텍스트와 숫자의 만남: AI 기반 과학적 발견의 새로운 지평

Song 외 연구진의 연구는 텍스트와 숫자 정보를 통합한 TNG와 LLM-GNN 모델을 제시하여 과학적 지식 발견에 혁신을 가져왔습니다. TOSG 분석 결과를 통해 모델의 유용성을 입증하였으며, 향후 AI 기반 과학적 발견의 새로운 패러다임을 제시할 것으로 기대됩니다.

인간은 방대한 데이터 분석 결과에서 가장 유망한 가설을 선택하는 데 축적된 지식과 상상력을 활용합니다. Song 외 연구진(2025)의 최근 연구는 이러한 과정을 AI로 구현하는 획기적인 방법을 제시합니다. 바로 텍스트-숫자 그래프(Text-Numeric Graph, TNG) 입니다.

TNG는 그래프의 엔티티와 연관성에 텍스트 정보와 숫자 정보를 모두 포함하는 새로운 그래프 구조입니다. 이는 인간이 이해할 수 있는 텍스트 설명(기존 지식)과 숫자 값(관측치 또는 활성화 수준)을 통합하여 그래프 추론을 위한 엔티티와 연관성의 중요도를 결정합니다. 이는 마치 과학 수사관이 범죄 현장의 단서(텍스트 정보)와 증거물 분석 결과(숫자 정보)를 종합적으로 분석하는 것과 유사합니다.

연구진은 대규모 언어 모델(LLM) 과 그래프 신경망(GNN) 을 통합하여 TNG를 분석하는 모델을 제안했습니다. LLM은 텍스트 정보를 이해하고 해석하며, GNN은 그래프 구조의 패턴을 파악합니다. 두 모델의 시너지 효과는 과학적 지식 발견의 정확성과 효율성을 크게 향상시킵니다.

특히, 연구진은 단일 세포 RNA 시퀀싱(scRNAseq) 데이터를 사용하여 텍스트-오믹 신호 그래프(Text-Omic Signaling Graph, TOSG) 를 생성했습니다. TOSG는 동일한 엔티티, 연관성, 주석을 가지지만 질병에 따라 엔티티의 숫자 값(오믹 값)이 다른 그래프입니다. LLM-GNN 모델을 TOSG에 적용한 결과, 분류 정확도와 네트워크 추론 성능이 크게 향상되었음을 확인했습니다.

이 연구는 TNG와 LLM-GNN 모델이 과학적 발견을 위한 중요한 접근 방식임을 보여줍니다. 이는 단순한 데이터 분석을 넘어, 인간의 지식과 AI의 능력을 결합하여 새로운 과학적 발견을 가속화할 수 있는 잠재력을 가지고 있습니다. 향후 다양한 과학 분야에서 이러한 접근 방식이 활용될 것으로 예상되며, AI를 통한 과학적 발견의 새로운 시대를 열어갈 것으로 기대됩니다. 하지만, 모델의 해석 가능성과 신뢰성에 대한 추가적인 연구가 필요하며, 윤리적 문제에 대한 고려 또한 중요합니다.