니다.

↓

자율적 반복 (Autonomous Iteration)

학습된 내용을 바탕으로 다음 가설이 생성됩니다.

이는 다음과 같은 전환을 의미합니다:

AI 보조 신약 개발 (AI-assisted drug discovery)

에서:

AI 네이티브 과학적 발견 (AI-native scientific discovery)

으로의 전환입니다.

🧠 더 큰 아이디어

AI 신약 개발의 미래는 누가 가장 큰 모델을 보유하고 있는가에 의해 결정되지 않을 수도 있습니다.

누가 최고의 **과학적 피드백 아키텍처 (Scientific Feedback Architecture)**를 구축하는가에 의해 결정될 것입니다.

승리하는 시스템은 다음을 결합할 수 있습니다:

파운데이션 모델 (Foundation Models)

특화된 과학적 에이전트 (Specialized Scientific Agents)

계산 화학 (Computational Chemistry)

생물학적 지능 (Biological Intelligence)

로봇 실험실 (Robotic Laboratories)

증거 출처 (Evidence Provenance)

불확실성 추정 (Uncertainty Estimation)

인간의 과학적 감독 (Human Scientific Oversight)

이 구성 요소들은 함께 모여 LLM 챗봇과는 근본적으로 다른 무언가를 만들어냅니다.

이들은 다음과 같은 능력을 갖춘 시스템을 구축합니다:

가설 형성 → 가설 검증 → 가설 테스트 → 실패로부터 학습 → 더 나은 가설 생성.

그것이 바로 인지 증강 AI (Cognitive-Augmented AI)가 가진 진정한 약속입니다.

🔮 마지막 질문

향후 10년 동안 제약 AI 분야에서 가장 중요한 질문은 다음과 같지 않을 수도 있습니다:

모델이 얼마나 지능적인가?

대신 다음과 같은 질문이 될 수 있습니다:

시스템이 지능을 실험적으로 검증된 지식으로 얼마나 효과적으로 전환할 수 있는가?

그것이 진정한 여정입니다:

프롬프트 (Prompt) → 가설 (Hypothesis) → 실험 (Experiment) → 증거 (Evidence) → 학습 (Learning) → 신약 (Drug)

그리고 어쩌면 AI 기반 과학의 궁극적인 아키텍처는 더 나은 챗봇 (chatbot)이 아닐 것입니다.

그것은 **폐쇄 루프 과학 지능 시스템 (closed-loop scientific intelligence system)**이 될 것입니다.

참고 문헌