AI로 혁신하는 신약 개발 리서치 어시스턴트 구축 가이드

제약 연구를 혁신하는 AI 도입 가이드: Strands Agents와 Amazon Bedrock 활용하기

서론

신약 개발은 방대한 생명과학 데이터와 복잡한 문헌 탐색을 수반하는 고난도의 프로세스입니다. 하지만 최근에는 AI 기술을 활용해 이 과정을 가속화하는 시도가 늘고 있습니다. 본 글에서는 Amazon Bedrock과 오픈소스 Strands Agents SDK를 활용하여, 과학적 정보를 통합 분석하고 종합 보고서를 생성하는 스마트 리서치 어시스턴트를 구축하는 방법을 소개합니다. 이 포스트는 AI 자동화, 배포 가이드, 비교, 활용법 측면에서 신약 개발 R&D 시장에서 실질적인 인사이트를 제공합니다.

AI 기반 신약 개발 비서의 구성 및 구조

신약 개발을 돕는 인공지능 어시스턴트를 구축하기 위해 Amazon Bedrock의 강력한 LLM(대형 언어 모델)과 Strands Agents의 유연한 AI 에이전트 프레임워크가 결합됩니다. 이 구조에서 여러 소규모 서브에이전트(sub-agent)가 협업하며 다양한 과학 데이터 소스를 질의하고 응답을 종합합니다.

이 시스템은 arXiv, PubMed, ChEMBL, ClinicalTrials.gov 등 주요 학술/제약 데이터베이스와 연결되며, 사용자의 질의에 따라 최적의 경로로 정보를 수집하고 보고서를 생성합니다. 이 모든 관리 역할은 오케스트레이션 에이전트가 담당합니다.

활용 방법 및 배포 가이드

이 어시스턴트는 로컬 개발 환경 또는 AWS Lambda, Fargate, Amazon EKS, EC2 등 클라우드 환경에 배포할 수 있으며, Python 3.10 이상과 strands-agents 라이브러리 설치가 필요합니다. 배포 절차는 다음과 같습니다.

1. GitHub 저장소 클론
2. pip install로 필요한 패키지 설치
3. AWS 자격 증명 설정 (환경변수 또는 credentials 파일 활용)
4. Tavily API Key (.env 파일 저장)

또한 Amazon Bedrock에서 Anthropic Claude 3.5/3.7 Sonnet 모델에 접근할 수 있어야 합니다.

핵심 구성요소 정의

1. Foundation Model 정의:
   BedrockModel 클래스를 사용해 Claude 3.7 Sonnet에 연결하고, 고성능 자연어 이해 및 응답 생성 기능을 제공받습니다.

2. MCP 도구 정의:
   MCP(Model Context Protocol)를 사용해 arXiv, PubMed, ChEMBL, ClinicalTrials.gov, Tavily Web Search 등 각 툴 별로 표준 인터페이스를 구축합니다. 이 MCP 도구들은 표준 입출력 또는 HTTP 스트리밍 방식으로 연결됩니다.

3. 전문화 서브 에이전트 구성:

• planning_agent: 어떤 데이터베이스를 활용할지 계획 세우기
• synthesis_agent: 수집된 데이터를 바탕으로 통합 보고서 생성
  이러한 전문화는 도메인 전문성을 제공하고 성능 향상에 기여합니다.

4. 오케스트레이션 에이전트의 역할:
   이 에이전트는 전체 워크플로우를 조율하며, 간단한 응답은 직접 제공하고 복잡한 질의는 전문 에이전트에게 자동 분배합니다. SlidingWindowConversationManager를 사용하여 최근 대화 문맥을 유지함으로써 정밀도 높은 응답을 제공합니다.

실제 활용 사례: 유방암 치료제 HER2 분석

이 솔루션을 사용하여 HER2와 관련한 최신 뉴스, 과학 연구, 연관 화합물, 임상시험 정보를 종합한 리포트를 생성할 수 있습니다. 아래는 이전의 사용자와 리서치 어시스턴트 간 대화 예시 및 생성된 자동 보고서의 스크린샷입니다.

이 보고서에는 Executive Summary, 표적 개요, 연구 동향, 임상 진행 상황, 참조 문헌 등으로 구성되어 있으며, 전문가 수준의 출력물을 제공합니다. 사용자는 단지 일반적인 질의만 입력하면, 어시스턴트가 효과적으로 정보를 종합하고 보고서를 자동으로 생성해 줍니다.

결론

본 포스트에서는 Strands Agents와 Amazon Bedrock을 활용해 생명과학 분야의 지식 자동화 어시스턴트를 구축하는 과정을 단계적으로 소개했습니다. 특히 어떻게 다양한 MCP 도구를 통합하고, 각 도구에 특화된 에이전트를 구성해 정보를 검색, 계획, 종합적 리포트 생성까지 자동화할 수 있는지를 확인하였습니다. 이 모든 과정은 Python 중심의 개발자 친화적인 구성으로 되어 있어 자율 배포가 용이합니다.

향후 여러분의 연구 환경에도 이러한 지능형 에이전트를 도입함으로써 정보 탐색 및 보고서 작성 효율을 획기적으로 향상시킬 수 있습니다. 생성형 AI와 고급 자동화 도구의 융합은 향후 R&D의 미래를 주도하게 될 것입니다.

[1] https://aws.amazon.com/blogs/machine-learning/build-a-drug-discovery-research-assistant-using-strands-agents-and-amazon-bedrock/