NVIDIA의 신약 개발 추진, 단백질 설계와 실험실 테스트 연결
NVIDIA는 10월 21일 헬스케어 협력을 확대하며 오픈 단백질 설계와 실험실 자동화를 연결하는 한편, 암 치료 적용은 아직 초기 개발 단계에 두었다. NVIDIA drug discovery 발표의 중심에는 워싱턴대학교 단백질 설계 연구소와 함께 개발한 모델인 RFD4-Proteina가 있다. 이 모델의 중요성은 계산상 제안과, 그 제안이 실제로 작동하는지 확인할 수 있는 실험을 연결한다는 데 있다.
이번 발표는 서로 다른 유형의 진전을 하나의 전략 아래에 묶는다. 공개된 연구 모델, 계획된 실험실 워크플로, 탐색 단계의 치료 계획 협력은 각각 서로 다른 증거 요건을 수반한다. 이를 동등한 성과로 해석하면 연구자와 헬스케어 구매자가 실제로 평가할 수 있는 대상이 무엇인지 흐려질 수 있다.
핵심적인 긴장은 더 빠른 계산 탐색과 신뢰할 수 있는 실험 증거를 생산하기 위해 필요한 실질적 작업 사이에 있다. Google DeepMind의 AlphaProteo는 단백질 설계 경쟁을 살펴보는 데 유용한 역사적 기준점이 된다. 이러한 노력 전반에서 중요한 질문은 설득력 있는 분자를 생성하는 데 그치지 않는다. 더 나은 설계가 다음 실험을 개선할 수 있는가가 관건이다.
NVIDIA 신약 개발, 연결된 실험으로 이동
이번 발표는 개별 모델보다 설계, 실험, 과학적 의사결정 간의 연결에 주목하게 한다.
NVIDIA는 GTC Berlin에서 과학 에이전트 파트너십 및 환자 상태에 맞춰 치료를 조정하는 적응형 방사선 치료를 탐색하는 Siemens Healthineers 협력과 함께 RFD4-Proteina를 발표했다. NVIDIA의 헬스케어 협력은 하나의 완성된 헬스케어 제품이 아니라 연구 도구와 향후 임상 워크플로를 아우른다.
NVIDIA에 따르면 Benchling은 에이전트를 실험 맥락과 연결하고 있으며, Automata는 이들을 실험실 인프라와 연계하고 있다. Danaher의 자율 실험실 내 Genedata의 계획된 단백질 설계 워크플로에는 RFD4-Proteina가 포함될 예정이다.
이 사례들은 상호 보완적인 역할을 설명한다. 분자 후보를 선택하려면 설계 도구가 필요하다. 실험을 선택하려면 과학적 맥락이 필요하다. 그 실험을 수행하려면 실제로 무슨 일이 일어났는지 보존하는 장비, 절차, 기록이 필요하다.
분석적으로 중요한 점은 이러한 역할 간에 제안된 연결이다. 후보를 생성하는 모델은 실험 결과가 이후의 설계 선택에 영향을 줄 수 있을 때 더 유용해진다. 다만 각 인계 과정이 검토 가능한 상태로 유지되지 않으면, 이 연결은 오류를 더 쉽게 확산시킬 수도 있다.
질병과 연관된 표적을 조사하는 가상의 연구팀을 생각해 보자. 이들의 당면 목표는 해당 표적에 결합하는 단백질을 찾는 것일 수 있다. 이런 단백질은 특정 상호작용 상대와 결합하도록 설계된 분자를 뜻하는 바인더(binder)라고 불린다.
계산상 제안은 조사의 출발점이 될 것이다. 연구자들은 여전히 무엇이 유용한 결합인지 결정하고, 후보를 선택하며, 실험실 결과를 해석해야 한다. 이러한 판단은 설계 캠페인이 실행 가능한 증거를 만들어 내는지를 좌우한다.
발표된 전략은 이러한 전환 지점 주변에 소프트웨어를 배치한다. 연구자가 결과를 만든 조건을 재구성할 수 없을 때 그 결과는 가치를 잃기 때문에 이는 중요하다. 신뢰할 수 있는 실험 맥락이 없는 유망 후보는 비교, 재현, 개선하기 어렵다.
NVIDIA drug discovery 동향을 추적하는 독자라면 이것이 주목해야 할 실질적인 변화다. NVIDIA는 분자 생성을 더 광범위한 연구 과정의 일부로 제시하고 있다. 상업적 의미는 이러한 연결이 과학 업무의 생산성을 실제로 높이는지에 달려 있다.
이 구분은 “헬스케어 AI”를 지나치게 포괄적으로 해석하는 것도 막아 준다. 단백질 설계와 치료 계획은 컴퓨팅 요건을 공유하지만, 서로 다른 사용자와 의사결정을 지원한다. 연구 워크플로의 진전이 환자 치료에서의 성능을 입증할 수는 없다.
따라서 이번 발표를 유용하게 읽으려면 각 단계의 증거를 따라가야 한다. 무엇이 공개되었는가? 무엇이 검증되었는가? 무엇이 아직 개발 목표로 남아 있는가? 이러한 질문은 참여 기업 수보다 더 선명한 그림을 제공한다.
단백질 설계자는 더 나은 점수 이상의 기준에 직면한다
RFD4-Proteina는 계산 설계에 대한 기대치를 높이지만, 실험 성능은 여전히 결정적인 척도로 남는다.
UW Medicine은 RFD4-Proteina protein design을 연구소의 RosettaFold Diffusion 계보와 NVIDIA의 Proteina-Complexa 연구를 결합한 것으로 설명한다. 대학 측은 다양한 분자 과제 전반에서 계산상 개선과 실험실 검증을 보고했다. 공동 개발자로서 이는 독립적인 재현이 아니라 프로젝트에 관한 직접적인 증거를 제공한다.
이 구분은 이번 공개에 적절한 출발점을 제공한다. 실험적 검증은 매력적인 컴퓨터 생성 구조만으로 제기할 수 있는 주장보다 더 강한 주장을 뒷받침한다. 그렇다고 제안된 모든 설계가 작동한다거나 다른 실험실이 보고된 모든 결과를 재현할 수 있음을 입증하는 것은 아니다.
즉각적인 부담은 단백질 설계 방법을 평가하는 팀에 놓인다. 새 모델은 연구자들이 기존 접근법과 비교할 수 있을 때 의미를 갖는다. 긍정적인 헤드라인 벤치마크는 평가할 후보를 식별하는 데 도움이 되지만, 그 평가를 대체할 수는 없다.
연구 구매자에게 유용한 비교는 과학적 목표에서 시작한다. 한 표적에서 좋은 성능을 보이는 도구가 다른 상황에서는 이점이 적을 수 있다. 관련된 질문은 그 도구가 팀이 실제로 내려야 하는 의사결정을 개선하는지 여부다.
이는 더 엄격한 생산성 정의를 시사한다. 추가 후보 생성은 연구자가 어떤 후보가 주목할 가치가 있는지 식별할 수 있을 때만 도움이 된다. 선택을 개선하지 못한 채 산출량만 늘리는 워크플로는 검토 업무를 더 많이 만들 수 있다.
실험실 역량도 또 하나의 제약이다. 팀이 모델이 제안하는 모든 것을 반드시 테스트할 수 있는 것은 아니다. 따라서 특히 실험 자원이 캠페인을 제한할 때는 더 빠른 생성만큼 더 나은 우선순위 결정이 중요할 수 있다.
이는 소프트웨어 공급업체뿐 아니라 평가 관행에도 부담을 준다. 연구자에게는 명확한 성공 정의, 문서화된 선택 기준, 제외된 후보에 대한 설명이 필요하다. 그렇지 않으면 비교가 근본적인 방법보다 결과의 제시 방식을 보상할 수 있다.
실패한 실험 역시 주목할 가치가 있다. 실패를 정확하게 기록하는 시스템은 다음 의사결정을 위한 정보를 연구자에게 제공한다. 성공 사례만 보존하는 시스템은 자신의 유용성에 대한 불완전한 설명을 만든다.
개발자에게 이는 제품 과제를 바꾼다. 인터페이스는 순위가 매겨진 목록을 보여주는 데 그치지 않고 과학적 검토를 지원해야 한다. 사용자는 어떤 목표가 순위를 만들었는지, 어떤 가정이 추천을 형성했는지 이해해야 한다.
기업 구매자에게 이에 상응하는 질문은 증거의 이식 가능성에 관한 것이다. 다른 팀이 원래 운영자에게 의존하지 않고 캠페인을 검토할 수 있는가? 답이 불명확하다면, 모델 자체가 접근 가능하더라도 배포는 조직적 의존성을 만들 수 있다.
따라서 RFD4-Proteina protein design은 더 광범위한 연구 관행 평가에 포함되어야 한다. 이 기술의 과학적 가능성은 기록, 비교, 실험 후속 조치의 품질과 함께 평가되어야 한다. 이러한 요소가 고무적인 결과를 신뢰할 수 있는 역량으로 전환할 수 있는지를 결정한다.
탐색은 어떤 후보가 실험대로 가는지를 바꾼다
기술적 메커니즘은 연구자에게 후보 생성에 대한 더 많은 통제권을 제공하는 동시에, 올바른 목표를 선택하는 중요성을 높인다.
NVIDIA는 reward-guided search를 생성 과정에서 새로 나타나는 설계에 점수를 매기고 유망한 경로를 계속 탐색하는 방식으로 설명한다. RFD4-Proteina는 단백질 서열과 상세한 원자 구조를 함께 생성한다. 연구자들은 분자 맥락과 지정된 제약 조건으로 이 과정을 유도할 수 있다.
쉽게 말해, 이 모델은 선택한 점수 규칙을 만족하는 후보에 추가 계산을 집중시킬 수 있다. 과학적 의미는 그 규칙에 크게 좌우된다. 측정 가능한 특성을 최적화하는 것은 그 특성이 의도한 생물학적 기능을 제대로 반영할 때 도움이 된다.
가상의 바인더 캠페인은 이 차이를 잘 보여 준다. 연구자들은 원치 않는 상호작용은 피하면서 특정 표적을 인식하는 분자를 원할 수 있다. 계산 점수는 후보의 우선순위를 정하는 데 도움이 되지만, 실험은 실제로 중요한 행동을 평가해야 한다.
이는 사용자에게 중요한 책임을 부여한다. 모델은 잘못 선택된 목표 안에서도 효과적으로 탐색할 수 있다. 그렇게 되면 더 높은 점수는 연구 목표를 충분히 나타내지 못하는 질문에 대해 더 확신에 찬 답을 제공하게 된다.
여러 평가 도구를 결합할 때도 같은 문제가 적용된다. 도구 간의 일치는 의사결정을 뒷받침할 수 있지만, 연구자들은 해당 도구들이 서로 다른 증거를 제공하는지 물어야 한다. 유사한 가정은 유사한 오류를 만들 수 있다.
연구 도구를 선택하고 조정하는 소프트웨어 시스템인 NVIDIA scientific agents에게 이는 설명 가능성이 제품 요건이 된다는 뜻이다. 에이전트는 왜 모델을 호출했는지, 후보를 선택했는지, 다른 실험을 추천했는지를 보존해야 한다. 이런 기록이 없다면 자동화는 과학적 판단을 더 검토하기 어렵게 만든다.
그 결과 인간의 역할은 목표를 정의하고 증거를 검토하는 쪽으로 이동한다. 연구자들은 무엇을 바꿀 수 있는지, 무엇을 고정해야 하는지, 어떤 결과가 다음 라운드를 정당화할지를 결정해야 한다. 이러한 선택이 자동화된 탐색이 작동하는 경계를 설정한다.
이 메커니즘은 자원 배분 문제도 만든다. 추가 계산은 후보 선택을 충분히 개선해 그 사용을 정당화할 때 가치가 있다. 구매자는 생성 속도를 고립해서 측정하기보다 완전한 캠페인 전반에서 이 절충안을 평가해야 한다.
경쟁 맥락은 이 점을 강화한다. 2024년 9월 제출된 Google DeepMind의 AlphaProteo research는 실험적으로 테스트된 단백질 바인더를 보고했다. 저자들은 선택된 표적 전반에서의 성능 향상을 설명하면서도, 신뢰할 수 있는 주문형 바인더 생성은 여전히 해결되지 않은 과제라고 인정했다.
이전 연구는 실험적 후속 조치가 이미 경쟁 기준의 일부를 이룬다는 관련 비교점을 제시한다. 그러나 RFD4-Proteina와의 직접 비교를 제공하지는 않는다. 서로 다른 표적, 선택 절차, 실험 조건 때문에 발표 요약만으로 방어 가능한 순위를 매길 수는 없다.
따라서 유용한 경쟁 질문은 구체적이다. 비교 가능한 조건에서 어떤 방법이 연구자들이 가용한 실험으로부터 더 유용한 증거를 얻도록 돕는가? 이 비교는 보고된 모든 벤치마크를 서로 교환 가능한 것으로 취급하지 않고 과학 업무에 주목하게 한다.
자율 실험실에는 모든 인계를 견디는 기록이 필요하다
연결된 실험실 소프트웨어의 가치는 작업이 시스템 간에 이동할 때 과학적 의미를 보존하는 데 달려 있다.
NVIDIA 신약 개발 파트너십의 논리는 후보 물질과 실험이 인계되는 지점에서 가장 분명해진다. 설계 파일은 의도를 나타낸다. 실험 기록은 연구자가 실제로 무엇을 시험했고 이를 어떻게 평가했는지를 입증해야 한다.
이 두 대상 사이에는 명시적인 연결이 필요하다. 후보 물질이 준비 과정에서 변경된다면 기록은 그 변경을 보존해야 한다. 그렇지 않으면 결과가 실제 시험 물질과 더는 일치하지 않는 계산 설계와 연결될 수 있다.
이는 연결형 연구 워크플로 전반에 적용되는 아키텍처상의 고려 사항이다. 구매자는 시스템이 설계 버전, 실험 절차, 이후의 해석을 어떻게 추적하는지 물어야 한다. 검토 가능한 기록이 없다면 세련된 시연만으로는 이러한 질문에 답할 수 없다.
NVIDIA의 과학 에이전트는 의사결정의 층위를 하나 더 추가한다. 에이전트는 도구를 성공적으로 조율하면서도 그 출력으로부터 근거 없는 결론을 내릴 수 있다. 따라서 과학적 검토에는 결과뿐 아니라 그에 이르기까지의 의사결정 순서에도 접근할 수 있어야 한다.
가상의 실패 실험은 이것이 중요한 이유를 보여준다. 어떤 후보 물질이 유의미한 신호를 내지 못했다고 가정해 보자. 연구자에게는 부적합한 설계인지, 준비 과정의 문제인지, 또는 부적절한 시험인지 구분할 수 있을 만큼 충분한 맥락이 필요하다. 각각의 설명은 서로 다른 다음 단계를 시사한다.
연결형 시스템은 이러한 구분을 보존하는 데 도움이 되어야 한다. 실패라는 레이블을 단순히 생성 과정에 다시 입력하면 잘못된 이유로 유용한 후보 물질을 버릴 위험이 있다. 자동화는 반복뿐 아니라 진단까지 지원할 때 더 큰 가치를 지닌다.
조직 차원의 영향은 실험실 장비를 넘어선다. 계산 연구자, 실험 과학자, 소프트웨어 팀은 캠페인에 대한 공동의 이해를 공유해야 한다. 각 집단은 다른 집단이 해석할 수 있어야 하는 정보를 제공한다.
이 때문에 문서화는 과학 제품의 일부가 된다. 명확한 기록은 의사결정을 다시 검토하고, 프로젝트를 이전하며, 접근법을 비교하는 데 필요한 노력을 줄인다. 또한 검토자가 관찰된 결과와 이후의 설명을 구분하는 데도 도움이 된다.
관련 논문과 기술 메모를 관리하는 팀에게는 검색 가능한 지식 기반이 이러한 읽기 및 검토 과정을 지원할 수 있다. 실험 기록에는 여전히 의도된 용도에 맞는 시스템과 통제가 필요하다.
구매자는 연결형 워크플로가 통합 실패 시 어떻게 작동하는지도 살펴봐야 한다. 사용할 수 없는 서비스나 호환되지 않는 출력은 이해 가능한 중단으로 이어져야 한다. 조용한 대체는 최종 결과의 해석을 어렵게 만들 수 있다.
실무적인 조달 질문은 바로 여기서 나온다. 원래 담당자가 떠난 뒤에도 조직이 중요한 의사결정을 재구성할 수 있는가? 답이 그렇다면 해당 워크플로는 반복적 사용을 위한 더 강한 기반을 제공한다.
이러한 고려 사항은 모든 통합이 완성됐다고 가정하지 않으면서도 파트너 통합이 중요한 이유를 설명한다. 도구를 연결하면 과학적 연속성을 개선할 기회가 생긴다. 공개된 캠페인과 검토 가능한 기록은 그 기회가 운영상 가치로 이어지는지를 보여줄 것이다.
암 치료 협업에는 별도의 증거 기준이 필요하다
Siemens Healthineers와의 협업은 치료 개발 작업에 관한 것이며, 그 상태는 공개된 연구 모델과 구분해 다뤄야 한다.
NVIDIA는 Siemens Healthineers가 적응형 방사선 치료를 위해 에이전트 지원 계획 수립, 환자별 시뮬레이션, 실시간 컴퓨팅을 탐색하고 있다고 밝혔다. 이는 개발 방향이다. 이 발표만으로 제안된 조합이 환자 결과를 개선했다는 사실이 입증되지는 않는다.
별도의 제품 문서는 필수적인 맥락을 제공한다. Siemens Healthineers는 2026년 9월 27일 Accela를 소개했지만, Accela 규제 상태는 미국 허가가 진행 중이라고 명시했다. 회사는 또한 이 시스템이 어느 시장에서도 판매 가능하지 않다고 밝혔다.
이 공개 내용은 독자가 “출시”라는 단어에서 추론해야 할 범위를 제한한다. 공개 소개는 상업적 이용 가능성에 앞서 제품의 의도된 기능을 설명할 수 있다. 그렇다고 병원들이 새롭게 제안된 NVIDIA 협업을 일상 진료에서 이미 사용하고 있다는 점이 입증되는 것은 아니다.
헬스케어 구매자에게 관련 질문은 의도된 사용 목적과 정확한 기능에서 시작된다. 어떤 구성 요소가 임상의사를 지원하는가? 어떤 계산이 치료 계획에 정보를 제공하는가? 어떤 결정이 제안된 시스템의 범위 밖에 남는가? 지능형 워크플로에 대한 포괄적 설명만으로는 이러한 세부 사항이 해소되지 않는다.
이 글의 핵심 긴장과의 연결은 여전히 분명하다. 더 빠른 컴퓨팅은 워크플로를 지원할 수 있지만, 증거는 실제 의사결정에 부합해야 한다. 치료 계획에서는 속도, 신뢰도, 접근성에 관한 주장을 해석할 때 특히 신중해야 한다.
가상의 계획 지원 도구는 이 문제를 잘 보여준다. 선택지를 빠르게 만드는 일은 임상 팀이 이를 적절히 평가할 수 있을 때에만 유용하다. 전체적인 이점은 검토 절차와 제시되는 정보의 신뢰성에 달려 있다.
마찬가지로 시뮬레이션은 특정 환자에게 어떤 일이 일어날지를 확정하지 않고도 의사결정에 정보를 제공할 수 있다. 독자는 모델의 목적과 그 사용을 뒷받침하는 증거를 구분해야 한다. 이번 발표는 완전한 임상 평가가 아니라 개발 방향을 설명한다.
이 구분은 개발자에게 요구되는 책임도 분명히 한다. 이들의 시스템은 진료 책임을 지는 전문가가 권고를 이해할 수 있도록 해야 한다. 설명은 제안된 조치를 거부할 이유를 포함해 그 조치를 평가할 수 있도록 뒷받침해야 한다.
접근성에 관한 주장도 똑같이 신중히 다뤄야 한다. 워크플로 효율성 개선은 그럴듯한 목표다. 접근성이 더 높아졌다는 사실을 입증하려면 더 빠른 컴퓨팅이 자동으로 추가 진료를 만든다고 가정하는 대신, 관련 운영 제약이 실제로 바뀌었음을 보여주는 증거가 필요하다.
따라서 회의적인 해석은 구체적이다. 이 협업은 엔지니어링 및 임상 개발 노력으로서 주목할 가치가 있다. 향후 중요성은 문서화된 기능, 평가, 적절한 이용 가능성에 달려 있다.
이 관점은 관련 없는 연구 결과의 신뢰성을 빌려오지 않으면서 발표의 실질을 보존한다. 성공적인 단백질 실험은 단백질 설계 프로그램을 뒷받침할 수 있다. 그러나 그것이 치료 계획에서 에이전트의 역할을 검증하는 것은 아니다.
NVIDIA 신약 개발 및 헬스케어 뉴스를 함께 평가하는 독자에게는 이러한 증거 경계를 분명히 유지하는 일이 필수적이다. 공통 공급업체가 두 이야기를 상업적으로 연결한다. 그러나 각 적용 분야에는 여전히 고유한 목적에 맞는 증거가 필요하다.
연결이 성과를 내는지 보여줄 세 가지 신호
다음으로 유용한 증거는 재현성, 완전한 연구 캠페인, 명확히 정의된 임상 개발 이정표에 관한 것이다.
첫 번째 신호는 RFD4-Proteina에 대한 외부 실험 평가다. 앞으로 몇 달 동안 독자는 연구실이 자체 문제에 모델을 평가할 수 있을 만큼 충분한 세부 정보를 공개하는지 지켜봐야 한다. 이는 약속된 출시일이 아니라 유용한 관찰 지점이다.
강력한 증거는 계산적 선택을 실험 결과와 연결하고, 두 결과의 조건을 설명해야 한다. 성공한 후보뿐 아니라 실패한 후보도 보이게 해야 한다. 그래야 연구자는 이 방법이 어디에 적용되고 어디에서 조정이 필요한지 판단할 수 있다.
그러한 결과는 더 폭넓은 채택의 근거를 강화할 것이다. 신중하게 선별한 문제에서만 제한적으로 성공하더라도 여전히 유익한 정보가 되겠지만, 더 제한적인 결론을 뒷받침하게 된다. 어느 결과든 모델 공개를 일반적 신뢰성의 증거로 취급하는 것보다 낫다.
두 번째 신호는 연결된 실험실 워크플로에서 나온 검토 가능한 캠페인이다. 중요한 공개 사례는 과학적 목표가 어떻게 후보 설계로 이어졌는지, 후보가 어떻게 실험에 도달했는지, 결과가 어떻게 다음 의사결정에 반영됐는지를 보여줘야 한다. 최종 결과만큼이나 인계 과정도 면밀히 검토할 가치가 있다.
설득력 있는 캠페인은 독자가 권고안을 그 입력값까지 추적할 수 있게 해야 한다. 또한 과정에서 이뤄진 인간의 개입과 변경 사항을 설명해야 한다. 이러한 가시성은 연결형 소프트웨어가 연구 과정을 개선한다는 주장을 뒷받침할 수 있다.
생성된 후보에서 멈추는 시연은 핵심 질문을 미해결 상태로 남긴다. 앞선 설계 선택과 명확히 연결되지 않은 채 제시된 실험실 결과도 마찬가지다. 전체 연쇄가 이해 가능한 상태로 유지될 때 발표된 전략은 더 신뢰할 수 있게 된다.
세 번째 신호는 개발 또는 규제 상태가 명확히 제시된 구체적인 Siemens Healthineers 이정표다. 독자는 정의된 기능, 평가 세부 사항, 이용 가능성 공개를 지켜봐야 한다. 이는 초기 협업 발표 이후 무엇이 달라졌는지를 보여줄 것이다.
식별 가능한 임상 워크플로는 파트너십을 더 쉽게 평가할 수 있게 한다. 문서화된 평가는 성과를 논의할 근거를 제공한다. 계속해서 탐색적 표현이 사용된다면 이 협업이 여전히 개발 노력에 머물러 있음을 의미하며, 그 자체로 유용한 정보다.
이 세 가지 신호는 이야기를 따라가는 절제된 방식을 함께 제공한다. 접근 가능한 소프트웨어와 입증된 과학적 유용성을 구분하고, 입증된 유용성과 뒷받침되는 환자 진료 적용을 구분한다. 각 단계의 진전은 해당 단계에서 보도돼야 한다.
더 넓은 함의는 개발자와 구매자에게 실용적이다. 도구가 개선하는 의사결정, 보존하는 증거, 그리고 출력을 활용하는 데 필요한 작업을 평가하라. 사용자가 단백질 후보를 선택하든 제안된 워크플로를 검토하든 이러한 질문은 적용된다.
이 NVIDIA 신약 개발 추진을 지켜보는 연구자라면, 팀이 이미 내려야 하는 의사결정부터 시작하라. 그 의사결정을 개선하는 데 필요한 증거를 식별한 뒤, 새 도구를 기존 프로세스와 비교하라. 다른 검토자가 결과를 이해할 수 있도록 입력값, 탈락한 후보, 실험 결과를 보존하라. 헬스케어 구매자도 의도된 사용 목적, 평가, 이용 가능성에 같은 원칙을 적용해야 한다. 시연과 함께 기반 문서를 읽고, 개발 목표와 확립된 성과를 구분하라. 새 결과가 나올 때마다 구체적인 질문을 던져야 한다. 연결된 워크플로가 전문가들이 실제로 보유한 자원으로 더 탄탄한 근거에 기반한 의사결정을 내리도록 돕는가?
