6개월 걸리던 신약 후보 탐색 3주로…AWS, 지식그래프 기반 AI로 연구 주기 87% 단축

아마존웹서비스(AWS)가 제약 연구 현장의 데이터 파편화 문제를 지식그래프와 생성형 AI를 결합해 해결한 사례를 공개했다. AWS는 지난 8일 자사 인공지능 블로그를 통해 '그래프RAG(GraphRAG)' 기반 신약 연구 시스템의 구축 방법과 성능 지표를 공개했다. 초기 도입 기업에서 연구 주기가 87% 단축된 것으로 나타났다.

신약 개발 초기 단계는 수많은 후보 물질 가운데 가능성 있는 것을 걸러내는 스크리닝 작업으로 시작한다. AWS에 따르면 이 과정은 한 차례 수행하는 데만 6개월이 넘게 걸리고 성공률은 5%에 그친다.

병목의 원인은 데이터가 흩어져 있다는 점이다. 논문 데이터베이스인 펍메드(PubMed) 같은 공개 자료, 연구원들이 실험실에서 기록한 내부 노트, 유전체 데이터베이스가 서로 다른 저장 공간에 따로 보관된다. 

연구자가 이들 사이의 숨은 연관성을 찾아내기 어려운 구조다. 연구원이 퇴사하면 그가 머릿속에 갖고 있던 맥락, 즉 어떤 실험이 왜 실패했는지 같은 정보도 함께 사라진다.

AWS가 제시한 해법은 지식그래프다. 지식그래프는 정보를 점(노드)과 선(엣지)으로 이뤄진 관계망으로 표현하는 방식이다. 질병, 논문, 저자, 학술지 같은 개체가 각각 하나의 점이 되고, 이들을 잇는 선이 '이 질병은 저 질병의 하위 분류다', '이 논문은 이 저자가 썼다' 같은 관계를 나타낸다.

데이터를 이 구조에 넣는 과정은 여러 단계를 거친다. 먼저 펍메드 등에서 수집한 정형화되지 않은 논문 텍스트를 '아마존 컴프리헨드 메디컬'이 훑는다. 이 도구는 의료 문서에서 질병명을 찾아내 국제질병분류(ICD-10) 코드로 연결한다. 어떤 문장이 어떤 질병을 다루는지 표준 코드로 표시하는 작업이다.

이어 아마존 베드록에서 구동되는 앤스로픽의 클로드 4.5 소네트 모델이 문서 내용을 요약하고 주제 관련성을 판단한다. 긴 논문은 그대로 다루기 어렵기 때문에 베드록 지식 베이스의 분할 기능으로 일정 크기의 텍스트 조각으로 쪼갠다. 

이렇게 처리된 데이터는 AWS 람다 함수와 S3 대량 적재를 거쳐 그래프 데이터베이스인 아마존 넵튠 애널리틱스로 들어간다. 완성된 그래프는 질병, 저자, 학술지, 논문 텍스트 조각, ICD-10 코드 다섯 가지 유형의 점으로 구성된다. 질병 간의 상하위 관계는 공개 질병 온톨로지(Disease Ontology)를 참조해 연결한다.

핵심은 연구자가 복잡한 데이터베이스 질의문을 몰라도 평상시 쓰는 말로 질문할 수 있다는 점이다. 여기에 쓰이는 것이 검색증강생성(RAG) 기법이다. AI가 학습된 기억에만 의존해 답하면 없는 사실을 지어내는 환각 현상이 생긴다. RAG는 답변 전에 실제 자료를 찾아보게 만드는 방식이고, 그래프RAG는 그 자료를 관계망에서 경로를 따라가며 찾는다.

AWS가 오픈소스로 공개한 '그래프RAG 툴킷'과 자체 그래프를 그대로 쓰는 'BYOKG-RAG' 방식이 실행 계층 역할을 한다. 사용자가 질문을 던지면 지식그래프 링커(KGLinker)가 문장에서 핵심 개체를 뽑아내고, 이를 그래프상의 점과 대조한다. 

이때 퍼지 문자열 색인이라는 기법이 쓰인다. 사용자가 표기를 조금 다르게 쓰거나 부정확한 용어를 써도 비슷한 항목을 찾아 연결하는 방식이다. 시스템은 이후 관계망을 따라 이동하며 근거를 모으고 베드록의 언어모델이 답변을 작성한다.

답변에는 어떤 논문의 어느 대목을 근거로 삼았는지가 함께 표시된다. 그래프를 어떤 경로로 통과해 결론에 도달했는지도 시각화된다. 규제 당국 심사에서 요구하는 근거 추적이 가능해지는 대목이다.

AWS가 제시한 성능 지표에 따르면 6개월 걸리던 초기 탐색 단계가 3주로 줄어 87%의 효율 개선을 기록했다. 데이터 접근 속도는 85% 빨라졌고 인용 매핑과 출처 검증이 자동화되면서 연구 리뷰에 드는 시간은 70% 줄었다. 지식 활용도는 90% 향상됐고 발굴 적중률은 5배로 올랐다.

시스템은 세 기능이 분리된 모듈 구조다. 언어모델 초기화, 그래프 접속, 개체 연결이 각각 독립돼 있어 언어모델을 교체하거나 그래프 구조를 손볼 때 전체를 다시 만들 필요가 없다.

비용은 넵튠 애널리틱스 그래프를 16 메모리 단위로 운영할 때 시간당 0.48달러다. 개발 환경인 세이지메이커 주피터 노트북은 t3.medium 사양 기준 연산에 시간당 0.05달러, 5GB 저장 공간에 0.70달러가 든다. 

여기에 클로드 4.5 소네트 모델의 토큰 사용량에 따른 변동 비용이 별도로 붙는다. 필요 사양은 파이썬 3.9 이상, 그래프RAG 툴킷 1.0.0 이상이다.

한계도 있다. 폐쇄된 사내 데이터와 공개 저장소를 하나로 합치는 과정에서 데이터 정규화 문제가 발생한다. 서로 다른 출처가 같은 대상을 다른 이름으로 부르는 경우 관계 연결이 잘못될 수 있다. 그래프를 만드는 단계에서 개체 추출 오류나 관계 표기 불일치가 끼어들면 그래프를 따라가는 방식은 그 오류를 걸러내지 못하고 그대로 답변에 반영한다. 

엄격한 스키마 관리가 전제 조건인 이유다. AWS는 이 방식이 제약 분야에 국한되지 않는다고 설명했다. 내부에 쌓인 비정형 데이터를 검증된 외부 자료와 연결해야 하는 조직이라면 누구나 같은 구조를 적용할 수 있다는 것이다.

(썸네일 사진 출처: 아마존 AWS 공식 홈페이지)