세포 계대배양을 위한 LLM 기반 지능형 공정 자동화 시스템
LLM-based Intelligent Process Automation System for Cell Subculture
- 주제(키워드) 세포 계대배양 자동화 , 대규모 언어 모델(LLM) , 자연어 기반 로봇 제어 , 실험 자동화 시스템 , 지능형 공정 자동화 , 적응형 실험 제어
- 발행기관 서강대학교 일반대학원
- 지도교수 정석환
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 일반대학원 기계공학과
- 실제URI http://www.dcollection.net/handler/sogang/000000082260
- UCI I804:11029-000000082260
- 본문언어 한국어
- 저작권 논문은 저작권에 의해 보호받습니다.
초록(요약문)
본 논문은 세포 계대배양 공정을 자동화하기 위한 대규모 언어 모델 기반 지능형 공정자동화 시스템을 제안한다. 세포 계대배양은 배지 제거, phosphate-buffered saline (PBS) 세척, 트립신 처리, 중화, 원심분리, 분주 등의 복합 단계를 포함하며, 고도의 정밀성과 일관성이 요구되는 공정이다. 기존의 규칙 기반 자동화는 세포 상태 변화나 맥락적 실험 의도를 반영하기 어려워, 적응형 지능 제어의 한계를 지닌다. 제안된 시스템은 대규모 언어 모델(LLM)을 통해 연구자의 자연어 지시를 로봇 공정 시퀀스 및 파라미터로 변환하고, cell history 데이터를 학습하여 상태별 실험 조건을 해석하고 이에 따라 조정할 수 있는 능력을 갖추었다. LLM이 자동으로 생성한 파라미터는 연구자가 설정한 조건과 유사한 수준의 세포 탈거율을 달성하였으며, 실험 상황을 해석하고 최적 조건을 결정할 수 있을 만큼의 기능이 검증되었다. 또한 세포 상태에 따라 트립신 처리 조건과 배지 비율을 자율적으로 조정함으로써, 상태 변화에 대응하는 실험 제어 능력도 확인되었다. 이러한 결과는 제안된 LLM이 단순한 공정 제어를 넘어, 실험 조건을 이해하고 조율할 수 있는 지능형 연구 보조자로서의 가능성을 보여준다.
more초록(요약문)
This paper proposes an intelligent process automation system based on large language models for automating the cell subculture process. Cell subculture is a complex process that involves multiple steps, including medium removal, PBS washing, trypsin treatment, neutralization, centrifugation, and dispensing, and requires a high level of precision and consistency. Conventional rule-based automation has limited adaptability because it cannot effectively reflect changes in cell states or experimental context. The proposed system translates a researcher’s natural language instructions into robot process sequences and parameters, while adjusting experimental conditions based on cell history data. The LLMgenerated parameters achieved cell detachment rates comparable to those obtained using human-defined parameters. Furthermore, the system autonomously adjusted trypsin treatment conditions and medium ratios according to cell states, demonstrating state-aware experimental control. In addition, the system autonomously adjusted trypsin treatment conditions and medium ratios according to cell states, confirming its capability for stateaware experimental control. These results show that the proposed approach extends beyond conventional process control and highlight the potential of LLMs as intelligent research assistants for experimental automation.
more목차
I. Introduction 1
A. Research Background 1
B. Related Work 3
C. Research Objective 5
II. System Overview 7
A. Cell Subculture Procedure 7
B. System Requirements 8
C. Overall System Architecture 10
a. Hardware Architecture 10
b. Software and Control Architecture 13
III. Prompt-based Automation Framework 20
A. Prompt Engine Architecture 20
B. Prompt Design Principles 22
C. Task Planner Architecture 24
IV. Proposed Automation Method 26
A. Parameter Generation Method 26
B. Sequence Generation Method 29
V. Experiments and Results 32
A. LLM Code Generation Capability 32
B. State-aware Robot Parameter Adjustment 35
C. Natural Language–based Robot Sequence and Parameter Editing 37
D. Cell Detachment Performance Comparison 39
E. Digital Twin of the Robot System 41
VI. Conclusion and Future Work 43
A. Conclusion 43
B. Future Work 44
