--- title: "스탠퍼드 연구진, 문헌검색부터 실험설계까지 돕는 의생명 연구 인공지능 ‘바이옴니’ 공개" published: 2026-07-10T07:05:01.986Z canonical: https://jeff.news/article/4873 --- # 스탠퍼드 연구진, 문헌검색부터 실험설계까지 돕는 의생명 연구 인공지능 ‘바이옴니’ 공개 스탠퍼드대 연구진이 의생명과학 연구의 문헌검색, 데이터 분석, 실험 프로토콜 설계 등을 자동화하는 인공지능 에이전트 ‘바이옴니’를 개발해 사이언스에 발표했다. 다만 전문가들은 완전히 새로운 모델이라기보다 대규모 언어 모델이 연구 도구와 데이터베이스를 하나의 워크플로우로 연결한 성과에 가깝다고 평가했다. - 의생명과학 연구 전 과정을 돕는 인공지능 에이전트 ‘바이옴니’가 공개됨 - 개발팀은 케신 황 스탠퍼드대 공대 교수팀임 - 연구 결과는 9일 국제학술지 사이언스에 실림 - 황 교수는 인공지능 기업 파일로의 공동창업자이기도 함 - 바이옴니가 노리는 문제는 연구자가 이미 넘쳐나는 자료를 다 쓰지 못한다는 것임 - 의생명과학 분야는 데이터, 전문 분석도구, 논문이 빠르게 늘고 있음 - 하지만 인력이 부족해 이미 생산된 자료도 충분히 활용되지 못하는 문제가 있음 - 그래서 반복적인 검색과 분석을 인공지능에 맡기고, 사람은 가설과 실험 아이디어에 집중하게 하려는 방향임 - 작동 방식은 “모델 하나가 다 한다”보다 “도구들을 엮어서 일한다”에 가까움 - 바이옴니는 문헌을 분석해 사용할 수 있는 데이터베이스와 소프트웨어를 파악함 - 대규모 언어 모델이 사용자 요청을 여러 단계의 하위 과제로 나눔 - 정해진 작업 양식 없이도 문헌검색, 데이터 분석, 결과 해석 같은 절차를 구성하고 직접 실행함 ```mermaid sequenceDiagram participant 연구자 participant 바이옴니 participant 문헌데이터베이스 participant 분석도구 participant 결과해석 연구자->>바이옴니: 연구 요청 입력 바이옴니->>문헌데이터베이스: 관련 논문과 데이터 검색 바이옴니->>분석도구: 필요한 분석 작업 실행 분석도구-->>바이옴니: 분석 결과 반환 바이옴니->>결과해석: 결과 정리와 실험 절차 구성 바이옴니-->>연구자: 다단계 연구 계획과 결과 제시 ``` - 사례 연구에서는 다단계 작업 수행 능력을 보였다고 함 - 웨어러블 센서 데이터 분석 - 실험실 연구자를 위한 실험 프로토콜 설계 - 단백질 안정성 최적화 - 총 5개 사례 연구에서 연구 요청에 맞는 작업 시간을 크게 줄였다고 설명함 > [!NOTE] > 기사에서 말하는 바이옴니의 강점은 창의적인 가설을 스스로 만든다는 쪽보다, 연구자가 하던 반복 검색·분석·도구 실행을 하나의 워크플로우로 묶는 데 있음. - 연구팀은 바이옴니를 ‘보조 연구자’로 보는 쪽임 - 연구자의 판단과 감독 아래 기초연구부터 임상·산업적 활용까지 발견 속도를 높일 수 있다고 설명함 - 인간 과학자의 능력을 대체하기보다 보완하는 미래를 제시한다는 입장임 - 국내 전문가 평가는 꽤 현실적임 - 임수종 한국전자통신연구원 언어지능연구실장은 최근 논의되는 ‘인공지능 과학자’ 흐름을 대표하는 사례라고 봄 - 동시에 새로운 모델이라기보다는 연구 전 과정을 대규모 언어 모델이 하나의 워크플로우로 수행하도록 한 점이 핵심이라고 짚음 - 앞으로 경쟁력은 거대모델 자체보다 연구데이터, 전문 소프트웨어, 실험장비, 데이터베이스를 잘 연결하는 연구 인프라에서 갈릴 가능성이 높다고 설명함 - 박종화 울산과학기술원 교수는 더 날카롭게 봄 - “전문가 수준”이라는 표현은 과장이라고 지적함 - 생명공학 인공지능의 궁극 분야는 항노화, 정노화, 역노화를 통합한 ‘극노화’로 수렴할 수 있다고 봄 - 최종 벤치마크는 결국 인간 수명을 얼마나 늘렸는지가 될 것이라고 말함 - 한국에 대한 메시지도 있음. 좋은 인공지능만 사면 끝나는 게 아니라는 얘기임 - 박 교수는 “똑똑한 인공지능도 쓰레기를 넣으면 쓰레기가 나온다”고 강조함 - 한국이 30년 뒤 무병장수 사회를 달성하려면 한국형 초정밀 노화 연관 다중오믹스데이터를 인공지능에 제공해야 한다고 봄 - 결국 바이오 인공지능의 실력은 모델, 데이터, 실험 인프라가 같이 가야 나온다는 결론임 --- ## 기술 맥락 - 바이옴니의 기술적 선택은 대규모 언어 모델을 연구 워크플로우의 지휘자처럼 쓰는 거예요. 모델이 모든 생물학 지식을 직접 계산하는 게 아니라, 문헌 데이터베이스와 전문 소프트웨어를 찾아서 순서대로 실행하게 만드는 방식이에요. - 이 접근이 중요한 이유는 의생명 연구가 한 번의 답변으로 끝나는 일이 거의 없기 때문이에요. 논문을 찾고, 데이터셋을 고르고, 분석 도구를 돌리고, 결과를 해석한 뒤 다음 실험을 설계해야 하거든요. 그래서 순서 있는 다단계 작업을 처리하는 에이전트 구조가 잘 맞아요. - 전문가들이 “새 모델보다 인프라가 중요하다”고 말한 것도 이 때문이에요. 좋은 모델이 있어도 연결할 데이터베이스, 검증된 분석도구, 실험장비 접근성이 부족하면 실제 연구 생산성은 크게 오르기 어려워요. - 한국 맥락에서는 다중오믹스데이터 얘기가 핵심이에요. 항노화 같은 장기 과제는 한국인 집단의 정밀한 생물학 데이터가 있어야 의미 있는 분석이 가능해요. 외국 데이터와 범용 모델만으로는 국내 의료·바이오 연구의 디테일을 충분히 잡기 어렵거든요. ## 핵심 포인트 - 바이옴니는 연구 요청을 하위 과제로 나누고 문헌·데이터베이스·소프트웨어를 조합해 실행한다 - 웨어러블 센서 분석, 실험 프로토콜 설계, 단백질 안정성 최적화 등 5개 사례에서 다단계 작업 능력을 보였다 - 전문가들은 인공지능 과학자의 경쟁력이 모델 자체보다 연구 데이터와 도구 연결 인프라에서 갈릴 수 있다고 봤다 ## 인사이트 ‘인공지능 과학자’라는 말은 멋있지만, 지금 단계의 핵심은 천재 모델이 혼자 발견하는 게 아니라 흩어진 연구 도구를 얼마나 잘 묶느냐다. 바이오 분야에서는 좋은 데이터와 실험 인프라가 없으면 똑똑한 에이전트도 결국 한계가 뚜렷하다.