그래프 기술로 제약 및 생명과학 분야를 위한 주체적인 AI 설계하기: 복잡한 증거에서 설명 가능한 통찰력까지

이번 블로그에서는 최근에 얻은 통찰력을 공유하고 싶어요. 웹 세미나에서 제약 및 생명 과학 분야의 Agentic AI에 대해 알아보고, 조직이 단편화된 데이터와 격리된 LLM 실험에서 확장 가능하고 설명 가능하며 생산 준비가 된 AI 시스템으로 전환하는 데 그래프 기술이 어떻게 도움이 되는지 살펴볼게요.

세션에서는 제약 및 생명 과학에서 반복되는 패턴에 대해 이야기했어요. 복잡하고 고도로 연결된 과학은 경직된 시스템에 갇혀 있고, 데이터 기반이 연결을 위해 설계되지 않았기 때문에 AI 이니셔티브가 어려움을 겪고 있다는 점을 짚었죠.

---

핵심 과제: 이질성, 연결성 및 비정형 데이터

제약 R&D, 임상, 상업 기능 전반에 걸쳐 다음과 같은 세 가지 구조적 과제가 있어요.

• – 유전자 동의어, 다중 식별자, 진화하는 온톨로지.
• 고도로 연결된 생물학 – 유전자 → RNA → 단백질 → 경로 → 질병 → 약물.
• 규모에 맞는 비정형 콘텐츠 – 출판물, 특허, CSR, 계약, 슬라이드 데크, 인터뷰.

생물학은 네트워크 그 자체라고 할 수 있죠. 하지만 많은 시스템이 여전히 끝없는 `JOIN`과 수동 연결이 필요한 테이블에 의존하고 있어요.

세션에서 논의했듯이, 질문에 답하기 위해 정기적으로 3개 이상의 `JOIN`(또는 여러 스프레드시트 결합)을 수행한다면 Graph 문제에 직면했을 가능성이 높아요.

Knowledge Graph는 과학자들이 생각하는 방식, 즉 의미 있는 관계로 연결된 개체와 자연스럽게 맞아떨어지죠.

---

그래프 사고에서 Agentic AI까지

그래프는 구조적인 문제를 해결하고, Agentic AI는 지능을 더해줘요.

하지만 제약과 같이 규제가 엄격한 산업에서는 블랙박스 시스템을 피해야 해요. 그래서 다음과 같은 디자인 원칙을 강조했죠.

에이전트가 생각하게 하고, 도구가 작동하도록 만드세요!

LLM은 의도와 맥락에 대해 추론하고, 결정적인 도구, `Query`, 추출 파이프라인 및 유효성 검사 로직이 작업을 실행해요. 이러한 분리는 신뢰성, 거버넌스 및 설명 가능성을 향상시키죠.

세션 중에 강조된 내용은 다음과 같아요.

“신은 에이전트와 주사위 놀이를 하지 않습니다.”

— (아마도) 아인슈타인

Large Language Model은 본질적으로 확률적이에요. 하지만 제약 및 생명과학에서는 결정이 연구 프로그램, 환자 안전 또는 규제 제출에 영향을 미칠 때 확률에 의존할 수 없어요. 따라서 에이전트 시스템은 지능형 추론과 결정론적 그래프 기반 실행을 결합하여 반복성과 추적성을 보장해야 하죠.

---

스키마 우선 Knowledge Graph 구축

에이전트를 기반으로 하는 실용적인 방법은 추출 전에 명확한 도메인 `Schema`를 정의하는 거예요.

# Example domain schema

node_types = ["Molecule", "Company", "Target", "Disease"]

rel_types = ["TREATS", "TARGETS", "ASSOCIATED_WITH", "IN_PIPELINE"]

patterns = [

("Molecule", "TREATS", "Disease"),

("Molecule", "TARGETS", "Target"),

("Disease", "ASSOCIATED_WITH", "Target"),

("Company", "IN_PIPELINE", "Molecule"),

]

이제 출판물, 특허, 임상 연구 보고서(CSR)와 같은 구조화되지 않은 소스를 처리해서 이 스키마를 채워 넣는 거예요. 추출된 각 사실은 원래 소스로 다시 연결할 수 있게 되죠.

예를 들어, 다음과 같은 텍스트가 있다면:

"분자는 관련성이 있는 것 같습니다."

이것이 다음과 같이 바뀌는 거죠:

• 정규화된 분자 entity
• 연결된 질병 entity
• 정의된 관계 유형
• 추적 가능한 소스 단락

설명 기능은 새롭게 추가되는 게 아니라, 이미 내장되어 있다는 점! 😉

Python 및 Neo4j와 함께 GraphRAG를 사용하는 실습 예제는 Github 워크숍 저장소를 참고해주세요.

---

GraphRAG 작동 방식: 제어된 Query

LLM이 임의의 데이터베이스 Query를 생성하도록 허용하는 대신, 선별된 그래프 도구를 제공하는 거예요.

예를 들어 이런 거죠:

MATCH (g:Gene {symbol: $geneSymbol})-[:ENCODES]->(p:Protein)

MATCH (p)-[r:INTERACTS_WITH]->(p2:Protein)

RETURN p.id AS source_protein,

p2.id AS target_protein,

r.score AS interaction_score

ORDER BY interaction_score DESC

LIMIT 25;

에이전트가 도구를 선택하고,
데이터베이스는 Query를 결정적으로 실행하고,
결과는 감사 가능한 상태로 유지되는 방식이에요.

이 모델은 제약 환경에 중요한 규정 준수 요구 사항과 역할 기반 액세스 제어를 지원한다는 점! 👍

---

 

제약 업계의 에이전트 AI는 채팅 인터페이스에만 머물러선 안 되겠죠.

다음과 같은 곳에서도 통찰력이 드러나야 해요:

• R&D 대시보드
• 경쟁 정보 포털
• 임상 운영 조종석
• 안전 모니터링 시스템

그래프 기반을 사용하면 대시보드가 동적이고 설명 가능해져요. 에이전트는 다음을 수행할 수 있게 되죠.

• 타겟이 순위에 나타나는 이유를 설명
• 시험 및 출판물 간의 연결 추적
• 정확한 증거 경로를 그래프로 표시

시각화는 Knowledge Graph로 뒷받침되기 때문에 모든 측정 항목은 텍스트 유사성뿐만 아니라 연결된 엔터티 및 관계까지 추적할 수 있어요.

---

약물 수명주기 전반에 걸쳐

이 아키텍처는 제약 가치 사슬 전반에 걸쳐 적용된답니다.

각 경우에 그래프는 다음과 같은 역할을 하죠:

• A , 에이전트를 위한
• A , 기업 지식을 위한
• A , 거버넌스 및 설명 가능성을 위해

Agentic AI는 투기적인 보조자가 아닌 구조화된 증강 시스템이 되는 거예요.

---

실제 사례: 노바티스와 연결된 약물 발견

이 접근법은 이미 실제로 시행되고 있는데요. 바로 Novartis에서 초기 약물 발견을 가속화하기 위해 그래프 기술을 사용하고 있다는 사실!

Novartis는 생물의학 Knowledge Graph 이니셔티브에 다음을 통합했어요.

• 텍스트 마이닝된 과학 문헌
• 내부 실험 데이터세트
• 생물학적 배경 지식

통일된 Knowledge Graph로 말이죠.

이를 통해 연구자들은 연결된 단일 시스템에서 유전자-질병-화합물 관계를 탐색하여 생물학적 해석을 개선하고 유망한 표적의 우선순위를 보다 효율적으로 지정할 수 있게 되었답니다. 👉전체 고객 사례 읽기

---

결론 및 다음 단계

제약 분야에서 Agentic AI를 구축하는 것은 기존 시스템 위에 LLM을 추가하는 것 이상이에요. 다음이 필요하죠:

• 연결된 데이터 기반
• 온톨로지 인식 추출
• 도구 기반 실행
• 설명 가능한 그래프 기반 검색

Knowledge Graph는 구조를 제공하고,
에이전트 워크플로는 확장 가능한 인텔리전스를 제공한답니다.

이 주제에 대해 계속해서 탐구해볼 예정이에요. GraphTalk 제약 및 생명과학 제3판, 뮌헨에서 개최되는 하이브리드 이벤트인데요. 오후에는 Knowledge Graph를 기반으로 에이전트 시스템을 구축하고 구현 패턴에 대해 더 자세히 알아보는 데 초점을 맞춘 보다 기술적인 세션을 계획하고 있답니다.

계속 대화하면서 설명 가능하고 연결된 차세대 AI 시스템을 함께 구축해나가기를 기대할게요!

---

에이치시스템즈의 LogTree는 Neo4j 기반 GraphRAG 플랫폼으로, 데이터를 자동으로 지식그래프화하고 자연어 질의로 즉시 답을 제공합니다.

👉 에이치시스템즈 홈페이지