알파게놈 아틀라스, DNA 변이 90억 가지를 지도로

구글 딥마인드(Google DeepMind)가 인간 DNA의 가능한 단일 염기 변이 90억 가지에 대한 예측 결과를 미리 계산해 ‘알파게놈 아틀라스(AlphaGenome Atlas)’로 공개했다. 연구자가 변이 하나를 볼 때마다 모델을 직접 돌리는 대신, 1페타바이트 규모의 데이터에서 영향을 찾아보고 우선순위를 정할 수 있게 한 것이다. 구글은 희귀질환과 복합 형질 연구 사례를 제시했지만, 이 지도가 실제 생물학적 결과를 얼마나 정확히 가려내는지는 별개의 질문으로 남는다.

핵심 요약

  • 구글 딥마인드는 인간 유전체의 가능한 단일 염기 변이 90억 가지를 알파게놈으로 미리 분석해 1페타바이트 규모의 아틀라스로 만들었다.
  • 아틀라스는 단백질을 만드는 영역과 그렇지 않은 영역의 예측을 AVI 점수로 묶어 연구자가 검토할 변이를 추리는 데 쓰인다.
  • 구글은 희귀질환 사례에서 DNM1 유전자 변이를 좁히고, 영국 바이오뱅크 자료에서 비암호화 영역의 연관성을 더 찾아낸 연구를 소개했다.
  • 코딩 없이 쓰는 웹 포털은 접근 장벽을 낮추지만, 연구 우선순위를 정하는 예측과 변이의 실제 효과를 확인하는 실험은 구분해야 한다.
  • 토론에서는 인간 변이 자료만으로 예측할 수 있는 범위, 변이 간 상호작용, 기존 모델 대비 성능과 이용 조건이 쟁점이 됐다.

2%는 비교적 알려졌지만, 98%는 어렵다

구글 딥마인드는 2026년 9월 8일 알파게놈 아틀라스를 공개하며 인간 유전체의 약 30억 염기쌍 가운데 상당 부분이 여전히 수수께끼라고 설명했다. 단백질을 만드는 정보를 담은 영역은 전체의 약 2%로, 과학자들이 상대적으로 잘 이해한다는 것이다. 나머지 98%에 대해서는 지식이 제한적이며, 이 구간의 변화가 분자 수준에서 어떤 일을 일으키는지 파악하는 것이 중요한 과제로 남아 있다.

알파게놈(AlphaGenome) 모델은 앞서 비암호화 영역(단백질을 만드는 정보를 직접 담지 않는 DNA 구간)의 한 글자 변화가 단백질 생산 같은 분자 과정에 지장을 줄 수 있음을 예측했다. 그러나 특정 변이를 하나씩 살피는 것과 유전체 전체에서 가능한 변화를 찾아보는 것은 다른 일이다. 연구자가 눈앞의 변이를 해석하려면 그 변이가 무엇에 영향을 줄 것으로 예상되는지 살피고, 여러 후보 가운데 어느 것부터 검토할지 정해야 한다.

이번 발표는 그 탐색 과정을 바꾸는 데 초점을 맞춘다. 구글 딥마인드는 아틀라스를 ‘유전적 돌연변이가 분자생물학에 미치는 영향을 담은 가장 포괄적인 목록’이라고 소개했다. 여기서 목록에 담긴 것은 모든 변이의 관찰 결과가 아니라, 알파게놈 모델이 계산한 영향의 예측값이다. 아틀라스의 쓸모도 연구 질문에 맞는 후보를 얼마나 빠르게 찾고 후속 검토로 이어 가느냐에 달려 있다.

90억 가지 변이를 미리 계산한 1페타바이트

아틀라스가 다루는 대상은 단일 염기 변이(DNA의 한 자리 염기가 다른 글자로 바뀌는 변화)다. 구글 딥마인드는 인간 유전체에서 가능한 한 글자 변이 90억 가지의 조절 영향을 알파게놈 AI 모델로 미리 계산했다고 밝혔다. 그 결과 생성된 데이터의 규모는 1페타바이트다. 변이가 생길 때마다 새로 예측값을 얻는 대신, 사전 계산된 결과를 조회하도록 만든 셈이다.

이 방식의 핵심은 계산량 자체만이 아니라 조회 가능한 형태로 정리했다는 데 있다. 연구자가 다루는 변이가 목록에 있더라도, 그 주변의 예측값과 비교하고 연구 목적에 맞게 골라낼 수 없다면 방대한 데이터는 활용하기 어렵다. 구글은 아틀라스를 통해 연구자가 이 정보를 빠르게 질의할 수 있다고 설명한다. ‘모든 가능한 단일 염기 변이’라는 범위와 실제 연구자가 쓸 수 있는 탐색 도구를 함께 내세운 것이다.

다만 아틀라스의 범위를 볼 때는 다루는 변이의 종류를 구분해야 한다. 발표가 열거한 90억 가지는 DNA 한 자리의 글자가 바뀌는 경우이며, 유전적 변화와 생물학적 결과 전부를 한 번에 담았다는 뜻은 아니다. 또한 사전 계산된 예측의 수가 많아졌다고 해서 개별 예측이 실험으로 확인된 사실이 되는 것도 아니다. 이 구분은 아틀라스가 제시하는 점수를 연구 판단에 사용할 때 특히 중요하다.

수천 개 예측값을 AVI 점수 하나로

방대한 예측을 연구자가 훑어볼 수 있도록 구글 딥마인드는 알파게놈 변이 영향 점수(AlphaGenome Variant Impact score·AVI)를 도입했다. AVI는 단백질을 만드는 영역과 비암호화 영역에 대한 예측을 하나의 점수로 결합한다. 연구자가 수천 개의 데이터 값을 일일이 뒤지는 대신, 먼저 주목할 변이를 고르는 데 쓰도록 설계한 지표다.

한 점수로 묶는 방식은 서로 다른 영역의 변이를 같은 탐색 흐름에 올려놓는다. 단백질을 만드는 영역만 살피면 놓치기 쉬운 비암호화 변이도 연구 후보로 함께 검토할 수 있다. 특히 변이가 많은 자료에서는 무엇부터 볼지 정하는 일 자체가 연구의 큰 부분을 차지한다. 구글이 AVI를 강조하는 이유도 개별 변이에 대한 최종 답을 준다는 데보다, 후속 연구의 순서를 빠르게 정할 수 있다는 데 있다.

그렇기에 AVI는 연구 질문을 대신하지 않는다. 높은 점수를 받은 변이가 어떤 분자 과정과 관계있는지, 그 예측이 연구 중인 질환이나 형질과 어떻게 연결되는지는 별도로 살펴야 한다. 구글이 소개한 사례도 점수만으로 결론을 낸 이야기가 아니라, 다른 연구 자료와 함께 후보를 좁히거나 검토 방향을 정한 이야기다. 점수의 간결함은 장점이지만, 그 숫자가 가리키는 생물학적 맥락까지 한 줄로 압축되지는 않는다.

DNM1 변이가 희귀질환 조사에서 한 일

첫 번째 사례는 해결되지 않은 희귀질환 연구다. 브로드연구소(Broad Institute)의 로라 코빌(Laura Covill) 연구진은 AVI 점수로 검토할 변이의 우선순위를 정했다. 그 과정에서 아틀라스는 DNM1 유전자의 중요한 변이를 부각했다. 모델은 이 변이가 잘못된 스플라이스 자리(RNA를 이어 붙이는 과정에서 사용되는 위치)를 만든다고 예측했다.

이 예측은 해당 사례를 해결하는 데 중요한 뒷받침 근거가 됐다고 구글은 설명했다. 주목할 점은 아틀라스의 역할이 후보를 찾아내고 그 후보가 왜 문제일 수 있는지에 관한 분자적 설명을 보탰다는 것이다. 희귀질환 조사에서는 살펴볼 변이를 줄이는 일과 특정 변이가 영향을 미칠 경로를 짚는 일이 모두 필요하다. AVI는 전자에, 잘못된 스플라이스 자리에 관한 예측은 후자에 연결된다.

이 사례만으로 AVI 점수가 희귀질환을 자동 진단한다고 읽어서는 안 된다. 구글이 제시한 것은 한 연구팀이 해결되지 않은 사례를 조사하면서 아틀라스를 사용했고, 그 결과가 해당 사례를 해결하는 데 근거가 됐다는 내용이다. 실제 사례에서 유용했다는 설명은 아틀라스의 사용 방식을 보여주지만, 모든 희귀질환 변이에 같은 방식으로 적용된다는 주장과는 다르다. 연구자가 다른 단서와 함께 예측을 해석하는 과정이 중심에 있다.

5만4000명 자료에서 찾은 추가 연관성

두 번째 사례는 여러 유전적 요인이 얽힌 복합 형질 연구다. 구글은 드문 비암호화 변이와 복합 형질의 관계를 찾기가 통계적 잡음 때문에 어렵다고 설명했다. 개별 변이를 따로 볼 때는 신호가 약해도, 예측된 분자적 효과를 기준으로 변이를 묶으면 다른 분석의 실마리가 생길 수 있다. 이 사례는 아틀라스의 예측을 변이 분류에 활용했다는 점에서 희귀질환 사례와 쓰임새가 다르다.

개러스 호크스(Gareth Hawkes) 박사는 영국 바이오뱅크(UK Biobank) 참가자 5만4000명 이상의 자료에 알파게놈 아틀라스를 적용했다. 변이를 예측된 분자 효과에 따라 묶어 분석한 결과, 비암호화 영역에서 유전적 연관성을 22% 더 찾아냈다고 구글은 밝혔다. 여기서 ‘22% 더’는 이 분석에서 찾은 연관성의 증가를 뜻한다. 아틀라스가 모든 변이의 실제 기능을 22% 더 정확하게 알아냈다는 수치로 바꿔 읽을 수는 없다.

호크스 박사는 이어 영향이 큰 것으로 예측된 상위 1% 변이에 집중해 체질량지수(BMI)와 연관된 유전체 영역 19곳을 확인했다. 구글은 이 결과가 다음 단계의 표적 연구 방향을 잡는 데 쓰인다고 설명한다. 변이를 분자 효과별로 묶고, 그중 우선 검토할 집단을 다시 추리는 흐름이다. 아틀라스는 이 과정에서 연구할 대상을 좁히는 도구로 등장하며, 확인된 연관성이 어떤 기전으로 이어지는지는 뒤따를 연구의 몫이다.

코딩 없는 포털이 낮춘 진입 장벽

구글 딥마인드는 알파게놈 아틀라스를 코딩 없이 사용할 수 있는 웹 포털로 제공한다고 밝혔다. 모델의 예측을 얻기 위해 직접 프로그램을 작성하거나 대규모 결과를 처음부터 계산하지 않아도, 연구자가 포털에서 정보를 찾을 수 있게 한 것이다. 구글은 이를 임상 연구자와 생물학자가 폭넓게 접근할 수 있도록 하는 조치로 소개했다. 모델 자체의 성능과 별개로, 필요한 사람이 실제로 결과를 조회할 수 있게 만드는 데 무게를 둔 발표다.

앞선 두 사례는 이 접근 방식이 향하는 연구 작업을 보여준다. 한쪽에서는 미해결 희귀질환 사례에서 살펴볼 변이를 좁혔고, 다른 쪽에서는 대규모 참가자 자료에서 비암호화 변이의 연관성을 찾는 분석에 예측값을 사용했다. 두 작업 모두 모든 변이의 점수를 읽는 것으로 끝나지 않는다. 연구 목적에 맞는 후보를 고른 뒤, 예측이 가리키는 분자 효과와 다른 증거를 함께 검토해야 한다.

구글은 아틀라스가 생물학적 발견의 속도를 높일 것이라고 기대한다. 이번 공개가 당장 바꾸는 부분은 변이 하나의 의미를 확정하는 절차보다, 광범위한 예측값에 접근하고 연구 후보를 정하는 초기 작업에 가깝다. 따라서 이후에는 포털의 편의성뿐 아니라, 연구 현장에서 예측이 얼마나 믿을 만한 우선순위를 만드는지도 중요해진다. 한눈에 보는 지도일수록 지도와 실제 지형의 차이를 확인하는 작업이 뒤따라야 한다.

커뮤니티 의견

한 사용자는 현재 관찰된 인간 유전 변이만으로 새로운 변이의 영향을 추론하기에는 맥락이 부족하다는 학회 발표를 소개했다. 다른 종과의 비교 자료나 대규모 실험적 돌연변이 자료가 더 필요하다는 주장이다. 답글에서는 변이가 홀로 작용하지 않으므로 변이 사이 상호작용도 중요하다는 지적이 나왔다.

아틀라스 사용법을 보여주는 동영상을 공유한 댓글도 있었지만, 다른 사용자는 예측을 실제 돌연변이 실험과 대조해야 한다고 주장했다. 그는 단순한 바이러스의 DNA를 자리마다 바꿔 살핀 연구에서도 여러 AI 모델의 예측이 부진했다는 사례를 들었다. 이에 다른 댓글은 그 모델들의 실패를 알파게놈의 성능으로 곧바로 일반화하지 말고, 알파게놈 자체를 평가해야 한다고 반박했다.

한 사용자는 비암호화 영역을 포함한다면 프로모터 서열(유전자 전사를 조절하는 DNA 구간)도 조회할 수 있는지 물었다. 특히 프로모터와 그 영향을 받을 수 있는 단백질에 관한 정보를 함께 살필 수 있어야 개인별 해석에 도움이 된다는 취지다. 답글은 그가 곁들인 눈 색깔에 관한 단순한 유전 설명이 정확하지 않다고 바로잡았다.

아틀라스를 소비자 유전자 검사 결과에 적용해 질병 관련 변이를 찾을 수 있느냐는 질문도 나왔다. 답글은 23앤드미(23andMe) 같은 서비스가 전체 유전체를 읽는 대신 일부 위치를 검사하므로, 아틀라스의 모든 위치에 대응하는 자료를 갖고 있지는 않다고 설명했다. 또 다른 답글은 그런 검사 결과의 해석에는 추가 확인이나 검사가 필요할 수 있다고 지적했다.

접근성에 관해서는 소속을 묻는 칸에 ‘없음’이라고 적어도 아틀라스에 들어갈 수 있었다는 사용 경험이 공유됐다. 반면 실제 전장유전체(전체 DNA 서열) 조사에 쓰고 싶다는 사용자는 이용 약관이 유용한 활용을 제한하는 듯하다고 불만을 제기했다. 다른 사용자는 코딩에 익숙하지 않은 분자생물학 연구자에게 웹 도구가 기존 구글 딥마인드 자원을 다루는 부담을 덜어줄 수 있다고 봤다.

모델의 연구 기여를 두고도 의견이 갈렸다. 한 사용자는 알파폴드(AlphaFold)의 지속적인 영향과 달리, 다른 딥러닝 생물학 모델들의 성과는 모델마다 다를 수 있다며 종합적인 평가를 원했다. 다른 사용자는 이번 발표가 기존 알파게놈 예측값을 미리 계산해 데이터베이스로 제공한 것인지, 새로운 정보가 더해진 것인지 물었다.

기존 모델과의 비교에서는 한 사용자가 알파게놈이 보르조이(Borzoi)보다 개선된 점이 거의 없다고 주장했다. 반론은 알파게놈 아틀라스가 사전 계산 결과를 담은 데이터베이스인 반면 보르조이는 모델이므로, 무엇을 비교하는지부터 구분해야 한다는 것이었다. 또 다른 댓글은 개선 폭에 관한 주장에 구체적인 설명을 요청했다.

발표 규모를 알파폴드 사례와 연결해 반기는 의견도 있었다. 이에 다른 사용자는 두 프로젝트의 관계를 과장하지 말아야 하며, 알파게놈 개발에는 지가 아브세츠(Žiga Avsec)의 역할이 컸다고 답했다. 구글 딥마인드의 과학적 지향을 긍정적으로 평가하는 댓글에는 영리기업의 결정이 연구 도구에 대한 기대를 바꿀 수 있다는 경계도 뒤따랐다.

살펴볼 점

알파게놈 아틀라스가 바꾸는 것은 인간 변이의 정답을 한꺼번에 얻는 일이 아니라, 방대한 예측을 연구자가 조회하고 검토 순서를 정하는 방식이다. 90억 가지를 미리 계산한 규모와 코딩 없는 포털은 그 변화를 실용적으로 만든다. 다만 점수가 높은 변이가 실제로 중요한 변이인지, 기존 모델보다 연구에 더 도움이 되는지는 별도로 따져야 한다. 앞으로 지켜볼 것은 지도에 표시된 후보가 독립적인 실험과 후속 연구에서 얼마나 자주 유효한 단서로 이어지는가다.


원본: AlphaGenome Atlas: a high-resolution map of human DNA

토론: Hacker News