top of page

Google AlphaGenome 2, 세포 수준에서 질병을 겨냥하다

21분 전
9분 분량
Illustrative photograph. Photo: Zifeng Xiong / Pexels.

Google DeepMind는 11월 11일 Google AlphaGenome 2를 발표하며 DNA 예측의 초점을 광범위한 조직 패턴에서 특정 세포 유형과 상태로 옮겼다. 이 연구 모델은 중요한 공백을 겨냥한다. 과학자가 그 영향이 어디에서 나타나는지 확인할 수 없다면 유전적 변화를 찾아내는 것만으로는 충분하지 않다. 더 세밀한 예측은 더 나은 실험으로 이어질 수 있지만, 특정 치료가 효과를 낸다는 사실까지 입증하지는 않는다.

핵심 비교 대상은 여러 사전 정의된 출력 전반의 분자 활동을 예측했던 기존 AlphaGenome이다. 후속 모델은 생물학적 맥락을 명시적인 입력값으로 사용한다. 이는 DNA 변화가 활동에 영향을 주는지에서, 어떤 세포가 그 영향을 경험하는지로 연구 질문을 바꾼다.

유전학 연구자와 신약 개발팀에 이 차이는 계산적 증거를 평가하는 방식에 더 엄격한 기준을 요구한다. 설득력 있는 예측은 유전적 변화, 분자적 결과, 그리고 관련된 생물학적 환경을 연결해야 한다. 이번 발표는 이러한 접근을 강화하지만, 실험적 확인이 필수라는 점은 그대로 남긴다.

Google AlphaGenome 2, 예측에 세포 맥락을 도입하다

DeepMind의 세포 특이적 모델 발표에 따르면, 이 시스템은 선택된 생물학적 조건과 함께 100만 글자의 DNA 서열을 처리한다. 이 조건은 조직, 세포 유형 또는 세포 상태를 설명할 수 있다. DeepMind는 인간과 생쥐 데이터를 활용해 68개 조직에 걸친 1억700만 개 이상의 개별 세포 프로필로 학습했다고 밝혔다.

중요한 변화는 세포 맥락이 모델에 주어지는 질문의 일부가 된다는 점이다.

DNA 서열의 차이인 유전 변이는 반드시 모든 곳에서 같은 결과를 낳지는 않는다. 유전자의 지시를 사용하는 활동인 유전자 발현은 연구자가 조사할 수 있는 측정 가능한 결과를 제공한다. 따라서 유용한 예측에는 서열뿐 아니라 그 환경도 필요하다.

연구팀이 실제로 답변에서 무엇을 필요로 하는지 생각해 보자. 특정 영역이 중요하다는 광범위한 신호는 출발점을 찾는 데 도움이 될 수 있다. 그러나 이를 바탕으로 유의미한 실험을 설계하기까지는 상당한 작업이 남는다. 연구자들은 여전히 어떤 세포를 살펴볼지, 어떤 결과를 측정할지 결정해야 한다.

맥락을 추가하면 이 결정이 더 명시적으로 드러난다. 같은 서열도 서로 다른 생물학적 조건에서 평가할 수 있으며, 연구자가 비교할 수 있는 가설을 만들어 낸다. 효과가 나타나야 할 위치와 나타나지 않아야 할 위치를 함께 제시할 때 제안된 기전은 더 구체적이 된다.

이러한 구체성은 더 까다로운 증거 기준도 만든다. 예측이 특정 세포 유형을 지목한다면 실험은 그 주장을 직접 검증할 수 있다. 어디서나 나타나는 결과는 예측된 환경에 집중된 효과와는 다른 이야기를 들려줄 것이다.

이 때문에 이번 공개는 버전 번호 이상의 주목을 받을 만하다. 이 설계는 광범위한 요약이 가릴 수 있는 생물학적 차이에 주의를 돌린다. 또한 연구자가 일반 점수에서 추론하도록 내버려 두지 않고, 그 차이를 검토할 수 있게 한다.

유지해야 할 중요한 경계도 있다. 세포 조건을 제공한다고 해서 모델이 살아 있는 세포 전체를 재현하는 것은 아니다. 연구자들은 이를 질병에 대한 완전한 설명으로 취급하기보다 평가된 과업의 범위 안에서 출력을 해석해야 한다.

AI 연구를 지켜보는 독자에게 이 경계는 특화된 과학 모델과 범용 어시스턴트를 구분하는 데 도움이 된다. 그 가치는 예측이 유용한 과학적 의사결정을 뒷받침하는지에 달려 있다. 유창한 설명이나 매력적인 시각화가 그 증거를 대신할 수는 없다.

따라서 당장의 질문은 실용적이다. 추가된 맥락이 연구자가 그렇지 않았다면 놓쳤을 무언가를 드러내는 실험을 선택하는 데 도움이 되는가? 이는 모델이 더 풍부해 보이는 출력을 만드는지보다 훨씬 의미 있는 기준이다.

질병 연구에는 유전적 효과가 나타나는 위치가 필요하다

압박을 받는 연구자들은 유전적 연관성을 검증 가능한 질병 설명으로 전환하는 사람들이다.

DNA 영역과 질병 사이의 통계적 연관성은 중요한 단서를 제시할 수 있다. 그러나 그것이 둘을 연결하는 생물학적 사슬을 자동으로 설명하지는 않는다. 연구자들은 어떤 변화가 중요한지, 그것이 무엇에 영향을 주는지, 그리고 왜 그 결과가 특정 세포에서 관련성을 갖는지 밝혀야 한다.

해결되지 않은 연결고리 하나하나는 다음 결정을 복잡하게 만든다. 실험 시스템을 선택하는 팀은 그 시스템이 제안된 기전을 대표한다는 확신이 필요하다. 치료 표적을 검토하는 팀은 그 활동을 바꾸는 것이 질병 과정을 다룬다는 증거가 필요하다.

세포 맥락은 이런 질문을 피하기 어렵게 만든다. 예측된 효과가 특정 상태에 의존한다면, 관련 없는 조건을 시험해도 정보를 주지 못하는 결과가 나올 수 있다. 반대로 편리한 실험실 환경에서 나온 긍정적 결과는 실제로 중요한 환경에 대해서는 거의 말해주지 못할 수 있다.

이는 실험실이 즉시 새 제품을 도입해야 한다는 주장이 아니라 방법론적 압박이다. 연구팀은 선택한 시스템이 자신들의 질문에 답할 수 있는지 정당화해야 한다. 세포 특이적 예측은 그 선택을 할 때 평가할 또 하나의 가설을 제공한다.

이는 부정적 결과를 해석하는 방식도 바꾼다. 효과를 관찰하지 못한 것은 제안된 기전에 이의를 제기할 수 있다. 또는 실험과 주장된 생물학적 맥락 사이의 불일치를 드러낼 수도 있다. 이러한 가능성을 구분하려면 신중한 실험 설계가 필요하다.

잠재적 이점은 더 나은 의사결정의 순서다. 연구자는 더 폭넓은 유전적 단서에서 시작해 그럴듯한 세포 환경을 식별하고, 경쟁하는 설명을 구분할 수 있는 실험을 선택할 수 있다. 이는 모든 프로젝트에서 측정된 결과가 아니라 가능한 워크플로 개선이다.

신약 개발팀에게 상세한 기전은 표적 선택 이상의 정보를 제공할 수 있다. 이는 개입이 어디에서 작용해야 하는지, 추가 투자를 정당화할 증거가 무엇인지에 관한 질문을 형성할 수 있다. 그러나 이는 여전히 분자 예측을 넘어선 증거가 필요한 개발 관련 질문이다.

구체성은 의견 차이도 더 생산적으로 만든다. 모델이 변이를 중요하게 보는지 여부를 두고 논쟁하는 대신, 연구자들은 모델이 제안한 세포 환경을 다른 증거와 비교할 수 있다. 명시적 가설은 협업자에게 구체적으로 도전할 대상을 제공한다.

같은 규율은 과학 지식 관리에도 적용된다. 팀은 예측된 효과, 관찰된 효과, 그리고 프로젝트 간에 이어지는 해석 사이의 구분을 유지해야 한다. 검색 가능한 지식 베이스는 이러한 증거 추적을 보존하는 데 도움이 될 수 있다.

더 넓은 의미는 간단하다. 더 나은 예측은 실험 전에 연구자가 던지는 질문을 개선해야 한다. 그 유용성은 그러한 질문이 원래 모델과 모순되는 답변을 포함해 유익한 답을 낼 때 더 분명해진다.

ETS2 사례는 예측을 기존 발견과 연결한다

한 가지 구체적 사례는 염증 생물학과 관련된 유전자인 ETS2에 관한 것이다. 2024년 6월 Nature에 발표된 대식세포 염증 연구는 단백질 코딩 유전자 바깥의 질병 연관 영역을 조사했다. 연구진은 해당 영역을 염증 반응에 관여하는 면역세포인 대식세포에서의 ETS2 활동 증가와 연결했다.

DeepMind는 새 모델이 장 대식세포에서 관련 변이의 선택적 효과를 계산적으로 재현했다고 밝혔다. 이 사례는 예측을 실험으로 조사된 생물학적 기전과 연결한다는 점에서 유용하다.

확립된 기전을 재현하는 것은 고무적인 시험이지만, 알려지지 않은 기전을 발견하려면 다른 평가가 필요하다.

차이는 연구자가 시작 시점에 무엇을 알고 있는지와 관련된다. 후향적 시험에서는 실험적 발견이 예측과 비교할 수 있는 답을 제공한다. 전향적 시험에서는 어떤 설명이 살아남을지 알기 전에 연구자가 무엇을 조사할지 선택해야 한다.

두 형태의 평가는 모두 중요하다. 알려진 발견을 재현하면 모델이 관련 관계를 포착한다는 점을 보여줄 수 있다. 전향적 연구는 답을 알 수 없는 상황에서 그러한 역량이 유용한 단서를 식별하는 데 도움이 되는지 묻는다.

Nature의 세포 유전학 보도는 계산 결과에 대한 James Lee의 반응을 전했다. 이전 연구를 이끈 Francis Crick Institute의 면역학자이자 유전학자인 Lee는 이를 안심이 되는 결과라고 설명했다. 그의 반응은 계산이 실험을 대체한다는 사실을 입증하지 않으면서도 실험 연구와의 일치를 인정한다.

이 구분은 연구 속도를 비교할 때 특히 중요해진다. 가설을 생성하는 일과 생물학적 기전을 확립하는 일은 서로 다른 활동이다. 실험은 예상치 못한 효과를 드러내고, 가정에 이의를 제기하며, 성공적인 후향적 예측이 다루지 못하는 복잡성을 노출할 수 있다.

ETS2 사례는 위치가 왜 중요한지도 보여준다. 유전자만을 대상으로 한 예측은 세포 환경을 미해결 상태로 남긴다. 제안된 효과를 관련 면역세포 집단과 연결하면 가설은 더 유익해지고 후속 실험은 더 집중된다.

그럼에도 이 결과를 치료 주장으로 바꾸는 것은 실수다. 유전자가 질병에 관여한다는 증거는 특정 개입이 효과적이거나 견딜 만하다는 사실을 입증하지 않는다. 원래의 실험 논문도 치료 접근법과 다른 조직에서의 효과를 둘러싼 과제를 논의한다.

AI 평가에서 유용한 교훈은 주장과 증거를 맞추는 일에 관한 것이다. 재현된 분자 관계는 그 관계에 대한 주장을 뒷받침한다. 환자 결과, 개발 일정 또는 피할 수 있었던 실패 실험의 수에 관한 결론까지 자동으로 뒷받침하지는 않는다.

연구자는 무엇이 더 어려운 시험이 될지 물음으로써 이 사례를 확장할 수 있다. 모델은 그럴듯한 대안들 가운데 올바른 설명을 우선순위에 둘 수 있는가? 선호하는 세포 환경은 새로운 샘플에서도 유지되는가? 그 순위를 따르는 것이 다른 선택 방식보다 더 나은 성과를 내는가?

이러한 질문은 결과의 흥미로운 점을 보존한다. 이는 눈에 띄는 사례를 성공적인 예측과 유익한 실패 모두를 위한 여지를 가진 평가 의제로 바꾼다.

AlphaGenome 2와 AlphaGenome의 차이는 맥락의 문제다

AlphaGenome 2와 AlphaGenome의 가장 분명한 비교는 모델이 생물학적 조건을 다루는 방식에 있다. DeepMind에 따르면 이전 시스템은 사전 정의된 출력을 병렬로 생성했다. 후속 모델은 선택된 환경을 조건으로 예측을 수행한다.

이 비교는 이미 확립된 연구 분야 안에 속한다. 2025년 1월 Nature Genetics에 발표된 Borzoi 연구 논문은 DNA로부터 세포 유형 특이적 및 조직 특이적 RNA 시퀀싱 커버리지를 예측하는 방법을 설명한다. RNA 시퀀싱은 유전자 활동을 특성화하기 위해 RNA 분자를 측정한다.

경쟁의 핵심 질문은 어느 모델이 가장 넓은 헤드라인을 차지하느냐가 아니라, 어떤 접근법이 평가 대상 연구 과업을 뒷받침하느냐이다.

Borzoi는 세포 관련 예측이 완전히 새로운 범주처럼 들리지 않도록 해준다는 점에서 유용한 참고 사례다. 연구자들은 이미 염기서열과 분자 활동 사이의 연관성을 연구해 왔다. 여기서 중요한 비교는 과제, 입력, 출력, 증거의 세부 사항에 관한 것이다.

모든 프로젝트에서 우선적으로 선택할 만한 모델이 아니더라도, 하나의 실험적 의사결정에는 유용할 수 있다. 팀은 충분히 특성화된 환경에서의 예측, 조건 간 비교 또는 새로 수집한 관찰 결과의 분석이 필요할 수 있다. 이러한 요구 사항이 모델 평가 방식을 결정해야 한다.

같은 원칙은 기존 AlphaGenome 시스템과 업데이트된 시스템을 비교할 때도 적용된다. 새로운 아키텍처는 성능을 시험할 이유가 되지만, 보편적인 우수성을 가정할 근거가 되지는 않는다. 연구자들은 어떤 과제가 개선되었고 어떤 한계가 여전히 중요한지 파악해야 한다.

DeepMind의 AlphaGenome 2 논문은 출시와 함께 공개됐으며, 해당 주장들을 평가할 기술적 근거를 제공한다. 회사의 28개 면역세포 유형 대상 TenK10K 평가에서 보고된 인과 변이 재현율은 16%에서 30%로 상승했다. 방향성을 가진 유전자 효과의 보고된 복원율은 23%에서 43%로 올랐다.

재현율은 평가에서 관련 사례를 얼마나 많이 찾아내는지를 설명한다. 정밀도는 선택된 예측 중 얼마나 많은 것이 정확한지를 설명한다. 눈에 띄는 개선 수치를 해석할 때 이 두 개념은 구분되어야 한다.

보고된 수치는 분자 예측 벤치마크에서의 성능에 관한 주장을 뒷받침한다. 이는 정확하게 진단된 환자의 비율이 아니다. 또한 특정 제안 치료법이 성공할 확률로 해석해서도 안 된다.

따라서 AlphaGenome 2와 AlphaGenome의 비교는 평가된 과제에 밀착해 있을 때 가장 설득력이 있다. 이를 모든 질병, 모든 세포 환경 또는 모든 경쟁 방법에 관한 주장으로 확장하면 설득력은 약해진다.

연구 목적의 구매자에게 적절한 대응은 자신의 작업에 맞춘 비교다. 개선이 실험적 의사결정을 바꾸는지, 그 의사결정을 검증할 수 있는지, 결과가 재현 가능한지를 물어야 한다.

이 접근법은 보완적 도구를 위한 여지도 남긴다. 방법 간 일치는 조사할 가치가 있는 가설을 식별하는 데 도움이 될 수 있고, 불일치는 주목할 만한 가정을 드러낼 수 있다. 어느 결과도 근본 증거를 평가할 필요성을 없애지는 않는다.

더 높은 재현율도 여전히 상당한 불확실성을 남긴다

개선된 벤치마크는 해당 과제에서의 진전을 보여주는 증거일 뿐, 생물학적 이해 전체를 완전히 측정하는 수단은 아니다.

보고된 재현율 수치는 즉시 실용적인 질문을 제기한다. 모델이 찾아내지 못한 관련 효과는 어떻게 되는가? 연구자는 표시되지 않은 변이의 우선순위를 낮춰야 하는지, 아니면 판단을 보류해야 하는지를 알아야 한다.

이 구분은 예측이 없다는 사실을 과도하게 해석하기 쉽기 때문에 중요하다. 효과가 실제로 존재하는지와 무관한 이유로 모델이 효과를 식별하지 못할 수 있다. 연구자들은 불완전한 계산적 증거를 단정적인 부정 결론으로 바꾸지 않아야 한다.

긍정적 예측도 비슷한 주의가 필요하다. 상세한 제안 기전이 함께 제시되면 순위가 매겨진 후보는 설득력 있게 보일 수 있다. 그 세부 정보는 가설을 더 쉽게 검증하게 해주지만, 예측을 관찰 결과로 바꾸지는 않는다.

또 다른 문제는 비교 환경이다. 평가는 선택된 사례, 측정된 결과, 예측을 성공으로 분류하는 규칙에서 다를 수 있다. 핵심 수치 하나에 그 모든 맥락이 담기지는 않는다.

독립 연구자들은 보고된 성과 향상이 원래 평가를 넘어 얼마나 잘 적용되는지 확인하는 데 도움을 줄 수 있다. 중요한 질문은 모든 새 실험이 출시 결과와 일치하는지가 아니다. 명확히 정의된 과제와 조건 전반에서 성능이 계속 유용한지다.

AlphaGenome 2를 단순히 설명하는 방식이 오해를 낳을 수 있는 지점도 여기다. 아키텍처를 설명하면 독자가 제안을 이해하는 데 도움이 된다. 증거를 평가하려면 어떤 주장이 시험됐는지, 무엇이 범위 밖에 남았는지, 어떤 대안 설명이 여전히 가능한지를 물어야 한다.

특히 유용한 평가는 후속 실험을 수행하기 전에 예측을 기록하는 방식이다. 그러면 결과를 알게 된 뒤 유리한 사례만 선택하기가 더 어려워진다. 연구자들은 이후 모델의 우선순위를 경쟁 방법이나 기존 관행과 비교할 수 있다.

실패 사례도 이 과정에서 계속 보여야 한다. 잘못된 세포 할당은 효과 방향을 잘못 예측한 경우와 다른 한계를 드러낼 수 있다. 모든 결과를 하나의 성공 점수로 합치면 연구자들이 가장 이해해야 할 내용을 가릴 수 있다.

상업 팀 역시 과학적 성능과 운영 적합성을 구분해야 한다. 모델은 유용한 가설을 제시할 수 있지만, 특정 조직에 대한 접근성, 재현성, 허용된 사용 범위에 관한 문제는 여전히 해결되지 않을 수 있다.

DeepMind는 AlphaGenome과 AlphaGenome 2가 임상 또는 진단 용도로 검증이나 승인을 받지 않은 연구 도구라고 명시한다. 이 한계는 해당 기능을 설명하는 후속 서술에도 계속 함께해야 한다.

적절한 결론은 기각도 즉각적인 의학적 이점에 대한 약속도 아니다. 연구자들에게는 검토할 보다 구체적인 계산적 제안이 생겼다. 그 더 넓은 가치는 팀이 이를 활용해 의사결정을 내리고, 그 의사결정을 시험할 때 어떤 결과가 나오는지에 달려 있다.

독립 검증, 새로운 기전, 실용적인 접근성을 지켜봐야 한다

Google AlphaGenome 2의 다음 단계는 갈수록 포괄적인 설명이 아니라 구체적인 증거를 통해 평가해야 한다. 앞으로 몇 달 동안 독립 평가, 전향적 실험, 실용적인 접근성이 가장 유익한 신호를 제공할 것이다.

가장 강력한 증거는 예측을 의사결정에 연결하고, 다시 실험적으로 평가된 결과에 연결할 것이다.

먼저 모델 개발자 외부 그룹의 평가를 지켜봐야 한다. 유용한 연구는 과제, 비교 방법, 예측이 성공하거나 실패하는 조건을 설명해야 한다. 독립 데이터세트에서 재현 가능한 성과 향상이 확인되면 보고된 개선이 일반화된다는 신뢰가 커질 것이다.

더 약한 결과가 모델을 자동으로 쓸모없게 만들지는 않는다. 대신 연구자들이 그 순위를 신뢰해야 하는 환경을 좁혀 줄 것이다. 이 정보는 팀이 계산적 지침에 추가 실험 투자를 할 가치가 있는 영역을 결정해야 할 때 유용하다.

둘째, 이미 확립된 발견을 추가로 재구성하는 사례보다 새롭게 조사되는 기전을 지켜봐야 한다. 설득력 있는 보고서는 검증 전에 모델의 가설을 식별하고, 그것이 실험 선택에 어떤 영향을 주었는지 설명할 것이다.

결과에는 성공적인 예측과 사후의 유리한 해석을 구분할 만큼 충분한 세부 정보가 포함되어야 한다. 또한 세포 맥락이 DNA 영역의 중요성을 일반적으로 시사하는 수준을 넘어 유용한 정보를 제공했는지도 보여줘야 한다.

이 신호는 출시의 핵심 제안을 직접 검증한다. 맥락 특이적 예측이 반복적으로 연구자들이 정보량이 높은 실험을 선택하도록 돕는다면, 이를 채택해야 한다는 근거는 강해진다. 반대로 의사결정을 거의 바꾸지 못한다면 개선된 벤치마크 점수의 실용적 의미는 더 제한적일 것이다.

셋째, 접근성이 지속적인 연구를 지원하는지 살펴봐야 한다. DeepMind는 소프트웨어가 질의할 수 있는 서비스인 애플리케이션 프로그래밍 인터페이스를 통한 비상업적 이용 가능성과 상업적 비공개 프리뷰를 발표했다. 해당 연구 API 문서는 제공되는 워크플로를 평가하기 위한 출발점을 제공한다.

이용 가능성만으로 모든 도입 관련 질문에 답할 수는 없다. 연구자들은 서비스가 의도한 분석을 지원하는지, 이후 결과를 재현할 수 있을 만큼 충분한 정보를 보존할 수 있는지를 판단해야 한다.

상업 조직도 비공개 프리뷰와 폭넓은 프로덕션 이용 가능성을 구분해야 한다. 중요한 신호는 명확히 이해된 조건 아래 접근성이 신뢰할 수 있는 연구 워크플로로 발전하는지다.

이러한 관찰은 향후 발표를 걸러내는 유용한 기준도 제공한다. 독립 성능 시험은 일반화 가능성을 평가한다. 전향적 실험은 예측이 과학적 선택을 개선하는지 평가한다. 실용적 접근성은 연구자들이 그 성과를 진행 중인 작업에 적용할 수 있는지를 결정한다.

어느 것도 모델 출력을 임상 증거로 취급할 필요는 없다. 이들을 함께 고려하면 시스템이 도움이 되는 지점과 실험적 불확실성이 남는 지점을 더 명확히 설명할 수 있다.

Google AlphaGenome 2를 질병 기전에 관한 증거로 받아들이기 전에, 평가 결과를 근본 생물학 연구와 함께 읽어야 한다. 어떤 세포 조건이 시험됐는지, 어떤 결과가 측정됐는지, 어떤 대안이 여전히 그럴듯한지를 물어야 한다. 연구팀의 다음 유용한 단계는 이미 잘 이해하고 있는 질문을 활용한 범위가 제한된 비교다. 실험적 답을 확인하기 전에 예측을 기록하고, 실패 사례를 보존하며, 분자적 일치와 치료적 해석을 구분해야 한다. 이 접근법은 증거의 추적 가능성을 유지하면서 모델을 공정하게 시험하게 해준다. 앞으로 가져가야 할 질문은 구체적이다. 세포 맥락을 추가하면 연구자들이 더 나은 실험을 선택하는 데 도움이 되는가, 그리고 그 실험은 제안된 기전을 뒷받침하는가?

 
 

무료로 시작하세요

개인 지식 관리 기능을 갖춘 로컬 우선 AI 어시스턴트

더 나은 AI 경험을 위해

현재 remio는 Windows 10+ (x64) 및 M-Chip Macs만 지원합니다.

업무를 위한 AI 파트너
remio와 더 많은 일을 해내세요

계획하고, 만들고, 완성하세요
모든 일을 한곳에서

bottom of page