AIDO Cell은 세포를 예측하는 AI에서 실험하는 AI로 넘어가려 합니다
2026년 8월 18일 GenBio AI는 AIDO Cell 1.0을 공개했습니다. 회사는 이를 특정 생물학 문제를 푸는 모델이 아니라 유전자와 약물 개입을 순서대로 적용하고, 그 결과를 여러 실험 모달리티로 관찰할 수 있는 범용 세포 시뮬레이터라고 정의합니다.
이 발표를 곧바로 "인간 세포를 컴퓨터 안에 완성했다"고 읽으면 지나칩니다. 현재 구현된 것은 K-562 백혈병 세포주와 Hep-G2 간암 세포주 두 개이며, GenBio도 42쪽 분량의 기술보고서에서 이들을 고정밀 완성품이 아니라 상태를 유지하는 가상세포가 무엇을 가능하게 하는지 보여주는 프로토타입이라고 명시합니다. 새로운 예측을 확인하는 전향적 실험도 아직 진행 중입니다.
그럼에도 이번 공개는 중요합니다. AIDO Cell의 진짜 진전은 더 큰 단일세포 모델을 만든 데 있지 않습니다. 세포를 한 번 답을 내놓는 예측 대상이 아니라 상태와 이력을 가진 프로그래밍 객체로 정의하고, 관찰·개입·분기·설계를 하나의 인터페이스에 넣었다는 데 있습니다. 바이오 AI의 경쟁 단위가 개별 모델에서 디지털 실험 시스템으로 이동하고 있다는 신호입니다.
세포를 읽는 모델과 세포를 실험하는 시스템은 다릅니다
기존 바이오 AI의 성과는 대부분 한 가지 입력과 출력 사이에 집중돼 있습니다. AlphaFold는 서열로부터 구조를 예측하고, AlphaGenome은 DNA 서열로부터 조절 신호를 예측합니다. scGPT·Geneformer·기존 AIDO.Cell 같은 단일세포 파운데이션 모델은 전사체를 표현하거나 특정 유전자 개입 뒤의 발현 변화를 예측합니다.
각 모델은 유용하지만 서로 다른 시점의 독립된 계산입니다. 첫 번째 약물을 처리한 뒤 저항성 돌연변이를 만들고, 다시 두 번째 약물을 투여해 단백질 결합과 전사체와 세포 형태를 함께 읽는 연속 실험에는 별도의 상태 관리가 필요합니다. 앞선 개입의 결과가 다음 개입의 출발점이 돼야 하고, 서로 다른 관측값이 같은 세포를 설명해야 하기 때문입니다.
AIDO Cell은 이 문제를 다섯 가지 동작으로 추상화했습니다.
- Observe: 현재 세포 상태를 여러 모달리티로 관찰합니다.
- Perturb: 유전자 녹아웃·녹다운·과발현·변이 또는 저분자 약물로 상태를 바꿉니다.
- Simulate: 개입 이후의 상태 전이를 계산합니다.
- Branch/Restore: 한 상태를 복제해 실험군을 나누거나 이전 상태로 돌아갑니다.
- Design: 현재 상태를 원하는 목표 상태로 옮길 유전자 또는 분자를 찾습니다.
1.0 인터페이스에는 15개 관찰 함수와 5개 개입 함수가 있습니다. 염색질 접근성, 히스톤 표지, 전사인자 결합, RNA 아이소폼, 단백질 구조·상호작용·위치·양, 세포 형태와 예측 연령을 읽을 수 있습니다. 상태는 뉴클레오타이드, 아이소폼, 유전자, 세포의 네 계층으로 구성됩니다.
하나의 월드모델이라기보다 통합된 시뮬레이션 스택입니다
"월드모델"이라는 표현은 주의해서 읽어야 합니다. 기술보고서는 현재 상태를 인코더가 잠재표현으로 바꾸고, 전이함수가 개입을 반영해 상태를 갱신하며, 디코더가 생물학적 관측값을 생성하는 개념 구조를 제시합니다. 이것만 보면 하나의 거대한 종단간 모델처럼 보입니다.
그러나 실제 공유 엔진에는 여러 기반 모델, 참조 데이터베이스, 생물학적 사전지식과 지식그래프가 함께 들어갑니다. 보고서도 사용자가 이 자원들을 직접 다루지 않고 시스템이 요청을 적합한 구성요소로 라우팅한다고 설명합니다. 즉 현재의 AIDO Cell은 모든 생물학을 하나의 신경망이 스스로 학습한 단일 월드모델이라기보다 여러 예측기와 상태 전이기를 공통 세포 상태 아래 조정하는 통합 스택에 가깝습니다.
이 구분은 약점만을 뜻하지 않습니다. 실제 엔지니어링 시스템은 최선의 구조 모델, 유전체 모델과 전사체 모델을 교체하면서도 사용자 인터페이스를 유지해야 합니다. AIDO Cell의 구조적 가치는 내부 모델보다 위에 "세포 운영체제"에 가까운 안정된 객체 계약을 둔 데 있습니다.
반대로 공통 인터페이스가 곧 생물학적 일관성을 보장하지는 않습니다. 전사체 예측과 단백질 구조 예측이 각각 정확해도, 한 개입에서 나온 두 결과가 인과적으로 같은 세포 상태를 설명하는지는 별도의 검증 문제입니다. AIDO가 주장하는 "공유 상태에서 나온 일관된 멀티모달 출력"은 가장 중요한 차별점인 동시에 아직 가장 강한 검증이 필요한 부분입니다.
24개 최고 성능은 넓이를 증명하지만 완성도를 증명하지 않습니다
GenBio는 Virtual Cell Benchmark 1.0을 새로 구성해 저분자 개입 6개, 유전자 녹아웃 8개, 단백질 복합체 6개, 단량체 구조 3개, 유전체 조절 8개 등 총 31개 지표를 평가했습니다. 회사 보고에 따르면 AIDO Cell 1.0은 이 가운데 24개에서 기존 최고 모델과 같거나 더 좋은 결과를 냈습니다.
범위는 분명 인상적입니다. AlphaFold 3·Boltz 계열은 구조에, AlphaGenome은 유전체 조절에, scGPT·Geneformer는 세포 전사체에 특화돼 있습니다. AIDO Cell은 다섯 영역을 한 시스템 안에서 모두 제공한 첫 사례를 표방합니다. 구조 예측에서는 일부 AlphaFold 3 결과를 넘었고, 유전체 조절에서는 AlphaGenome과 대체로 비슷한 수준을 보였습니다. 유전자 개입 예측도 네 개 세포주에서 공동 학습한 하나의 모델로 비교군을 앞섰습니다.
하지만 숫자를 세 가지로 분리해야 합니다.
첫째, 31개는 전체 시스템의 독립적 실험 31건이 아니라 구성요소별 공개 데이터 벤치마크 지표입니다. 단백질 구조, 유전체 신호와 전사체 개입 예측을 합산해 "24/31"로 표현합니다. 다섯 가족을 모두 지원한다는 폭의 지표로는 유효하지만, 멀티스텝 가상세포의 정확도를 하나의 숫자로 측정한 것은 아닙니다.
둘째, 일부 개선폭은 작습니다. 처음 보는 약물과 세포주를 함께 예측하는 저분자 개입 과제에서 AIDO Cell의 가중 평균제곱오차는 0.080, 훈련 평균 기초선은 0.083이었습니다. AUPRC는 각각 0.24와 0.23이었습니다. 방향은 좋지만 "세포 반응을 해결했다"고 부를 격차는 아닙니다.
셋째, 벤치마크의 설계·실행·보고 주체가 모두 GenBio입니다. 보고서는 비교 모델에 같은 평가 파이프라인을 적용한 방법을 공개했지만, 아직 동료평가 논문이나 제3자 재현 결과는 아닙니다. 모델 가중치와 전체 시스템도 공개되지 않았고 현재는 내부 팀과 일부 알파 협력사만 사용합니다.
이 한계는 AIDO만의 문제가 아닙니다. Arc Institute의 2025 Virtual Cell Challenge 결과는 1,200개가 넘는 팀이 제출했음에도 세포 개입 예측 모델이 모든 지표에서 단순 기초선을 일관되게 넘지 못했다고 정리했습니다. 유전자 하나를 억제한 뒤 전사체가 어떻게 달라지는지조차 어려운데, 여러 개입과 여러 모달리티를 시간에 따라 정확히 전개하는 일은 훨씬 더 어렵습니다.
AIDO가 보여준 가장 흥미로운 기능은 목표 상태 기반 분자 설계입니다
기존 구조 기반 신약설계는 특정 단백질 포켓에 잘 붙는 분자를 찾는 방식에서 시작합니다. AIDO Cell은 문제를 거꾸로 정의합니다. 원하는 세포 상태를 먼저 지정하고 그 상태로 이동시킬 분자를 설계합니다.
기술보고서의 K-562 사례는 ABL1 억제제 이마티닙을 처리한 세포 상태를 목표로 삼습니다. 시스템은 새로운 화학구조의 ABL1 결합 후보를 만들고, 각각을 복제한 가상세포에 적용한 뒤 결합 구조, 단백질 상호작용, 전사체 변화와 예측 세포 연령을 함께 읽습니다. 일부 후보는 이마티닙과 다른 화학구조를 가지면서도 이마티닙의 차등발현 유전자 중 65~88퍼센트를 재현했습니다.
이 접근이 성공하면 신약설계의 목적함수가 바뀝니다. "표적에 얼마나 잘 붙는가"에서 "특정 세포 맥락에서 원하는 표현형을 만들면서 원하지 않는 변화를 피하는가"로 이동합니다. 표적 결합, 효능과 부작용을 설계 초기부터 같은 상태 안에서 비교할 수 있기 때문입니다.
그러나 현재 결과는 모두 모델 안에서 생성하고 모델 안에서 평가한 후보입니다. 실제 합성 가능성, 생화학적 결합, 세포 효능과 독성은 확인되지 않았습니다. 시뮬레이터가 만든 분자를 같은 시뮬레이터의 출력으로 순위화하면 모델의 편향이 스스로 강화될 수 있습니다. 이 기능의 진짜 성과는 예쁜 후보 구조가 아니라, 상위 후보가 무작위 또는 기존 스크리닝보다 실제 실험 성공률을 얼마나 높이는지에서 결정됩니다.
경쟁은 하나의 리더보드가 아니라 네 가지 경로로 진행됩니다
가상세포를 만드는 방법은 하나가 아닙니다.
| 접근 | 대표 사례 | 강점 | 현재 한계 |
|---|---|---|---|
| 과제 특화 예측기 | AlphaFold 3, AlphaGenome | 한 모달리티에서 높은 정확도와 검증 경험 | 연속 실험과 세포 전체 상태가 없음 |
| 전사체 상태 전이 모델 | Arc STATE·Stack | 대규모 단일세포 데이터, 공개 모델과 외부 챌린지 | 주로 유전자 발현 변화에 집중 |
| 기전 기반 전세포 모델 | 최소세포·세균 시뮬레이션 | 반응과 인과관계를 해석 가능 | 인간 세포 규모로 확장하기 어려움 |
| 통합 상태 기반 시스템 | AIDO Cell | 멀티스케일 출력, 순차 개입과 설계 인터페이스 | 두 세포주, 자체 평가, 실험 검증 초기 |
Arc의 STATE는 1억 6,700만 개 관측 세포와 70개 인간 세포 맥락의 1억 개 이상 개입 세포로 학습됐고, 약물 또는 유전자 변화에 따른 전사체 상태 전이를 예측합니다. AIDO보다 출력 범위는 좁지만 공개 데이터·모델과 독립 챌린지를 통해 검증 체계를 먼저 만들고 있습니다.
반대편에는 기전 모델이 있습니다. 2026년 발표된 최소세포 시뮬레이션은 알려진 반응과 물리 규칙을 조립해 세포주기를 4차원으로 재현했습니다. Nature Biotechnology의 평가가 지적하듯 AI의 패턴 학습과 기전 모델의 인과적 엄밀성을 결합하는 것이 완전한 가상세포에 가까운 경로일 가능성이 큽니다.
AIDO의 전략은 이 네 경로 중 가장 넓은 제품 인터페이스를 먼저 차지하는 것입니다. 내부 구조 모델이나 전사체 모델이 더 좋은 것으로 교체돼도 세포 객체, 실험 이력, 워크플로와 고객 데이터 적응 계층은 남습니다. 모델 성능만으로 경쟁하기보다 가상세포를 사용하는 표준 방식을 선점하려는 전략입니다.
해자는 모델 크기가 아니라 실험과 연결된 적응 루프에서 생깁니다
GenBio는 AIDO Cell, AIDO Foundry, AIDO Lab의 세 층을 제시했습니다. Cell은 시뮬레이터, Foundry는 새로운 세포와 데이터에 엔진을 적응시키는 자동화 연구 시스템, Lab은 연구자가 가상세포를 조작하는 작업 공간입니다.
이 구조에서 장기 해자는 범용 모델 자체보다 다음 네 자산에서 생깁니다.
개입 데이터의 폭. 관찰 데이터는 세포가 어떤 상태인지를 보여주지만 무엇이 상태를 바꿨는지는 알려주지 않습니다. 유전자·약물·환경·시간을 통제한 개입 데이터가 상태 전이의 핵심입니다. Arc·Tahoe·Biohub도 2026년 1억 2,000만 개 이상의 세포와 22만 5,000개 개입 조합을 새로 만들기로 한 이유입니다.
새로운 맥락으로의 전이. AIDO는 Hep-G2를 제외하고 다른 세포주 수를 5개에서 20개로 늘렸을 때, Hep-G2의 관측된 약물 반응 예측이 개선되는 초기 결과를 제시했습니다. 다만 신뢰구간이 크고 처음 보는 약물이 아니라 이미 다른 세포주에서 본 약물입니다. 환자 유래 세포와 희귀질환으로 확장할 수 있는지는 아직 열린 문제입니다.
실험 피드백. 모델이 추천한 실험의 실제 결과가 다시 Foundry로 돌아와야 시뮬레이터가 교정됩니다. 파트너십의 가치도 단순 소프트웨어 매출보다 어떤 신규 개입 데이터와 실패 데이터를 되돌려받는지에 달려 있습니다.
불확실성의 교정. 연구자는 정답처럼 보이는 하나의 출력보다 어느 예측을 믿어도 되는지 알아야 합니다. 세포 유형, 개입 조합과 시간 범위를 벗어날 때 오류가 얼마나 커지는지, 어떤 실험을 먼저 해야 불확실성이 가장 많이 줄어드는지가 제품의 핵심 기능이 됩니다.
다음 평가는 새로운 발견 하나에서 시작해야 합니다
AIDO Cell 1.0의 가장 강한 반론은 명확합니다. 여러 검증된 예측 모델을 상태 저장 소프트웨어로 연결했다고 해서 실제 세포의 동역학을 학습한 것은 아니라는 주장입니다. K-562와 Hep-G2에서 알려진 문헌을 재현한 것은 시스템 점검에는 유용하지만, 훈련 데이터에 없던 인과관계를 발견했다는 증거는 아닙니다.
GenBio도 이 문제를 인정합니다. 현재 상태에는 단백질의 번역 후 변형, 분해와 회전율, 상세 신호전달, 대사산물과 시간 동역학이 충분히 포함되지 않았습니다. 이 과정들은 약물 반응과 독성에서 결정적인데 전사체 변화만으로 환원되지 않습니다. 회사는 멀티스케일 세포 시뮬레이션에도 단백질 구조 예측의 CASP와 같은 독립 맹검 평가가 필요하다고 제안합니다.
앞으로 볼 지표는 다음과 같습니다.
- 실험 전에 등록한 신규 예측을 실제 세포에서 얼마나 재현하는가
- 단순 평균·최근접 이웃·전문 모델보다 실험 후보 수와 실패율을 얼마나 줄이는가
- 보지 못한 세포 유형·약물·조합을 동시에 만났을 때 성능이 유지되는가
- 여러 차례 개입한 뒤에도 전사체·단백질·형태 출력이 함께 맞는가
- 예측 확률과 실제 성공률이 일치하고 실패 범위를 스스로 표시하는가
- 외부 연구자가 같은 입력으로 결과를 재현할 수 있는가
가상세포의 승자는 세포를 가장 잘 그리는 모델이 아닐 수 있습니다
AIDO Cell은 아직 습식실험을 대신할 디지털 세포가 아닙니다. 두 개의 암세포주를 대상으로 여러 전문 모델과 데이터를 상태 기반 인터페이스 아래 통합한 초기 연구 시스템입니다. "31개 중 24개 최고 성능"도 전체 세포를 검증한 숫자가 아니라 구성요소의 폭과 경쟁력을 나타내는 회사 자체 평가입니다.
하지만 방향은 선명합니다. 바이오 AI는 서열·구조·전사체를 각각 예측하는 도구에서, 가설을 개입으로 바꾸고 결과를 여러 계층에서 관찰하며 다음 실험을 설계하는 시스템으로 이동하고 있습니다. 이때 가장 중요한 경쟁력은 모델 하나의 정확도가 아니라 상태의 일관성, 개입 데이터, 불확실성 교정, 전향적 실험 피드백을 한 루프로 묶는 능력입니다.
GenBio가 이번에 선점하려는 것도 바로 그 루프입니다. AIDO Cell의 성공 여부는 얼마나 많은 생물학 기능을 화면에 나열했는지가 아니라, 실제 연구자가 해야 할 실험을 더 적고 더 정확하게 고르게 만드는지로 판가름 날 것입니다. 가상세포가 진짜 과학 도구가 되는 순간은 세포처럼 보일 때가 아니라, 아직 알려지지 않은 결과를 먼저 맞히고 틀릴 때는 그 사실까지 알려줄 때입니다.