Google DeepMind의 AlphaGenome 2, 세포 상태별 변이 효과 예측

Google DeepMind가 발표한 AlphaGenome 2는 DNA 변이가 개별 세포 유형과 상태에서 유전자 조절에 어떤 영향을 미치는지 예측하는 딥러닝 모델로, 2026년 11월 11일 공개됐다. 개별 세포 프로파일 1억 개 이상을 학습한 이 모델은 비상업적 연구에 사용할 수 있으며, 상업적 연구용으로는 비공개 프리뷰가 제공된다.

이번 출시는 조직 전체를 대상으로 하는 유전체 모델의 사각지대를 보완한다. 변이는 특정 세포에서만 중요하거나 질환으로 활성화된 세포에서만 영향을 미칠 수 있어, 조직 평균에서는 그 신호가 희석될 수 있다. 반면 AlphaGenome 2는 선택한 조직, 세포 유형 또는 세포 상태를 조건으로 삼아 각 예측을 수행하며, 여기에는 연구자가 직접 수행한 단일세포 실험에서 얻은 조건도 포함된다.

이전 모델인 AlphaGenome 1은 광범위한 조직 전반의 분자 활성을 예측했으며, AlphaGenome Atlas는 인간 게놈에서 가능한 90억 개의 단일 염기 변이 모두에 대한 예측을 제공했다. AlphaGenome 2는 별도로 출시된 모델로, 사전 계산된 해당 아틀라스의 확장판은 아니다.

세포 정체성을 조건으로 삼는 모델

AlphaGenome 1은 염기 100만 개 길이의 DNA 서열을 입력받아 벌크 조직과 세포주에 대한 고정된 출력을 동시에 생성했다. AlphaGenome 2는 한 번에 하나의 조건을 평가하고 네트워크 전반에 해당 조건을 반영해, 같은 DNA 구간이 세포 유형에 따라 다르게 읽히는 양상을 표현할 수 있다. 예측 항목에는 유전자 발현, RNA 스플라이싱, 염색질 접근성이 포함되며, 기존 모델의 기능에 CpG DNA 메틸화가 추가됐다.

기술 논문은 인간과 생쥐의 벌크 및 단일세포 데이터를 사용한 학습 과정을 설명한다. 연구자는 새로운 실험에서 얻은 단일세포 RNA-seq 데이터, 즉 유전자 활성을 포착한 스냅샷을 제공할 수 있으며, 세포 인코더는 추가 미세 조정 없이 이를 조건으로 변환한다. 따라서 모델이 이전에 접하지 못한 데이터셋과 세포 상태도 예측할 수 있다.

같은 설계로 실험에서 누락된 측정값을 보완할 수도 있다. 유전자 발현 데이터만으로도 AlphaGenome 2는 염색질 접근성처럼 측정하지 않은 특성을 예측할 수 있다. 염색질 접근성은 DNA 구간이 조절을 위해 열려 있는지를 나타내며, 이러한 예측은 연구자가 후속 실험의 우선순위를 정하는 데 도움이 된다. 다만 계산 비용이 늘어난다는 단점이 있다. 조건마다 별도로 예측해야 하므로, 고정 트랙을 사용하는 멀티태스크 모델보다 실행에 더 많은 연산 자원이 필요하다.

변이 벤치마크와 질환 사례

DeepMind의 논문에 따르면, 28개 세포 유형을 아우르는 단일세포 면역 데이터셋 TenK10K에서 AlphaGenome 2는 인과 가능성이 있는 발현 연관 변이의 30%를 정밀도 90%로 찾아냈다. 단일세포 데이터로 미세 조정한 AlphaGenome 1의 성능은 16%였다. 변이 효과의 방향은 90% 정확도로 43%를 찾아냈으며, 비교 대상의 수치는 23%였다. 학습에서 제외된 게놈 영역에서도 이 모델은 조직 내 세포 유형별 유전자 발현 변이의 중앙값 34%를 설명했다. 동일하게 미세 조정된 이전 모델의 수치는 23%였다. 이러한 평가는 서로 연관된 세포 간 조절 차이를 측정하며, 조건부 아키텍처가 해결하도록 설계된 문제를 다룬다.

DeepMind는 세포 상태별 분석을 보여주는 연구 사례 두 가지도 소개했다. 염증성 장 질환 분석에서 AlphaGenome 2는 7개 변이로 구성된 신뢰도 높은 후보 변이 세트에서 rs2836882를 찾아냈고, 이를 약 290킬로베이스 떨어진 ETS2와 연결했다. 또한 예측된 효과가 장의 단핵구와 대식세포에서 나타나는 것으로 특정해, 이전에 실험으로 확인된 기전을 재현했다. 모델이 접한 적 없는 COVID-19 mRNA 백신 연구의 단일세포 데이터를 사용했을 때는 백신으로 활성화된 T세포와 휴지기 T세포를 구분하고, 중증 COVID-19와 관련된 변이가 활성화 상태에서 더 강한 효과를 낼 것으로 예측했다. 두 사례는 변이의 예측 효과가 세포 유형뿐 아니라 현재 상태에도 좌우될 수 있음을 보여준다.

사전 계산 리소스와 API 이용

DeepMind는 대규모 비교 분석을 직접 수행하지 않으려는 연구자를 위해 두 가지 리소스를 사전 계산했다. 첫 번째 리소스는 640개의 일차 단일세포 참조 조건과 단백질 코딩 유전자 및 긴 비암호화 RNA 유전자 39,323개에 걸친 인핸서-유전자 연결 정보를 제공한다. 인핸서는 표적 유전자에서 멀리 떨어진 곳에서도 작용할 수 있는 조절 DNA 구간이다. 두 번째 리소스는 510개의 인간 조건에서 680만 개가 넘는 고유한 흔한 변이와 형질 연관 단일 염기 변이를 점수화해, 인과 가능성이 있는 변이와 표적 유전자, 효과 방향, 관련 세포 상태를 추려낸다.

출시 당시 AlphaGenome 2와 발현 조건화 Colab 튜토리얼은 비상업적 연구용 AlphaGenome API를 통해 제공됐으며, 상업적 연구용으로는 비공개 프리뷰가 제공됐다. 공식 문서에 따르면 비상업적 API 사용은 무료이며, 요청 한도는 수요에 따라 달라진다. DeepMind는 에이전트 기반 개발 플랫폼인 Google Antigravity용 AlphaGenome 2 Skills도 출시할 계획이다. Genomics PLC의 CEO Peter Donnelly는 AlphaGenome 2를 자사의 Mystra 플랫폼에 통합할 수 있기를 기대한다고 밝혔으며, 염기서열 예측 모델은 연관성 신호를 신약 개발 프로그램에 필요한 정보로 전환하는 데 쓰이는 도구라고 설명했다.

논문은 정밀도가 높더라도 통계 분석에서 원인일 가능성이 높은 것으로 지목한 발현 관련 변이와 질병 관련 변이 중 일부만 AlphaGenome 2가 찾아낸다고 경고한다. 접근 가능한 염색질 바깥에 있거나 매우 멀리 떨어진 조절 요소에 있거나 전사 이후에 작용하는 메커니즘을 통해 영향을 미치는 변이의 효과는 과소평가할 수 있다. 일시적 상태, 자극 상태, 질병 상태는 학습 데이터와 사전 계산된 변이 패널에서 여전히 충분히 다뤄지지 않으며, 세분화된 신경세포 하위 집단을 구별하는 일도 여전히 어렵다.

이러한 조건별 표현은 관찰을 통해 수집한 정상 상태 프로필에서 도출되므로 인과관계가 아니라 상관관계를 포착한다. 이 모델이 유전자 제거, 과발현 또는 역동적인 세포 상태 전환에 대한 반응을 예측할 수 있는지는 아직 불확실하다. DeepMind는 AlphaGenome의 두 버전 모두 연구 목적으로만 사용하도록 제한하며, 어느 버전도 임상 또는 진단 목적으로 검증되거나 승인되지 않았다.

핵심적인 효과는 질병 연관성에서 후보 변이, 표적 유전자, 세포 상태로 이어지는 경로를 더욱 구체화한다는 점이다. AlphaGenome 2는 수백 가지 조건을 아우르며 탐색 범위를 좁힐 수 있지만, 변이를 완전하게 찾아내지 못하고 세포 상태를 상관관계의 관점에서 파악하므로 도출된 가설을 검증하려면 여전히 후속 실험이 필요하다.