Agentic AI 기반 신약 개발 워크플로 자동화: AWS 해커톤에서 입증한 SK바이오팜 참가팀의 도전 사례

해당 포스트는 SK 바이오팜의 박건태, 고일규님, 이승욱님, 이준님, 전인혁님과 함께 작성했습니다.

신약 개발은 현대 의학에서 가장 복잡하고 위험도가 높은 분야 중 하나입니다. 하나의 신약이 시장에 출시되기까지 평균 10-15년의 시간과 수십억 달러의 비용이 소요되며, 성공률은 10% 내외에 불과합니다. 이러한 높은 실패율의 주요 원인 중 하나는 바로 의사결정 과정에서의 정보 부족과 분석의 한계입니다.

특히 국내 제약·바이오 기업들이 직면한 큰 어려움 중 하나는 Lead Optimization 단계에서 나타납니다. 수천 개의 후보물질 중에서 임상시험에 진입할 소수의 화합물을 선별하는 이 과정은 극도로 정교한 분석을 요구합니다. 연구자들은 PubChem, ChEMBL과 같은 화합물 데이터베이스에서 특정 타겟에 대한 화합물의 구조와 약효 사이의 관계(SAR)를 분석하여, 더 나은 활성을 갖는 신규 물질을 설계하거나 기존 특허를 회피하기 위한 아이디어를 얻고, PubMed의 방대한 문헌에서 독성 및 효능 정보를 찾아내며, ClinicalTrials.gov에서 유사 화합물의 임상시험 결과를 검토해야 합니다.

하지만 현실은 녹록하지 않습니다. 하나의 후보물질을 제대로 평가하기 위해서는 연구자가 여러 데이터베이스를 오가며 며칠에서 몇 주씩 정보를 수집하고 분석해야 합니다. 더욱 심각한 문제는 이렇게 수집한 정보들이 각각 다른 관점과 형태로 존재하여, 이를 종합적으로 해석하고 통합된 인사이트를 도출하는 것이 극도로 어렵다는 점입니다.

이러한 한계는 신약 개발의 가장 중요한 분기점인 Go/No-Go Decision을 더욱 어렵게 만듭니다. “이 화합물이 다음 단계로 진행할 가치가 있는가?”라는 질문에 답하기 위해서는 화합물의 약리학적 특성, 독성 프로필, 제조 가능성, 지적재산권 상황, 경쟁 환경 등을 모두 고려해야 합니다. 하지만 정보가 파편화되어 있고 분석에 너무 많은 시간이 소요되다 보니, 연구자들은 불완전한 정보를 바탕으로 중요한 의사결정을 내릴 수밖에 없는 상황에 자주 놓이게 됩니다.
결과적으로 많은 제약·바이오 기업들이 Lead Optimization의 병목 현상을 겪고 있으며, 이는 전체 신약 개발 프로세스의 지연으로 이어지고 있습니다. 연구자 개개인의 경험과 직관에 의존하는 의사결정 방식은 일관성과 객관성을 보장하기 어려우며, 무엇보다 급변하는 과학 기술 발전 속도를 따라잡기 어렵습니다.

SK바이오팜 참가팀의 도전 과제

많은 제약 회사에서 후보물질 탐색과 최적화 과정에서 크게 두 가지 어려움에 직면해 있었습니다. 첫째, 후보물질을 평가하기 위해 수많은 데이터베이스와 문헌을 연구자가 직접 검색해야 했습니다. 이 과정은 며칠씩 소요될 뿐 아니라, 연구자 개개인의 경험과 역량에 크게 의존했습니다. 둘째, 정보가 각각의 소스에 흩어져 있어 통합적인 연구 인사이트를 얻기 어려웠습니다. 이는 신약 개발의 핵심 단계인 Lead Optimization과 Go/No-Go Decision을 지연시키는 요인으로 작용했습니다. SK바이오팜 참가팀은 이 문제를 해결하기 위해, AWS 해커톤에서 제시된 기술 환경을 바탕으로 “Agentic AI를 활용해 후보물질 탐색과 의사결정을 자동화할 수 있지 않을까?”라는 질문에 도전했습니다.

접근 방식 및 해결 전략

연구원들의 대부분이 AI 개발 전문가가 아닌 도메인 전문가였기에, 복잡한 개발 과정 없이 신속하게 AI 에이전트를 구축할 수 있는 환경이 필요했습니다. 이러한 요구사항을 해결하기 위해 쉽게 최신 프레임워크인 Strands Agents를 활용하여 에이전트 개발을 진행했습니다. Strands Agents는 오픈소스 기반의 유연성과 비전문가도 몇줄의 코드로 쉽게 AI 에이전트를 개발할 수 있는 특징을 가지고 있습니다. 또한 개발 과정에서 발생하는 코딩 업무를 효율적으로 지원하기 위해 Amazon Q Developer CLI를 적극 활용했습니다. 이러한 도구들의 조합을 통해 연구원들은 복잡한 코딩에 많은 시간을 소비하지 않고 빠른 시간 안에 혁신적인 에이전트 애플리케이션을 구축할 수 있었습니다.

기술 구현

SK바이오팜 참가팀에서 구현한 연구 자동화 아키텍처는 다음과 같은 단계로 이루어졌습니다.

입력 단계: 연구자는 분석할 화합물의 구조를 SMILES Code로 입력합니다.
분석 엔진: Amazon SageMaker 환경에서 TxGemma(2B) 모델을 활용해 ADMET 예측, 물리화학적 특성 분석, 단백질-리간드 상호작용 평가를 수행합니다.
에이전트 협업: 3개의 AI 에이전트가 각기 다른 전문성을 바탕으로 분석을 수행합니다.
1. Walter White – PubChem, ChEMBL 기반 화합물 데이터 전문가
2. Dr. Gregory House – PubMed 기반 약동학(PK), 약력학(PD), 안전성, 부작용 예측 전문가
3. Harvey Specter – OpenFDA, ClinicalTrials.gov 기반 임상·규제 전략 분석 전문가
리포트 생성: 개별 분석 결과는 다시 종합되어, 후보물질에 대한 통합 상태 진단 리포트로 제공됩니다.

이 아키텍처의 핵심은 Multi-Agent 패턴과 Strands Agents였습니다. 단일 모델 실행이 아니라, 여러 에이전트가 협력하며 각자의 전문성을 반영한 결과를 도출했기 때문에, 기존에는 얻기 어려웠던 통합적이고 다차원적인 인사이트를 연구자에게 제공할 수 있었습니다.

아키텍처 및 처리 흐름

SK바이오팜 참가팀이 구현한 연구 자동화 시스템은 신약 개발 특화 오픈소스 모델인 TxGemma 모델 기반 물질 특성 예측과 Multi-Agent 협업을 결합한 구조로, 크게 두 가지 핵심 기능을 제공합니다.

(TxGemma 소개: 치료제 개발을 개선하기 위한 개방형 모델)

1단계: 분자 특징 예측 (Amazon SageMaker + TxGemma)

연구자는 분석할 화합물의 구조를 SMILES (Simplified Molecular-Input Line-Entry System) Code로 입력합니다. Amazon SageMaker 환경에 배포된 TxGemma(2B) 모델이 입력된 SMILES를 분석하여 총 22가지의 분자 특징을 예측합니다. 여기에는 ADMET(흡수, 분포, 대사, 배설, 독성) 프로파일, 물리화학적 특성, 단백질-리간드 상호작용 등이 포함되며, 이 예측 결과는 모든 후속 분석의 기초 데이터로 활용됩니다.

아래 코드와 같이 Amazon SageMaker AI Studio에서 간단하게 인스턴트를 할당받고, Hugging Face를 통하여 TxGemma 모델을 배포할 수 있었습니다.

# SageMaker AI Studio에서 TxGemma 모델 배포를 위한 핵심 코드

import json
import sagemaker
import boto3
from sagemaker.huggingface import HuggingFaceModel, get_huggingface_llm_image_uri
import time

# --- 1. 기본 환경 설정 ---
# Hugging Face Hub에 접근하기 위한 토큰을 설정합니다.
HF_TOKEN = "hf_xxxxxxxxxxxxxxxx" # 본인의 허깅페이스 토큰으로 교체해야 합니다.

# SageMaker 실행을 위한 IAM 역할을 가져옵니다.
try:
    role = sagemaker.get_execution_role()
except ValueError:
    iam = boto3.client('iam')
    # 'sagemaker_execution_role'은 실제 환경에 맞게 수정될 수 있습니다.
    role = iam.get_role(RoleName='sagemaker_execution_role')['Role']['Arn']

# --- 2. TxGemma 모델 정의 ---
# 배포할 모델(txgemma-2b-predict)과 GPU 설정을 정의합니다.
hub = {
    'HF_MODEL_ID': 'google/txgemma-2b-predict',
    'SM_NUM_GPUS': json.dumps(1),
    'HF_TOKEN': HF_TOKEN,
}

# HuggingFaceModel 클래스를 사용하여 SageMaker 모델을 생성합니다.
huggingface_model = HuggingFaceModel(
    image_uri=get_huggingface_llm_image_uri("huggingface", version="3.2.3"),
    env=hub,
    role=role,
)

# --- 3. 모델 배포 및 테스트 ---
# 엔드포인트 이름을 타임스탬프를 이용해 고유하게 생성합니다.
endpoint_name = f"txgemma-endpoint-{int(time.time())}"

# SageMaker 엔드포인트에 모델을 배포합니다.
# 인스턴스 타입은 'ml.g5.2xlarge'를 사용하며, 필요시 변경 가능합니다.
predictor = huggingface_model.deploy(
    initial_instance_count=1,
    instance_type="ml.g5.2xlarge",
    container_startup_health_check_timeout=900, # 컨테이너 시작 시간 연장
    endpoint_name=endpoint_name,
)

# --- 4. 배포된 모델 테스트 ---
# 배포가 완료된 모델에 테스트 입력을 보내 결과를 확인합니다.
response = predictor.predict({
    "inputs": "Hello world",
    "parameters": {"max_new_tokens": 5}
})

# 테스트 결과와 성공적으로 배포된 엔드포인트 이름을 출력합니다.
print(f"✅ 테스트 결과: {response}")
print(f"📌 배포 성공! 엔드포인트: {endpoint_name}")

2단계: Multi-Agent 협업 시스템 (Strands Agents)

TxGemma의 예측 결과를 바탕으로, 3개의 전문 AI 에이전트가 각자의 전문 영역에서 심층 분석을 수행합니다.

이때 에이전트 간의 오케스트레이션을 구현하기 위하여 Strands Agents SDK를 사용하였습니다.

Walter White (화학 전문가) – PubChem, ChEMBL 데이터베이스를 활용하여 유사 화합물 검색, 구조-활성 관계(SAR) 분석, 물리화학적 특성 평가를 수행합니다.
Dr. Gregory House (임상약리 전문가) – TxGemma 예측 결과를 기반으로 안전성 프로파일 분석, PK/PD 특성 평가, 독성 위험도 예측을 수행하며, PubMed 문헌 데이터를 활용한 임상적 인사이트를 제공합니다.
Harvey Specter (규제 전략가) – ClinicalTrials.gov 데이터를 활용하여 유사 약물의 임상 개발 사례 분석, FDA 승인 경로 평가, 개발 전략 및 시장 진입 방안을 수립합니다.

Multi-Agent 패턴의 핵심 혁신

이 아키텍처의 핵심은 질문 기반 동적 에이전트 소집과 전문가 협업 통합입니다.

단일 모델 실행이 아니라, 여러 에이전트가 협력하며 각자의 전문성을 반영한 결과를 도출했기 때문에, 기존에는 얻기 어려웠던 통합적이고 다차원적인 인사이트를 연구자에게 제공할 수 있었습니다.

특히 스마트 컨설팅 기능은 사용자의 의도를 자동으로 파악하여 최소한의 필요한 전문가만 투입함으로써 응답 속도와 정확성의 최적 균형을 달성했습니다. 간단한 질문에는 5초 이내로 빠르게 답변하고, 복잡한 질문에는 모든 전문가가 협업하여 종합적인 분석을 제공합니다.

이러한 Multi-agent 패턴을 구현하기 위하여 Strands Agents SDK를 활용하였고 비개발자도 쉽게 Multi-agent system을 구현할 수 있었습니다.

솔루션 데모

데모에서는 연구자가 SMILES 코드를 입력하면, 사전에 정의된 Property별 프롬프트를 TxGemma로 전달하고, 이를 통해 용해도, 안정성, 독성 등 다양한 특성이 동시에 분석되었습니다. 참가자들은 기존에 수 일이 걸리던 과정을 한 시간이 채 걸리지 않는 시간으로 단축할 수 있었고, AI가 작성한 통합 리포트를 통해 의사결정을 지원받는 경험을 할 수 있었습니다. 이 과정에서 연구자들은 단순히 AI 모델의 결과를 확인하는 수준을 넘어, “연구자가 AI에게 업무를 위임하고 결과를 받아보는” 새로운 협업 방식을 직접 체감했습니다. 이는 연구 생산성을 높이는 혁신적인 패러다임으로, 참가자들에게 깊은 인상을 남겼습니다.

두 가지 핵심 기능

기능 1: AI 전문가 종합 분석

3명의 전문가 에이전트가 모두 협업하여 화합물을 다각도로 종합 분석하는 기능입니다. Walter White, Dr. House, Harvey Specter가 동시에 투입되어 각자의 전문 분야에서 분석을 수행하고, 그 결과는 종합 분석 리포트(Executive Decision Analysis) 형태로 통합됩니다.
이 기능은 신규 후보물질에 대한 전면적인 평가가 필요할 때, 또는 Go/No-Go Decision처럼 중요한 비즈니스 판단이 필요할 때 활용됩니다. 화학적 타당성, 임상 안전성, 규제 전략을 모두 고려한 종합 리포트가 생성되며, 경영진 관점에서 실행 가능한 권장사항이 제시됩니다.

# =============================================================================
# 주요 Agent system prompt
# =============================================================================

# Walter White, 약물구조 전문가 Agent #      
You are Walter White, a legendary medicinal chemist with 15+ years of experience in drug discovery and ADMET optimization.

**Your Core Expertise:**
- Structure-Activity Relationship (SAR) analysis
- ADMET-guided molecular design and optimization  
- Bioisosteric replacements and scaffold modifications
- CYP inhibition and hERG toxicity mitigation strategies
- Synthetic feasibility assessment

**Your Analysis Framework:**
1. **Risk Assessment**: Identify the most critical ADMET liabilities
2. **Structural Analysis**: Map liabilities to specific molecular features using SMARTS patterns
3. **Literature Context**: Leverage evidence from PubChem similar compounds
4. **Design Strategy**: Propose specific, actionable modifications with SMILES
5. **Feasibility**: Consider synthetic accessibility and activity retention

**Your Personality:**
- Brilliant, methodical, obsessed with molecular perfection
- "Chemistry is the study of matter, but I prefer to see it as the study of change."
- Precise, technical, slightly dramatic in explanations
- Always provide scientific rationales with confidence levels

**Output Format Requirements:**
- **Max 500 words total**
- Use clear section headers with emojis (⚠️ High-Risk Parameters, 📊 PubChem Evidence, 🔧 Structural Modifications, etc.)
- Keep each section concise and focused
- Provide structured analysis with bullet points
- Include confidence levels for recommendations
- **IMPORTANT: Respond in Korean (한국어로 답변하세요).**

# Dr. Gregory House, 임상약리 전문가 Agent #
You are Dr. Gregory House, a brilliant and cynical clinical pharmacologist with 20+ years of experience.

**Your Core Expertise:**
- Quantitative pharmacokinetics and pharmacodynamics (PK/PD)
- Drug-drug interaction (DDI) risk assessment and management
- Dose optimization and therapeutic drug monitoring (TDM)
- Clinical trial design for PK/PD studies
- Special population dosing strategies
- Patient safety and risk mitigation

**Your Personality:**
- "Everybody lies, especially drug molecules."
- Cynical but brilliant diagnostic approach
- Focus on clinical reality and patient safety
- Provide quantitative assessments with specific numbers
- Skeptical of overly optimistic predictions

**Output Format Requirements:**
- **Max 450 words total**
- Use clear section headers with emojis (💊 PK Profile, ⚠️ DDI Risks, 🎯 Dosing Strategy, etc.)
- Include specific numbers and ranges where possible
- Provide practical clinical management strategies
- **IMPORTANT: Respond in Korean (한국어로 답변하세요).**

**Structure your response as:**
💊 **PK/PD Profile**: [Bioavailability, distribution, elimination estimates]
⚠️ **DDI Risk Assessment**: [CYP interaction potential with specific recommendations]
🎯 **Dosing Strategy**: [Starting doses, special populations, monitoring]
🔬 **Clinical Monitoring**: [Safety parameters, TDM recommendations]
🏥 **Patient Safety**: [Key risks and mitigation strategies]

# Harvey Specter, 규제 전략 전문가 Agent #
You are Harvey Specter, a master clinical development strategist and regulatory affairs expert with 20+ years of experience.

**Your Core Expertise:**
- Clinical development strategy and trial design
- FDA regulatory pathway navigation and approval strategies
- Real-world evidence analysis (FDA databases, literature, trials)
- Competitive intelligence and market landscape assessment
- Risk-benefit analysis and development decision-making
- Cross-functional program leadership and portfolio management

**Your Personality:**
- "I don't get lucky, I make my own luck and approvals."
- Confident, strategic, always thinking three steps ahead
- Master of regulatory chess - anticipating FDA moves
- Data-driven but with commercial instincts
- Never settles for anything less than winning

**Your Analysis Framework:**
1. **Real-World Evidence**: Systematically gather FDA, PubMed, ClinicalTrials.gov data
2. **Regulatory Risk Assessment**: Evaluate approval probability and hurdles
3. **Clinical Strategy**: Design phase-appropriate development plans
4. **Competitive Analysis**: Assess market landscape and differentiation
5. **Investment Decision**: Provide go/no-go recommendations with rationale

**Output Format Requirements:**
- **Max 500 words total**
- Use clear section headers with emojis (⚖️ Regulatory Risk, 🎯 Clinical Strategy, 💼 Commercial Strategy, etc.)
- Include specific timelines and budget considerations
- Provide actionable next steps with priorities
- **IMPORTANT: Respond in Korean (한국어로 답변하세요).**

**Structure your response as:**
⚖️ **Regulatory Risk Assessment**: [FDA approval probability and key hurdles]
🎯 **Clinical Development Strategy**: [Phase design and timeline recommendations]
💼 **Competitive Landscape**: [Market position and differentiation opportunities]
📊 **Real-World Evidence**: [FDA/literature insights and precedents]
🚀 **Next Steps**: [Immediate actions with priorities]

기능 2: 스마트 컨설팅 (자연어 기반 동적 에이전트 선택)

연구자가 자연어로 질문을 입력하면, **AI CEO (Amazon Bedrock의 Claude Sonnet 4.5 기반)**가 질문의 의도를 분석하여 적절한 전문가 에이전트를 자동으로 선택하는 기능입니다.

예를 들어:

“심장독성 위험은?” → Dr. House + Walter White 선택
“FDA 승인 가능성은?” → Harvey Specter + Dr. House 선택
“구조를 어떻게 개선할까?” → Walter White + Dr. House + Harvey Specter 모두 선택

질문의 성격에 따라 1개에서 3개의 에이전트가 동적으로 소집되며, 선택된 에이전트들만 병렬로 분석을 수행합니다. AI CEO는 각 전문가의 분석 결과를 종합하여 질문에 대한 통합 답변을 생성합니다.

이 기능은 연구 과정에서 발생하는 구체적인 질문에 즉시 답변이 필요할 때 활용됩니다. 연구자는 복잡한 도구 사용법을 배우거나 어떤 전문가에게 무엇을 물어야 할지 고민할 필요 없이, 자연어 질문 하나로 필요한 인사이트를 얻을 수 있습니다.

# =============================================================================
# 💬 스마트 컨설팅 - Executive Orchestrator System 기능 구현 코드
# =============================================================================

class ExecutiveOrchestrator:
    """
    Executive Orchestrator - 사용자 질문에 따라 적절한 전문가를 선택적으로 호출합니다.
    """
    def __init__(self):
        """Executive Orchestrator를 초기화합니다."""
        if not STRANDS_AVAILABLE:
            self.available = False
            return
        
        self.available = True
        
        # Bedrock 모델 설정 (Claude Sonnet)
        session = boto3.Session(region_name="us-west-2")
        self.model = BedrockModel(
            model_id="us.anthropic.claude-sonnet-4-20250514-v1:0",
            boto_session=session,
            temperature=0.1,
            max_tokens=3000
        )
        
        # CEO 역할을 수행하는 Orchestrator Agent 생성
        self.orchestrator = Agent(
            name="executive_orchestrator",
            model=self.model,
            system_prompt="""당신은 제약회사의 CEO이자 최고 의사결정권자입니다. 
            
**당신의 역할:**
- 사용자의 질문을 분석하여 적절한 전문가를 선택
- 전문가 분석 결과를 종합하여 경영진 수준의 답변 제공
- 명확하고 실행 가능한 권장사항 제시

**당신의 전문가 팀:**
- **Walter White (chemist)**: 분자 구조, 화학적 특성, 구조 최적화
- **Dr. House (pharmacologist)**: 약동학, 약력학, 안전성, 부작용
- **Harvey Specter (regulatory)**: 규제 전략, FDA 승인, 임상 개발

**질문 분석 가이드:**
- 구조/화학 관련 → Walter White 호출
- 안전성/부작용/PK 관련 → Dr. House 호출  
- 승인/규제/임상 관련 → Harvey Specter 호출
- 종합 평가 → 필요한 전문가들 순차 호출

**응답 형식:**
1. 질문 이해 및 전문가 선택 이유 설명
2. 전문가 분석 결과 요약
3. CEO 관점의 종합 판단
4. 구체적인 권장사항

한국어로 명확하고 전문적으로 답변하세요.""",
            # 호출 가능한 전문가(tool) 목록을 지정합니다.
            tools=[
                walter_white_chemist,
                gregory_house_pharmacologist, 
                harvey_specter_strategist
            ]
        )
    
    # ... (analyze_question, _format_predictions_for_context 메소드 포함) ...

# 전역 Executive Orchestrator 인스턴스를 관리하기 위한 함수
executive_orchestrator = None

def get_executive_orchestrator():
    """Executive Orchestrator 싱글톤 인스턴스를 반환합니다."""
    global executive_orchestrator
    if executive_orchestrator is None:
        executive_orchestrator = ExecutiveOrchestrator()
    return executive_orchestrator
    
    
# Executive Orchestrator 사용 예시

async def run_smart_consulting(user_question, smiles, predictions, target):
    """
    사용자 질문에 따라 오케스트레이터를 실행하고 컨설팅 결과를 반환하는 예시 함수
    """
    
    # 1. 오케스트레이터 인스턴스를 가져옵니다.
    orchestrator = get_executive_orchestrator()
    
    if not orchestrator.available:
        print("오류: Strands Agents SDK가 설치되지 않았습니다.")
        return

    print(f"'{user_question}'에 대한 스마트 컨설팅을 시작합니다...")

    # 2. analyze_question 메소드를 호출하여 분석을 시작합니다.
    # 이 메소드 내부에서 오케스트레이터가 질문을 분석하고,
    # 적절한 전문가(walter_white_chemist 등)를 tool로서 호출합니다.
    result = await orchestrator.analyze_question(
        user_question=user_question,
        smiles=smiles,
        predictions=predictions,
        target=target
    )

    # 3. 최종 결과를 출력합니다.
    if result.get("success"):
        print("\n[컨설팅 결과]")
        print(result.get("orchestrator_response"))
    else:
        print(f"\n[오류 발생]")
        print(result.get("error"))

# --- 실제 호출 시나리오 ---
# user_question = "이 화합물의 심장 독성 위험과 FDA 승인 가능성에 대해 알려주세요."
# smiles_data = "CC(C)CC1=CC=C(C=C1)C(C)C(=O)O"
# txgemma_predictions = { ... } # TxGemma 예측 결과
# target_info = "KRAS G12C"
#
# asyncio.run(run_smart_consulting(user_question, smiles_data, txgemma_predictions, target_info))

결과와 인사이트

이번 해커톤에서 SK바이오팜 참가자들은 다음과 같은 구체적인 성과를 얻었습니다.

Agentic AI를 활용하여, 기존 1주일(40시간) 정도 걸리던 후보 물질 평가 과정을 1시간 이내로 단축시킬 수 있는 잠재력 확인
개별 데이터 분석이 아닌, 통합 리포트 기반 인사이트 제공으로 의사결정을 지원하고 소요시간 단축
Strands Agents SDK를 통해 여러 전문 에이전트(Agent)를 통합함으로써, 연구자가가 자신의 전문 분야가 아닌 부분까지 종합적으로 판단할 수 있도록 지원
단순 AI 도구 활용보다 Agentic AI 접근법이 훨씬 실질적 가치를 제공한다는 점 확인

이번 경험의 또 다른 의의는, AI가 단순 분석 도구를 넘어 ‘Agentic AI’라는 형태로 연구자의 주도적인 파트너 역할을 수행할 수 있음을 입증한 것입니다. AI는 단순히 자동화 도구가 아니라, 연구자가 새로운 아이디어를 탐색하고 실험 전략을 세우는 과정에서 함께하는 동반자가 될 수 있음을 보여주었습니다.

SK바이오팜 참가팀의 이러한 혁신적인 시도는 AWS가 지난 8월 25일 개최한 첫 번째 Life Sciences R&D 해커톤에서 선보여졌습니다. 특히 Lead Optimization과 Go/No-Go Decision의 핵심 과제를 Agentic AI로 해결하려는 접근법이 높은 혁신성을 인정받아 우수 사례로 선정되었습니다.

AWS 기술 블로그