Stanford의 신약개발 에이전트 조직도

핵심

* CSO 에이전트는 질문을 계획하고 전달하지만 데이터 자체에는 접근하지 않습니다.

* 리뷰어 에이전트가 모든 결과물을 검토하며 그 비판에 따라 작업을 반려할 수도 있습니다.

* 해당 분야의 전문가가 각 에이전트의 작업을 감사할 수 있도록 에이전트는 사람의 역할을 본떠 구성됩니다.

1. 겨냥하는 산업

Virtual Biotech은 실제 기업이 아닙니다. Stanford 생물의학 데이터과학과 조교수인 제임스 저우 연구실에서 진행한 학술 실험입니다. 제1저자인 MD-PhD 학생 해리슨 장은 The Stanford Daily와의 인터뷰에서 이를 두고 “연구 프로젝트이자 하나의 아이디어”라고 말했습니다. Stanford 홍보팀은 “급여 없는 직원 3만 7,000명”을 둔 바이오텍으로 묘사하기도 했지만, 이는 비유적인 표현일 뿐입니다. 실제 사업체도, 판매 중인 제품도, 실험실 연구대도 없습니다. 관련 논문은 2026년 2월 프리프린트로 먼저 공개된 뒤 2026-09-17 Science에 게재되었습니다. 코드는 MIT 라이선스로 공개되어 있습니다.

그럼에도 이 글에서 다루는 이유는, 처음부터 AI 에이전트 조직으로 설계되었고 실제 기업 조직의 형태를 그대로 본떠 만들었기 때문입니다. 이 시스템이 겨냥하는 업무는 바이오텍이나 제약회사의 신약 개발 초기 컴퓨터 작업 단계입니다. 어떤 신약 표적을 추진할지 선택하고, 표적을 공략할 때 안전성이 확보되는지 확인하며, 어떤 종류의 약물을 만들지 결정하고, 이전 임상시험 결과에서 교훈을 얻는 일입니다. 연구진은 이 작업이 유전학자, 세포생물학자, 안전성 과학자, 약리학자, 임상 과학자로 구성된 다학제 팀을 통해 이루어지며, 관련 근거가 “팀과 조직 전반에 파편화되어 있다”고 설명합니다. Virtual Biotech은 이를 하나의 조율자 아래로 통합하려는 시도입니다.

이 시스템은 AI 에이전트가 학술 연구 그룹처럼 일하도록 설계했던 저우 교수의 이전 연구 버추얼 랩(Virtual Lab)(2025)에서 출발했습니다. 저우 교수는 The Stanford Daily에 이번 시스템이 단일 연구실을 넘어 훨씬 복잡한 R&D 조직을 본떠 만든 것이라고 설명했습니다.

2. 운영 방식

조직도. 프리프린트 논문에는 11개 에이전트가 등장합니다. 맨 위에는 최고과학책임자(CSO) 에이전트가 있습니다. CSO 집무실에는 브리핑을 준비하는 비서실장과 결과물을 점검하는 과학 검토자 에이전트가 함께 배치되어 있습니다. 그 아래로 4개 부서에 소속된 8개의 과학자 에이전트가 일합니다.

* 표적 발굴 및 우선순위 결정: 통계유전학 에이전트(전장 유전체 연관성 분석 및 관련 유전학적 근거), 기능유전체학 에이전트(CRISPR 스크리닝 및 약물 섭동 데이터), 단일세포 아틀라스 에이전트(세포 유형별 유전자 발현 데이터).

* 표적 안전성: 경로 및 단백질 상호작용 에이전트, 단일세포 아틀라스 에이전트(겸임), 이상반응 보고서와 약물 경고문 및 마우스 녹아웃 데이터를 검토하는 FDA 안전성 담당 에이전트.

* 치료 방식(모달리티) 선택: 표적 생물학자 에이전트(단백질 구조 및 세포 내 위치)와 약리학자 에이전트(동일 표적에 대한 기존 약물 및 화학 프로브).

* 임상 담당: 임상시험 전문가 에이전트와 FDA 안전성 담당 에이전트.

각 에이전트는 고유한 지침과 전용 도구 모음을 갖추고 있습니다. 연구팀은 모델 컨텍스트 프로토콜(MCP)을 사용해 10개의 데이터 서버를 구축했으며, Open Targets, ClinicalTrials.gov, 대규모 단일세포 아틀라스 등 공공 데이터베이스를 다루는 100개 이상의 도구를 연결했습니다. 에이전트 구동에는 Anthropic의 Claude Agent SDK를 사용합니다. 논문에 따르면 CSO와 과학자 에이전트는 Claude Sonnet 4.5를 사용하고, 비서실장과 과학 검토자는 “효율성과 속도를 위해” 크기가 작은 Claude Haiku 4.5를 씁니다.

연구 질의의 전달 경로. 논문은 모든 질의에 대해 동일한 절차를 거친다고 설명합니다.

* 사람이 질문을 던집니다. 예를 들어 특정 단백질이 암 치료에 적합한 신약 표적인지 묻는 식입니다.

* CSO는 비용이 많이 드는 분석을 시작하기에 앞서, 의뢰인이 원하는 바를 명확히 파악하기 위해 인터뷰를 진행합니다. 그사이 비서실장은 해당 분야의 현황, 최근 동향, 시스템이 보유한 데이터를 정리해 브리핑 문서를 작성합니다.

* CSO는 질문을 세부 과제로 쪼갠 뒤 적절한 과학자 에이전트에게 전달합니다. 부서 간 협업을 병렬로 진행할지 순차적으로 진행할지 결정하고, 부서 사이에 오가는 정보를 통제합니다.

* 과학자 에이전트들은 데이터를 조회하고, 분석 코드를 작성해 실행한 뒤 결과를 보고합니다.

* 과학 검토자는 세 가지 기준으로 각 결과물을 점검합니다. 원래 질문에 답하고 있는지, 근거가 얼마나 탄탄한지, 분석이 얼마나 철저한지 살핍니다.

* 검토자가 빈틈이나 근거가 부족한 주장을 발견하면, CSO는 피드백과 함께 관련 에이전트에게 작업을 돌려보냅니다. 문제가 없으면 CSO가 최종 보고서를 작성합니다.

CSO는 직접 데이터를 분석하지 않습니다. 논문 표현을 빌리면 CSO는 “데이터에 직접 접근하거나 분석을 수행하지 않습니다.” CSO의 역할은 무엇을 묻고, 누구에게 묻고, 답변을 어떻게 종합할지 판단하는 데 있습니다.

실제 전달 사례. 논문에 소개된 폐암 사례를 보면 이 흐름이 어떻게 작동하는지 잘 드러납니다. 연구팀은 시스템에 B7-H3라는 단백질이 신약 표적으로 적합한지 평가해 달라고 요청했습니다. 통계유전학 에이전트는 유전적 근거를 살펴봤습니다. 단일세포 아틀라스 에이전트는 B7-H3가 종양 주변 결합조직 세포인 섬유아세포에서 가장 활발히 발현되며, 이 세포들이 면역세포를 억제하는 신호를 보내는 것으로 보인다는 점을 확인했습니다. 이 시점에 CSO가 과학 검토자를 호출했고, 검토자는 이 결론이 조직 내 세포 위치 정보를 잃어버린 단일세포 데이터에서 나왔다고 지적했습니다. 이에 CSO는 단일세포 에이전트를 다시 투입해 폐종양 샘플 12개의 공간 전사체 데이터를 분석하도록 지시했고, 실제로 B7-H3가 풍부한 영역 주변에 면역세포가 적다는 사실을 확인했습니다. 이어서 임상시험 전문가 에이전트가 공개 암 코호트 데이터를 통해 높은 B7-H3 수치가 생존율 저하와 관련이 있는지 확인했습니다. 마지막으로 표적 생물학자 에이전트가 B7-H3가 세포 표면에 위치한다는 점을 확인했고, 약리학자 에이전트는 저분자 화합물이 결합할 만한 포켓이 없다는 결론을 내렸습니다. 이를 바탕으로 CSO는 결합 세포에 독성 물질을 전달하는 항체인 항체-약물 접합체(ADC)를 제안했습니다. 이 과정에서 웹 검색은 전혀 사용되지 않았으며 모델의 지식은 2025년 1월에서 멈춰 있었습니다. 논문에 따르면 이 작업은 하루도 걸리지 않았고 API 비용은 46달러가 들었습니다.

복제를 통한 확장. 언론에 소개된 “에이전트 3만 7,000명”이라는 수치는 한 가지 역할을 맡은 에이전트를 대량 복제한 것을 의미합니다. 임상시험에서 어떤 약물이 성공하는지 분석하기 위해, CSO는 5만 5,984건의 임상시험 공개 데이터셋에 결과 데이터를 추가하자고 제안했습니다. 시스템은 2상 시험 또는 3상 시험마다 하나씩 총 3만 7,075개의 임상시험 전문가 에이전트를 병렬로 실행했습니다. 각 에이전트는 먼저 ClinicalTrials.gov를 확인하고, 학술 논문을 살핀 뒤 보도자료를 검토하면서 입력한 모든 수치의 출처를 기록했습니다. 연구진은 이 작업이 6시간 만에 끝났으며, 단일 에이전트로 진행했다면 약 1,839시간이 걸렸을 것으로 추산했습니다. 이 데이터를 바탕으로 에이전트들은 몇 가지 세포 유형에서만 발현되는 유전자를 표적으로 삼은 약물이 시장에 출시될 확률이 48% 더 높고 이상반응은 32% 적다는 점을 밝혀냈습니다. 다만 임상 데이터는 관찰 연구이므로 이는 연관성을 보여주는 결과입니다.

사람의 개입 지점. 논문은 이를 “가벼운 인간 상호작용”으로 설명합니다. 사례 연구에서 사람은 실행 중에 두 가지 일만 수행했습니다. CSO의 확인 질문에 답하고, 각 단계가 끝날 때마다 민감도 분석이나 추가 분석을 요구하는 후속 질문을 던졌습니다. 논문은 “실험 아이디어 도출, 설계, 실행은 에이전트 주도로 유지되었다”고 기술합니다. 사람의 검토는 주로 실행 전후에 이루어집니다.

* 모든 세션에 기록이 남습니다. 사용자 인터페이스에 각 에이전트의 추론 과정과 사용한 도구가 표시됩니다. 공개된 코드는 세션마다 사용한 코드, 데이터, 주장 목록, 출처, 감사 보고서를 저장하므로 연구자가 분석을 그대로 재현해 볼 수 있습니다.

* 사람과의 표본 대조 검증. 두 명의 연구자가 무작위로 추출한 100건의 임상시험을 검토했습니다. 사람과 에이전트의 일치율은 1차 평가변수 89.7%, 2차 평가변수 83.9%, 이상반응 발생률 92.4%였습니다. 또한 에이전트가 입력한 라벨은 중복된 7,278건의 임상시험에서 기존 전문가 수작업 데이터셋과 85.3% 일치했습니다. 저우 교수는 The Stanford Daily를 통해 주요 결과 몇 가지에 대해 박사급 전문가가 직접 에이전트의 결과를 재현해 검증했다고 밝혔습니다.

* 실제 외부 데이터와의 대조. 모델의 학습 기준 시점 이후인 2025년 8월, 미국 FDA는 한 제약사가 개발한 B7-H3 표적 항체-약물 접합체인 ifinatamab deruxtecan을 혁신 치료제로 지정했습니다. 논문은 이를 에이전트 설계를 뒷받침하는 독립적인 근거로 제시했습니다. 저우 교수는 이를 두고 “독립적인 제3자 검증”이라고 말했습니다.

3. 격차

기존 바이오텍과의 본질적인 차이는 실행 속도가 아니라 업무를 나누는 방식과 기록하는 방식에 있습니다.

분석과 판단의 분리. 저자들은 기업에서 방향을 설정하는 사람들이 스스로 증거를 따져보기도 한다고 언급합니다. 반면 Virtual Biotech에서 CSO는 계획을 세우고, 업무를 배분하고, 결과를 종합하는 일만 맡습니다. 모든 분석은 제한된 도구만 가진 전문 에이전트들이 수행하며, 별도의 검토 에이전트가 이를 점검합니다. 연구진은 이러한 구조가 조직 내 인간적인 문제를 줄이는 데도 도움이 된다고 주장합니다. 기업에서는 의사결정이 “조직 내부 역학, 서로 다른 사전 신념, 직원의 인센티브”에 영향을 받을 수 있다는 것입니다. 다만 이는 저자의 주장이며 실제 팀을 상대로 비교 검증된 것은 아닙니다.

조직도 자체가 검토 지도가 됩니다. 연구진이 실제 기업 형태를 모방한 이유 중 하나는 사람이 에이전트를 쉽게 점검할 수 있도록 하기 위해서였습니다. 연구진은 이를 통해 “각 에이전트를 담당 분야의 인간 전문가가 더 쉽게 감사할 수 있다”고 설명합니다. 유전학자는 유전학 에이전트의 작업을 검토하고, 안전성 과학자는 안전성 담당 에이전트의 작업을 살피면 됩니다. 기존 기업에서는 의사결정의 배경과 논리가 여러 발표 자료와 회의록에 흩어지기 쉽습니다. 반면 이곳에서는 모든 단계가 코드 및 출처와 함께 저장됩니다. 연구진은 전통적인 신약 연구 환경에서는 이러한 투명성을 “달성하기 어렵다”고 평가합니다.

부서 간 인수인계