#📝️/✒️

AI 코딩 에이전트로 연구 논문 초안 자동 생성하기

배경: 논문 작성의 병목

임상 연구자에게 논문 작성은 연구 전체 과정에서 가장 시간이 많이 걸리는 단계입니다. 데이터는 이미 있는데, 이것을 학술 논문의 형식에 맞추어 정리하고, 문헌을 검색하고, Table을 만들고, Discussion을 쓰는 데 몇 주에서 몇 달이 소요됩니다.

이번에 진행 중인 석회성 건염의 유전적 소인 연구(CTgenetics)를 Claude Code CLI와 함께 작업하면서, 연구 데이터에서 논문 초안까지의 전 과정을 하나의 세션에서 완료할 ��� 있었습니다. 이 글에서는 그 워크플로우를 정리합니다.

무엇을 했나

15명의 다발성 석회성 건염 환자에서 Whole-Exome Sequencing(WES)을 시행한 case series 논문의 초안을 작성했습니다.

Input:

• Obsidian 연구 메모 (한글+영문 혼합, TODO 메모 포함)
• Excel 파일 5개 (CRF, WES 결과, vulnerability 분석, sample list, lab data)
• ���자 영상 390+ 장
• Zotero 라이브러리

Output:

• 완전한 manuscript 초안 (~5,000 words)
• Table 4개 (실제 데이터 채움)
• Figure 설명 3개
• Supplementary Table 3개
• 참고문헌 29개
• 통계 분석 결과 (Fisher's exact, Mann-Whitney U, point-biserial correlation)

7단계 워크플로우

Phase 1. 연구 계획 확인 — "이 연구가 무엇인지 이해하기"

첫 프롬프트는 단순합니다:

"석회성 건염의 유��적 소인에 대한 논문을 쓸 거야. 논문작성을 위한 방향과 계획을 위해 obsidian 폴더 안의 계획 문서를 확인해줘"

Claude Code가 Obsidian 메모를 읽고, 연구 구조를 파악합니다. 이 메모에는 연구자가 남긴 한글 TODO 메모, 취소선 처리된 수정사항, 초안 텍스���가 섞여 있는데, 이 모든 것이 연구자의 의도를 파악하는 데 중요한 단서가 됩니다.

핵심 포인트: Obsidian 메모가 곧 연구 계획서입니다. 완벽하게 정리할 필요 없이, 연구자의 생각이 담긴 그대로가 가장 좋은 input입니다.

Phase 2. 데이터 탐색 — "어떤 데이터가 있는지 전수 파악"

research/CTgenetics 폴더 안에 데이터와 결과들 raw data가 저장되어 있어

Claude Code의 Explore agent가 폴더 전체를 스캔하고, pandas로 모든 Excel 파일을 읽어서 내용을 보고합니다. 여기서 중요한 것은 요약이 아닌 전수 확인입니다. 15명 환자의 모든 변수, 모든 유전자 변이, 모든 lab 값을 하나도 빠짐없이 확인합니다.

이 단계에서 발견한 것:

• 15명 중 8명에서 유전자 변이 발견
• 침범 부위가 많은 환자(vulnerability=1)에서 100% 변이 발견
• 3명의 환자에서 자가면역 마커 양성

이 발견들이 논문의 핵심 메시지가 됩니다.

Phase 3. 논문 방향 결정 — "어떤 유형의 논문으로 쓸 것인가"

이 연구에는 두 개의 Objective가 있었습니다:

• OBJ1: 56세 여성 index case (ABCC6 변이)
• OBJ2: 13명 확장 분석

2편으로 분리할 수도 있었지만, Claude Code가 분석한 결론은 통합 1편이 시너지를 만든다는 것이었습니다. OBJ1이 hypothesis-generating index case, OBJ2가 confirmatory cohort 역할을 하는 구조입니다.

이 단계에서 연구자와 확인한 사항:

• Article type: Case series with genetic analysis (case report 카테고리)
• Target journal: Calcified Tissue International > BMC Musculoskelet > JCM
• Exclusion: 자가면역 환자도 포함, limitation에서 논의
• 새 지표: "Vulnerability" → **Calcification Burden Score (CBS)**로 재명명

Phase 4. 문헌 검색 — "학술적 근거 구축"

WebSearch로 3가지 축의 문헌을 검색합니다:

1. 질환 자체: calcific tendinitis + multifocal + genetic predisposition
2. 핵심 pathway: ABCC6 + ENPP1 + ALPL + XPR1 + pyrophosphate + ectopic calcification
3. 유사 방법론: WES + case series + rare variant

검색 결과에서 가장 중요한 발견:

• Guañabens et al. (2014): ALPL 변이가 있는 hypophosphatasia 환자의 유일한 표현형이 다발성 석회화 건염 → 본 연구와 직접 연결
• ABCC6 heterozygous carrier: PPi 50% 감소, 무증상 석회화 가능 → index case 해석의 근거
• ENPP1 phenotypic continuum: GACI → ARHR2 → PXE-like → 본 연구의 환자가 이 스펙트럼의 경증 끝에 위치할 가능성

Phase 5. Outline — "뼈대 잡기와 연구자 승인"

전체 논문 구조를 outline으로 작성하고, 연구자와 반복 확인합니다. 이 단계에서 가장 중요한 결정들이 내려집��다:

CBS 정의:

Calcification Burden Score (CBS) = 방사선학적으로 확인된 석회화 건의 총 개수
CBS ≥4 (high-burden) vs <4 (low-burden)

Candidate gene panel 서술:
실제로 4개 카테고리에서 47개 유전자를 선정한 과정을 그대로 기술. "처음부터 PPi pathway를 타겟했다"가 아니라, **"47개 유전자를 포괄적으로 검사했는데 PPi pathway에 결과가 집중되었다"**라는 논리가 핵심.

Phase 6. Full Draft — "데이터를 채운 완전한 초안"

가장 핵심적인 단계입���다. Claude Code가:

1. Raw data에서 자동으로 채움: 환자 나이, 성별, BMI, lab values, WES 결과, in silico prediction
2. 통계 계산: Fisher's exact (p=0.0014), Mann-Whitney U (p=0.0078), point-biserial r=0.670
3. Table 4개 완성: 실제 데이터값으로 구��
4. [to be inserted]로 연구자 확인 항목 표시: IRB 번호, 모집 기간, 장비 정보 등

프롬프트: "raw data에서 자동으로 채울 수 있는 부분은 모두 채워주는데,
자동으로 채운 버전은 새 파일로 작성해줘"

새 파일로 분리하는 것이 중요합니다. 원본(outline)이 보존되어야 수정 이력을 추적할 수 있습니다.

Phase 7. 반복 수정 — "연구자 피드백 반영"

초안 작성 후에도 여러 차례의 수정이 필요합니다:

수정 예시 1 — Gene panel 카테고리 정밀화:

연구자: "후보 유전자 선정은 4개 카테고리였는데, 이것이 너무 랜덤해 보이진 않는지?"
→ 실제 4개 카테고리를 그대로 Methods에 기술 + Discussion에 "unbiased discovery" 논리 추가

수정 예시 2 — 감별진단 추가:

연구자: "Index case에서 다른 석회 질환이 아니라는 것을 기술하는 게 좋을까?"
→ CPPD, gout, DM/PM, HO, thyroid, CKD, HPP, PXE 7가지 감별을 한 문단으로 압축

수정 예시 3 — Limitation 보강:

연구자: "GALNT3, FGF23 등은 의도적 제외가 아니라 검색의 한계"
→ Limitation에 gene panel 한계를 정직하게 기술

핵심 교훈

1. 연구 메모가 곧 프롬프트다

Obsidian에 적어둔 한글 메모, TODO, 취소선 — 이 모든 것이 AI가 연구자의 의도를 파악하는 가장 좋은 input입니다. 별도의 프롬프트를 정교하게 작성할 필요 없이, "이 파일을 확인���줘"로 충분합니다.

2. 데이터는 전수 확인이 원칙

Excel 5개 파일의 모든 행, 모든 열을 pandas로 읽습니다. 요약본이 아닌 원본 데이터를 보아야 "환자 #3의 RF가 49.3"이라는 디테일을 놓치지 않습니다. 이런 디테일이 Discussion의 논리를 좌우합니다.

3. 논문의 핵심 메시지는 대화에서 나온다

"통합 vs 분리", "CBS라는 새 용어 정의", "unbiased discovery 논리" — 이런 핵심 결정들은 AI가 일방적으로 제안한 것이 아니라, ���구자와의 대화를 통해 발전된 것입니다. AI는 옵션과 근거를 제시하고, 연구자가 판단합니다.

4. 원본 보존과 버전 관리

outline.md      → 구조와 뼈대
draft.md        → 초안 (placeholder 포함)
v2-filled.md    → ���이터 채운 버전 (여기서 반복 수정)

새 파일로 분리 → Edit으로 in-place 수정 → 수정 이력 추적 가능

5. 연구자만 채울 수 있는 항목이 있다

AI가 아무리 데이터를 잘 채워도, IRB 번호, WES platform 상세 정보, corresponding author email은 연구자가 직접 확인해야 합니다. [to be inserted] 태그로 이를 명확히 표시하는 것이 중요합니다.

산출물 요약

하나의 Claude Code 세션에서 생성된 파일들:

��현하려면

다른 연구 프로젝트에서 이 워크플로우를 재현하려면:

1. Obsidian에 연구 메모 정리 (완벽하지 않아도 됨)
2. Raw data를 research/ 폴더에 Excel로 정리
3. Claude Code 세션에서 Phase 1부터 순서대로 진행
4. 매 Phase마다 연구자 확인 → 다음 Phase 진행

상세 워크플로우: ♻️Workflow/AI-Manuscript-Generation-Workflow.md
범용 가이드: claudeanswer/manuscript-generation-workflow-guide.md