SigmaticOS는 Sigmatic Sciences가 2026년 3월 3일 발표한 생명과학 특화 lab-in-the-loop 플랫폼으로, 계산 환경에서 도출한 가설과 실제 실험실의 실행 결과를 하나의 반복 가능한 작업 흐름으로 연결한다. 일반적인 연구 소프트웨어가 모델 실행, 데이터 분석 또는 장비 제어 중 한 구간만 담당한다면, SigmaticOS는 in silico 워크플로우와 wet-lab 자동화를 함께 오케스트레이션하고 그 과정을 추적하는 운영 계층을 지향한다. 공식 발표에 따르면 100개 이상의 에이전트를 활용하며, 고객 데이터로 학습하는 머신러닝 모델과 대규모 언어 모델(Large Language Model, LLM), 재귀적 언어 모델(Recursive Language Model, RLM), 검색 증강 생성(Retrieval-Augmented Generation, RAG)을 통합한다. 이를 비유하면 연구자가 계산실과 실험실 사이에서 수동으로 전달하던 작업 지시서와 결과 보고서를, 여러 전문 에이전트가 공유하는 디지털 관제실로 옮긴 형태에 가깝다.

기존 계산 생물학 파이프라인에서는 모델이 추천한 후보를 연구자가 별도의 실험 관리 시스템에 다시 입력하고, 장비에서 나온 결과를 정리한 뒤 모델 학습 데이터로 재가공해야 하는 경우가 많다. 이처럼 도구와 담당자가 바뀌는 경계마다 실험 조건, 데이터 계보(Data lineage), 실패 원인 또는 의사결정 맥락이 누락될 수 있다. SigmaticOS의 차별점은 계산 결과를 보고서로 끝내지 않고 실제 실험 실행과 후속 학습으로 되돌리는 폐쇄 루프(Closed-loop) 연구 흐름을 표방한다는 점이다. 단일 생성형 AI 비서보다 다수의 에이전트가 역할을 분담하는 구조에 초점을 두며, 계산 연구와 실험실 운영을 별개의 자동화 영역이 아니라 지속적으로 피드백을 교환하는 하나의 시스템으로 다룬다.

신약 후보 탐색에서는 연구자가 내부 데이터를 바탕으로 후보 우선순위를 계산하고, 에이전트 워크플로우를 통해 후속 wet-lab 검증을 연결한 다음, 얻어진 결과를 다시 머신러닝 모델의 학습 과정으로 환류하는 시나리오를 구성할 수 있다. 세포 기반 분석에서는 in silico 조건 설계, 실험 실행 요청, 결과 추적 및 다음 실험 조건 제안이 하나의 반복 주기로 묶일 수 있다. 공정 또는 분석법 최적화에서는 이전 실험 기록을 RAG로 참조하고 LLM·RLM 기반 추론을 적용해 다음 작업을 조율하는 방식이 가능하다. 다만 지원 장비, 데이터 형식, 에이전트별 권한, 검증된 처리량, 모델 성능 수치 및 규제 대응 범위는 제공된 발견 자료만으로 확인되지 않았으므로 실제 도입 전 공식 기술 문서와 공급사 검증이 필요하다.