Google Research, 습식 실험실 AI 에이전트 구성 요소 3종 공개

Google Research가 AI 에이전트를 습식 실험실(wet lab)의 실험대에 올리는 연구 세 건을 2026년 10월 16일(현지시간) 블로그에 공개했다. 액체 처리 로봇을 제어하는 검증 프레임워크 VERID, DNA 압타머로 실험실과 에이전트를 닫힌 고리로 묶은 시제품, 암 표적 단백질 결합체 설계 연구다. 단백질 설계에서는 몇 차례 실험만으로 한 자릿수 나노몰(nM) 친화도의 결합체를 얻었다고 회사는 밝혔다.

Google Research는 AI 에이전트가 가설을 세우고 분석하는 데서 나아가 실험을 직접 수행하고 결과로 스스로 개선하는 것을 장기 목표로 제시했다. 모든 과정은 사람의 과학적 판단 아래에서 이뤄진다고 설명했다. 연구는 Annalisa Pawlosky가 이끌었고 Pooja Rao와 Petar Sirkovic가 함께했다. 블로그 상단에는 VERID, 압타머 샌드박스, 에피토프 절제 논문 링크가 걸려 있다. 제품 출시나 요금, 이용 방법은 발표에 나오지 않았다.

에이전트가 실험실에서 막히는 지점

Google Research는 두 가지 문제를 꼽았다. 첫째, 최신 모델도 3차원 기하와 물리적 상태를 안정적으로 추론하지 못한다. 시약을 옮기고 부피를 추적하며 분자생물학 프로토콜을 실행하는 액체 처리 로봇을 자동화할 때 걸림돌이 된다. 둘째, 에이전트의 가설 생성과 컴퓨터 안의(in silico) 설계는 빠르게 발전하지만 실제 실험은 속도를 따라가지 못해 실험 결과 확보가 그 어느 때보다 병목이라고 했다.

탐색 공간도 방대하다. 100개 아미노산으로 된 단백질 하나만 해도 가능한 서열이 최소 20의 100제곱 가지에 이른다고 설명했다.

VERID: 물리 상태를 추적하는 디지털 트윈

VERID(VERified Infrastructure for Discovery Laboratories)는 실험 작업 셀의 의미 기반 디지털 트윈이다. 로봇 팔의 기하 구조부터 개별 웰의 부피, 시약 종류, 피펫 팁 재고까지 실시간으로 추적하는 3차원 부피 개체 트리로 구성된다. 오픈소스 PyLabRobot 위에 만들었다.

에이전트가 문법상 올바르지만 물리적으로 불가능한 코드를 만들 수 있다는 점이 출발점이다. 8채널 피펫을 너무 얕은 홈통에 내리는 경우, 비어 버린 웰에서 흡입하는 경우, 모형화되지 않은 유체 효과로 과학적 결과가 훼손되는 경우가 예로 나왔다. VERID로 에이전트는 액체 처리 로봇용 프로토콜을 계획하고 모의 실행하고 실제로 수행하며, 동기화된 다중 카메라 영상과 상태 추적을 결합해 주기마다 실험을 다듬는다.

• 실시간 3차원 상태 추적: 에이전트가 행동 전에 덱 배치, 웰 부피, 사용 가능한 팁을 확인한다.
• 빠른 가상 시험 실행: 시약을 건드리기 전에 몇 초 만에 모의 실행해 충돌이나 빈 웰을 잡아낸다.
• 하드웨어 안전 점검: 잘못된 명령이 로봇에 닿기 전에 막는다.
• 동기화된 영상과 행동 기록: 모든 실행을 기록해 연구의 엄밀성, 재현성, 디버깅에 쓴다.

사례 연구도 실렸다. 동기화된 영상과 실행 기록은 웰 바닥에 너무 가깝게 분주한 탓에 생긴 고르지 않은 염료 층화를 포착했고, 에이전트는 혼합 전략을 고쳤다. 같은 캠페인 중에는 디지털 트윈 상태가 유지된 덕에 플레이트 리더 고장에서 다시 분주하지 않고 복구했다. 시뮬레이터가 좁은 홈통에 맞지 않는 8채널 흡입을 거부하자 에이전트는 즉석에서 계획을 바꿨고, 반복 실험만으로는 놓쳤을 팁 벽면 잔류 이월(carryover)의 미세한 편향을 가려내는 요인 진단을 설계했다. 닫힌 고리 자기 대국(self-play) 실험에서는 에이전트가 천장 카메라 이미지로 가려진 염료 혼합물을 복원하도록 실험을 반복 설계했고, 자신의 광학·유체 오류를 찾아내 정확도를 5배 넘게 높였다.

대기 시간, 증발, 플레이트 배치 같은 절차 변수까지 담은 전체 실행 기록은, 에이전트가 여러 후보를 라운드마다 병렬로 다듬으면서 생물학적 신호와 실험 잡음을 가려내는 기반이 된다고 Google Research는 설명했다.

압타머로 시험한 닫힌 고리 학습

계산 모델은 습식 반응의 전모를 담지 못해 실험 결과가 필요하다는 전제에서, 연구팀은 단백질에 결합하는 DNA 압타머를 시험대(sandbox)로 삼았다. 에이전트가 설계하고 실험하고 분석하는 주기를 세 번 돌렸다. DNA는 풀 라이브러리로 화학 합성하고 시퀀싱으로 바로 읽을 수 있어 한 주기가 7~10일이다. 에이전트가 후보 서열을 설계하면 자성 비드 위에서 표적 단백질에 대해 선별하고, 시퀀싱으로 얻은 정량 데이터가 다음 주기로 넘어간다.

난이도가 다른 두 표적, 미오글로빈과 α-트롬빈으로 세 라운드를 진행했다. 합리적 설계와 신규(de novo) 설계를 합친 AI 주도 설계의 확인된 표적 적중률은 미오글로빈 33.5%, α-트롬빈 42.1%까지 올랐다. 다만 표적마다 서로 다른 습식 실험 실패 양상을 찾아 극복해야 했다.

미오글로빈에서는 2라운드의 G-쿼드러플렉스 대부분이 표적 외 단백질과 맨 비드에 달라붙는 비특이적 결합체로 드러났다. 에이전트는 이 결과를 보고 3라운드 설계 규칙을 스스로 고쳐 적중률을 9배가량 끌어올렸다. 논문은 에이전트가 과학자처럼 데이터를 분석하고 프로토콜 조정을 제안하는 모습과, 구조생물학자가 탐색하지 않을 서열 공간을 살피는 비전형적 사고도 다뤘다.

단백질 결합체: 에피토프 절제로 8배 이상 가속

단백질은 생물학적으로 발현해야 하므로 주기마다 세포 또는 무세포 선별, 발현, 접힘 단계가 붙고 서열 공간도 커서 계산과 실험 양쪽에서 병목이 생긴다. 연구팀은 고형 종양에서 과발현되는 큰 수용체인 섬유모세포 활성화 단백질 알파(FAP)에 이 워크플로를 적용했다. 몇 차례 실험만으로 상위 설계에서 한 자릿수 나노몰 친화도의 결합체가 나왔다. 회사는 이 정도의 약물 수준 결합이 보통 여러 차례 실험실 최적화 뒤에야 나온다고 설명했다.

신규 결합체 설계는 후보 골격 생성, 맞는 서열 설계, 복합체를 다시 접어 결합을 예측하는 순서로 진행된다. 마지막 재접힘 단계가 GPU 연산 대부분을 쓰며 표적 길이의 제곱에 비례해 늘어난다. 연구팀은 접힘 때 국소 결합 주머니만 잘라내는 방식으로 구조 정확도를 잃지 않고 주기당 속도를 8배 넘게 높였으며, 그림 설명에는 구조 예측이 8.6배 빨라졌다고 적혔다. 어디에 결합하고 주변 구조를 얼마나 포함할지가 LLM 에이전트가 최적화하기에 알맞은 전술 변수가 됐다고 설명했다.

같은 연산량 조건의 대조에서, 과학자가 큰 전략을 정하고 에이전트가 전술 실행을 맡는 협업은 과학자 단독보다 컴퓨터 안 적중률을 거의 두 배로 높였고 훨씬 넓은 표적 부위에서 적중을 찾았다. 계산 파이프라인에 맞춰 실험 선별을 키우기 위해 형광 활성화 세포 분리(FACS)를 결합한 효모 표면 발현 방식을 도입했고, 형광으로 대규모 변이체 라이브러리를 병렬 선별한다.

안전 장치와 남은 과제

Google Research는 자사의 Frontier Safety Framework와 생물 회복탄력성 접근에 맞춰 계산과 실험 양쪽에 안전 장치를 뒀다고 밝혔다. 감염성이 없고 기능획득 위험이 없는 통제된 생물 시스템만 시험대로 골랐고, 설계한 모든 서열에 바이오보안 점검을 적용한다. VERID를 거치면 검증되지 않은 코드는 로봇에 전달되지 않으며, 모든 프로토콜이 시뮬레이션과 디지털 트윈 검증을 먼저 통과한다. 설계 서열의 승인과 검토, 실험 프로토콜 확인, 로봇 실행 감독은 사람이 직접 맡는다.

열린 문제로는 에이전트가 의도치 않은 실험상 지름길이 아닌 진짜 표적 결합을 최적화하게 하는 일, 다단계 습식 프로토콜을 검증하는 일, 에이전트의 추론과 실행 기록을 계속 감시하는 일을 꼽았다.

다음 단계는 VERID의 추적 가능한 자동화와 단백질 발굴의 닫힌 고리 학습을 결합해, 에이전트가 습식 실험실에서 복잡하고 울퉁불퉁한 탐색 공간을 직접 다루게 하는 것이다.