AIDO Cell: A General-Purpose Simulator for Cell Biology

3줄 요약

1. GenBio AI가 2026년 8월 18일 공개한 발표 글로, 세포 생물학용 범용 시뮬레이터 AIDO Cell 1.0을 소개한다. 저자는 Caleb Ellington.
2. 핵심 설계는 월드 모델이다. 예측을 한 번에 끝내는 기존 모델과 달리 세포 상태를 모델 안에 계속 유지하고, 사용자가 중간에 약물을 넣거나 유전자를 건드리면 그 결과를 여러 방식으로 읽을 수 있다. 상태를 복제해 두면 같은 세포에서 출발한 실험 여러 개를 나란히 돌려 비교할 수 있다.
3. GenBio AI가 직접 만든 Virtual Cell Benchmark 1.0에서 31개 지표 중 24개가 최고 성능이며, 소분자 섭동¹·유전자 녹아웃·단백질 구조·RNA 스플라이싱·게놈 조절의 다섯 과제군을 전부 다루는 유일한 시스템이라고 밝힌다. 현재는 자체 팀과 알파 협력사만 사용한다.

왜 세포를 시뮬레이션하는가

전기·화학·기계·항공에서는 설계를 현실에 옮기기 한참 전에 수식과 소프트웨어로 먼저 시험한다. 생물학에는 그에 해당하는 시뮬레이션 도구가 없었다. 그래서 신약 개발에는 엄청난 투자가 필요하다.

신약 개발 파이프라인에 진입하는 화합물 10,000개 중 평균 한 개만 임상에 도달한다. 10년 넘게 걸리고 승인 약물 한 건당 20억 달러가 넘게 든다.

기존 AI 모델은 세포 전체가 아니라 그 안의 개별 과제를 다뤄 왔다. 단백질 구조나 유전자 발현 같은 세포 내부 요소는 각각 잘 모델링됐지만, 그 모델들은 하나의 실험 측정법, 하나의 측정 양식, 하나의 예측 과제에 맞춰 만들어졌다. 원래 하나로 돌아가는 세포를 여러 조각으로 나눈 것이고, 나뉜 조각을 파이프라인으로 이어 붙여도 요소 사이의 상호작용은 되살아나지 않는다.

실험을 시뮬레이션하려면 조작을 거쳐도 유지되는 세포 상태가 있어야 하고, 그 상태를 바꾸는 개입을 받아들여야 하며, 요청이 들어올 때마다 여러 방식의 측정값을 내놓아야 한다.

엔진과 하네스

이미지·영상·텍스트 모델링에 쓰는 주류 아키텍처는 예측·표현·생성에는 맞지만 사용자 명령에 연속으로 반응하기는 어렵다. 그래서 AIDO Cell은 월드 모델을 택했다. 월드 모델은 하나로 통합된 세계 상태 위에서 예측을 하므로, 예측 도중에 사용자가 개입하면 그 뒤의 측정값이 어떻게 달라질지 계산해 낼 수 있다.

이 월드 모델이 시뮬레이션 엔진이고, 그 바깥에 월드 모델 하네스가 붙는다. 하네스는 개입이 이어지는 동안 분자에서 세포 전체까지 모든 규모에서 세포 상태를 추적하고, 사용자 명령을 엔진이 실행할 단계로 옮긴다. 엔진과 하네스가 함께 있어야 실험을 프로그래밍하고, 관측하고, 다시 돌려 보고, 디버깅하는 인터페이스가 된다.

Figure 1. 가상 세포를 만들고, 변화를 가하고, 복제하고, 상태를 측정하는 과정을 여러 번 이어서 진행한다. 어느 시점에 무엇을 조회해도 세포 상태 자체는 바뀌지 않는다. (출처: GenBio AI)

이 설계에는 세 가지 이점이 있다.

Virtual Cell Benchmark 1.0

범용 시스템을 재려면 벤치마크²도 범용이어야 한다. GenBio AI는 공개된 생물학 아틀라스, 즉 대규모 측정 데이터 모음을 모아 다섯 과제군 31개 지표로 된 벤치마크를 만들었다. 다섯 과제군은 소분자 섭동, 유전자 녹아웃, 단백질 다량체·단량체 구조, RNA 스플라이싱, 게놈 조절이다. 여기서 섭동은 세포에 변화를 준 다음 반응을 보는 실험을 가리킨다.

Figure 2. 다섯 과제군 전체를 다루는 시스템은 AIDO Cell 1.0뿐이며 31개 지표 중 24개에서 최고 성능을 낸다. 비교한 다른 모델은 많아야 두 과제군을 다룬다. (출처: GenBio AI)

함께 비교한 모델은 구조 예측의 AlphaFold 3와 Boltz-1, 조절 유전체의 AlphaGenome, 단일세포 파운데이션 모델³인 scGPT와 Geneformer다. 이들은 세포의 개별 요소만 다루므로 다섯 과제군 중 한둘만 담당한다.

AIDO Cell이 뒤진 항목도 있다. 단백질과 DNA의 상호작용에서는 AlphaFold 3, 단백질과 리간드 도킹에서는 isoDDE, 일부 조절 트랙에서는 AlphaGenome이 조금 앞선다. 다만 그 모델들의 나머지 영역에서는 AIDO Cell이 앞선다고 밝힌다.

프로토타입 세포주 두 종

1.0 릴리스는 인간 세포주 두 종에 집중한다. K-562는 백혈병 환자에게서 얻은 세포로 정밀 항암제 연구에 오래 쓰였고, Hep-G2는 간암 환자에게서 얻은 세포로 간이 약물을 어떻게 분해하고 어떤 독성을 보이는지 살피는 표준 모델로 쓰여 왔다. 두 세포주는 50년 넘게 쌓인 오믹스⁴ 데이터와 논문이 있어 시뮬레이션이 얼마나 정확한지 확인하기에 적당하다.

두 세포주에서는 대규모 가상 실험도 진행했다. 세포주마다 유전자 녹아웃·녹다운·과발현과 소분자 투여를 무작위로 다섯 개씩 조합한 변화 100만 건을 시뮬레이션해 아틀라스를 만들었다. 아틀라스에서 점 하나는 시뮬레이션된 세포 상태이고 화살표 하나는 세포에 가한 변화다. 그래서 여러 단계로 이어지는 실제 실험은 흩어진 예측들의 산점도가 아니라 점과 점을 잇는 선으로 나타난다.

Figure 3. 두 세포주의 섭동 아틀라스. 각각 무작위로 다섯 개씩 조합한 변화 100만 건으로 만들었고, 여러 번 이어서 가한 실험이 선으로 겹쳐 표시돼 있다. Hep-G2는 생성된 세포 형태 이미지로, K-562는 생물학적 경로 활성화 점수로 표시했다. K-562는 Cell Painting에 적합하지 않기 때문이다. (출처: GenBio AI)

시뮬레이션을 거꾸로 돌리기

측정과 개입이 같은 세포 상태를 공유하므로 시뮬레이션을 정방향과 역방향으로 모두 돌릴 수 있다. 정방향은 약물을 넣고 세포 반응을 읽는 것이다. 거꾸로 돌리면 원하는 세포 상태를 먼저 정해 놓고 그 상태를 만들어 내는 분자를 찾는 데 쓸 수 있다. 표적을 단백질의 결합 부위나 결합 세기가 아니라 세포가 최종적으로 보이는 상태로 정의한다는 점이 기존 방식과 다르다. 이를 맥락 내 분자 설계라 부른다.

사례로 K-562 프로토타입에서 ABL 키나아제 억제제 이매티닙과 같은 효과를 내는 분자를 설계해 봤다. 먼저 이매티닙을 클론 하나에 적용해 목표 상태를 정하고, 구조가 전혀 다른 새 분자를 생성해 다른 클론에 적용한 뒤 상태를 측정한다. 이 과정을 후보마다 반복한다.

# 기준 섭동 생성
imatinib = "CC1=C(C=C(C=C1)..."
cell = Cell("K-562")
cell_ref_perturbed = cell.clone()
cell_ref_perturbed.small_molecule_perturbation(imatinib)
cell_ref_perturbed.get_expression()

# 표적 결합 분자를 생성하고 세포 안에서 특성화
for _ in range(N):
  molecule = design_molecule_for_target("ABL1")
  cell_perturbed = cell.clone()
  cell_perturbed.small_molecule_perturbation(molecule)
  cell_perturbed.get_protein_structure("ABL1", molecule)
  cell_perturbed.get_protein_ligand_interactions(molecule)
  cell_perturbed.get_expression()
  cell_perturbed.get_cell_age()

후보마다 같은 상태에서 2D 화학 구조, 표적과 어떻게 맞물리는지 예측한 결합 구조, 유전자 발현 반응(전사체)⁵, 예측 생물학적 나이 변화까지 여러 규모로 살핀다. 생성된 후보 중 몇은 아틀라스에서 이매티닙 근처에 놓였고, 화학 구조는 크게 다른데도 이매티닙이 발현을 바꿔 놓는 유전자의 65~88 퍼센트에서 같은 변화를 재현했다.

발현 수준에서 이매티닙과 같아 보이는 설계라도 단백질 결합에서는 다르게 나오거나 표적 외 효과를 낼 수 있다. 따라서 후보 순위는 발현 반응만이 아니라 결합 방식과 표적 외 효과까지 함께 따져 매길 수 있다.

Figure 4. K-562 상태 공간에 투영한 ABL1 바인더 설계 캠페인. 생성된 후보 몇 개가 기준 상태에서 뻗어 나가는 선으로 표시되고, 이매티닙과 포나티닙을 적용한 상태가 비교용으로 함께 놓였다. (출처: GenBio AI)

Figure 5. 이매티닙과 설계된 ABL1 바인더 3종(GBIO-392, GBIO-103, GBIO-157)을 같은 상태에서 읽어 낸 네 가지 값으로 비교한다. 2D 구조, 예측한 ABL1 결합 구조, ABL1 유전자 녹다운과 이매티닙의 발현 비교 기준, 생물학적 스트레스를 대신 보여 주는 예측 공여자 나이 변화. (출처: GenBio AI)

이 설계 과정은 기술 보고서에 실린 여러 사례 연구 중 하나다. 보고서에는 약물 반응 예측, 여러 변화를 조합한 스크리닝, 구조적 기전, 질병 내성 분석도 함께 실려 있다.

AIDO Foundry와 교차 맥락 스케일링

K-562와 Hep-G2는 사람 세포주 중에서 가장 잘 규명된 편이다. 반면 희귀 질환처럼 표본이 부족하거나 살아 있는 뇌 조직처럼 아예 표본을 얻을 수 없는 대상에는 중요한 생물학적 질문이 많이 남아 있다. 시뮬레이터가 정말 필요한 곳도 거기다.

그래서 AIDO Cell은 새로운 세포주와 환자에게서 직접 떼어 낸 1차 배양 세포, 새로운 측정 방식과 개입에 빠르게 맞출 수 있도록 만들었다. 구성 요소는 세 가지다.

• AIDO Cell: 시뮬레이터 본체
• AIDO Foundry: 새 실험 데이터가 들어올 때마다 그 데이터로 가상 세포를 추가 학습(파인튜닝)시키는⁶ 자동 연구 시스템
• AIDO Lab: 연구자가 가상 세포를 조작하고 분석하는 인터페이스

다른 세포주에서 배운 것이 한 번도 본 적 없는 세포주에도 통하는지 제로샷으로 시험했다⁷. Hep-G2를 학습에서 통째로 빼고 다른 세포주에서만 본 약물로 시험했더니, 일부 과제에서 학습에 쓴 세포주 수가 늘수록 성능이 좋아졌다. 한 세포주 데이터를 더 봐서 그 세포주 안에서만 좋아지는 것이 아니라, 다른 세포주에서 얻은 정보로 생물학적 사전 지식과 모델 가중치를 갱신해 처음 보는 세포의 예측까지 좋아진다는 뜻이다.

GenBio AI는 이것이 생물학 모델에서 나타나는 새로운 종류의 스케일링 법칙일 수 있다고 본다. 한 세포주 안에서 데이터를 깊이 쌓는 대신 여러 생물학적 맥락에 걸쳐 넓게 쌓는 방식이다. 다만 아직 확인된 법칙은 아니고 지금은 그 성질을 조사하는 중이라고 덧붙인다.

Figure 6. AIDO Foundry는 사용자 데이터나 공개 데이터로 엔진을 새로운 생물학적 맥락에 맞춘다. 이렇게 만든 맞춤 엔진은 같은 인터페이스 뒤의 가상 세포 뱅크에 합류한다. (출처: GenBio AI)

검증 기준이 아직 없다는 자인

여러 규모에 걸친 세포 동역학을 시뮬레이션하는 일은 예측도 검증도 여전히 어렵다. GenBio AI도 이를 인정한다.

비교 사례는 단백질 구조 예측 경진대회 CASP다. 구조 예측이 AlphaFold의 좋은 시험장이 될 수 있었던 이유 중 하나는 학계가 공동으로 운영하는 이 블라인드 평가가 있었기 때문이다. 그 기준을 통과한 뒤에야 연구자들은 예측한 구조를 대체로 실제 X선 결정학 실험 결과에 준하는 것으로 믿을 수 있었다.

여러 규모에 걸친 시뮬레이션에도 그런 기준이 필요하다. 시뮬레이션이 실제 실험을 대체할 만큼 정확한지 알려 주는 벤치마크다.

GenBio AI는 Virtual Cell Benchmark 1.0이 기존 공개 데이터로 만든 첫 시도일 뿐이고, 그 기준은 결국 어느 한 연구소가 아니라 분야 전체가 함께 가져야 한다고 말한다. 자기가 만든 벤치마크로 자기 모델을 평가했다는 사실을 먼저 밝힌 것이다. 문헌과 대조한 사례 연구도 돌렸지만 새로운 예측을 웻랩⁸에서 확인하는 것이 최종 시험이며, 그 실험은 이미 진행 중이라고 한다.

다음 단계와 접근 조건

목표는 연구자가 여러 생물학적 맥락에 맞춘 세포를 내려받아 자유롭게 실험하는 가상 세포 뱅크다. 혼자서는 만들 수 없어 세 종류의 협력사를 찾고 있다.

1. AIDO Foundry로 시뮬레이션할 수 있는 측정 항목을 늘리는 일
2. 엔진이 다룰 수 있는 세포 종류를 넓히는 일
3. K-562와 Hep-G2 시뮬레이터로 실험 우선순위를 정하는 일. 실험대에 시간을 쓰기 전에 무엇을 시험할지 추리고 가설 범위를 좁히는 데 쓴다

시뮬레이터 안으로는 단백질이 만들어진 뒤 화학 물질이 붙거나 떨어지는 번역 후 변형, 단백질의 분해와 교체, 신호 전달 연쇄, 대사물, 시간에 따른 변화까지 넣으려 한다. 세포는 더 큰 시스템을 이루는 단위이므로, AIDO Cell은 세포 규모 시뮬레이션을 개체 규모로 넓히려는 AI 기반 디지털 유기체(AIDO) 구상의 첫 단계다.

병원체 설계에 악용될 가능성을 막는 제한도 걸어 두었다. 현재 AIDO Cell은 바이러스와 박테리아를 입력으로 받지 않으므로, 병원체를 설계하거나 그것이 사람 세포에 미칠 영향을 추론하는 데 직접 쓸 수 없다. 생성 기능은 병든 세포를 되돌리는 치료용 분자, 즉 소분자·항체·나노바디 설계로 제한된다. 사용 권한은 사례별 심사로만 열리며, 위해를 목적으로 한 개발을 금지하는 약관이 붙는다.

현재 이용자는 자체 팀과 알파 협력사로 한정된다. 학계·바이오텍·제약 연구자를 위한 조기 접근 프로그램은 준비 중이다.

가장 눈여겨본 것

이 발표에서 가장 익숙했던 것은 생물학 용어가 아니라 소프트웨어 용어였다. 세포를 프로그래밍하고, 관측하고, 다시 돌려 보고, 디버깅한다는 표현이 글 안에서 두 번 등장한다. cell.clone()으로 세포를 복제한 뒤 클론마다 다른 처치를 적용하고 결과를 비교하는 코드 예시는, 버전 관리 도구에서 저장소를 복제해 사본마다 따로 작업하는 방식과 닮았다.

엔진과 하네스를 나눈 방식도 마찬가지다. 상태를 가지고 있는 모델 본체가 따로 있고, 그 상태를 추적하면서 사용자 명령을 실행 단계로 옮기는 제어 코드가 따로 있다. 언어 모델을 실무에 쓸 때도 모델 자체와 그것을 감싸는 제어 코드를 이렇게 나눈다. 세포 시뮬레이터가 같은 이름을 쓰고 있다.

다만 이 성능 평가는 연구팀이 직접 만든 Virtual Cell Benchmark 1.0을 기준으로 한 결과다. 따라서 AIDO Cell이 31개 지표 중 24개에서 가장 높은 성능을 냈다는 주장만으로 모델의 우위를 확정하기는 어렵다. 연구팀도 이 벤치마크가 기존 공개 데이터를 모아 만든 첫 시도이며 앞으로는 분야 전체가 함께 검증하고 관리해야 한다고 밝혔다. 단백질 구조 예측에서 CASP가 그 역할을 했듯이, 세포 시뮬레이션에도 독립적인 평가 기준이 필요하다. AIDO Cell이 생물학 연구를 계산적으로 가능하게 만드는 돌파구가 될지는 객관적인 평가와 실제 적용 사례가 나오기 전까지는 지켜볼 일이다.

출처

GenBio AI, Caleb Ellington, 2026년 8월 18일 발표. 원문: https://genbio.ai/aido-cell-simulator/

본문의 모든 이미지는 원문 발표 글에서 인용했다. 성능 수치와 인용문은 원문 서술을 그대로 옮긴 것이며, 제3자 검증을 거친 값이 아니다. 기술 보고서는 원문 페이지에 링크로만 걸려 있어 이 정리에는 포함하지 않았다.