AlphaGenome: 100만 염기서열을 이해하는 통합 DNA AI 모델의 등장

인간 게놈은 우리 몸을 구성하고 작동시키는 설계도입니다. 단 하나의 DNA 염기 변화만으로도 질병 감수성이나 유전자 발현이 달라질 수 있지만, 이러한 변이가 실제로 세포 안에서 어떤 영향을 미치는지 정확히 이해하는 일은 여전히 어려운 과제입니다.

이번 글에서는 단일 DNA 변이가 유전자 조절 과정에 어떤 영향을 주는지 보다 정밀하고 포괄적으로 예측하는 AI 모델 AlphaGenome을 소개합니다. AlphaGenome의 작동 원리, 기술적 특징, 기존 모델과의 차별점, 활용 가능성 및 한계를 정리하여 게놈 연구에 어떤 변화를 가져올 수 있는지 살펴보겠습니다.

반응형

---

AlphaGenome 개요

AlphaGenome은 인간 DNA 서열을 입력받아 유전자 조절과 관련된 수천 개의 분자적 특성을 동시에 예측하는 통합 AI 모델입니다.

기존 DNA 시퀀스 모델들이 특정 과제에 특화되어 있거나, 분석 가능한 서열 길이와 해상도 사이에서 타협해야 했다면, AlphaGenome은 다음과 같은 특징을 가집니다.

• 최대 100만 개의 염기(base-pair) 입력 처리
• 염기 단위(base resolution) 예측
• 다양한 유전자 조절 모달리티를 동시 예측
• 단일 변이에 대한 영향 평가 기능 제공

현재 AlphaGenome은 비상업적 연구 목적에 한해 API 형태로 제공되고 있으며, 향후 모델 공개가 계획되어 있습니다.

---

AlphaGenome 작동 원리

1. 입력 데이터

• 최대 1,000,000개의 DNA 염기서열 입력
• 단일 변이(mutated sequence)와 원본 서열(unmutated sequence)을 비교 가능

2. 예측 대상

AlphaGenome은 다음과 같은 유전자 조절 관련 특성을 예측합니다.

• 유전자 시작 및 종료 위치
• RNA 스플라이싱 위치
• RNA 발현량
• DNA 접근성(accessibility)
• DNA 간 상호 근접성
• 단백질 결합 위치

모델 학습에는 ENCODE, GTEx, 4D Nucleome, FANTOM5 등 대규모 공공 컨소시엄 데이터가 활용되었습니다.

---

모델 아키텍처 특징

AlphaGenome은 다음과 같은 구조를 기반으로 합니다.

• Convolution 레이어: DNA 서열의 짧은 패턴 탐지
• Transformer 레이어: 긴 거리의 염기 간 정보 통합
• 출력 레이어: 다양한 모달리티에 대한 예측 생성

학습은 다수의 TPU를 활용해 분산 처리되었으며, 이전 모델인 Enformer 대비 절반 수준의 연산 자원으로 학습 효율을 개선했습니다.

---

AlphaGenome의 핵심 차별점

1. 긴 서열 + 고해상도 예측

이전 모델들은 다음 중 하나를 포기해야 했습니다.

• 긴 DNA 서열 분석
• 염기 단위 정밀 예측

AlphaGenome은 100만 염기 서열을 분석하면서도 염기 단위 정밀도를 유지합니다. 이는 먼 거리의 조절 요소까지 함께 고려할 수 있다는 점에서 중요한 기술적 진전입니다.

---

2. 다중 모달리티 통합 예측

AlphaGenome은 단일 API 호출로 다양한 유전자 조절 지표를 동시에 예측합니다.

기존에는 여러 모델을 조합해야 했던 작업을 하나의 통합 모델로 수행할 수 있습니다.

---

3. 효율적인 변이 영향 분석

변이 서열과 원본 서열의 예측값을 비교하여 변이가 유전자 조절에 미치는 영향을 빠르게 평가합니다.

단일 변이에 대한 영향 점수를 1초 내에 산출할 수 있어, 대규모 변이 분석에 적합합니다.

---

4. 스플라이싱 접합부 모델링

희귀 유전 질환의 원인 중 하나는 RNA 스플라이싱 오류입니다.

AlphaGenome은 서열 기반으로 스플라이싱 접합부의 위치와 발현 수준을 직접 예측할 수 있는 최초의 모델입니다. 이는 스플라이싱 관련 질환 연구에 새로운 가능성을 제시합니다.

---

5. 벤치마크 성능

• 단일 서열 예측: 24개 평가 중 22개에서 기존 최고 모델 능가
• 변이 효과 예측: 26개 평가 중 24개에서 동등 또는 우수 성능

특히 다양한 과제를 하나의 모델로 동시에 수행하면서도 최고 수준의 성능을 유지한다는 점이 핵심입니다.

---

AlphaGenome 활용 사례

1. 질병 연구

• 희귀 멘델 질환 원인 변이 분석
• 질병 관련 변이의 기능적 영향 해석
• 새로운 치료 타깃 후보 탐색

예시로, T-ALL(급성 T세포 림프구성 백혈병) 연구에서 특정 비암호화 영역 변이가 TAL1 유전자를 활성화할 가능성을 예측하여 기존 질병 메커니즘과 일치하는 결과를 재현했습니다.

---

2. 합성 생물학

특정 세포에서만 유전자가 활성화되도록 DNA를 설계하는 데 활용할 수 있습니다. 예를 들어:

• 신경 세포에서만 활성화
• 근육 세포에서는 비활성화

---

3. 기초 게놈 연구

• 기능적 조절 요소 매핑
• 특정 세포 유형에서 중요한 DNA 요소 식별
• 유전자 조절 네트워크 이해 가속화

---

AlphaGenome API 사용 예시

현재 AlphaGenome은 비상업적 연구용 API로 제공됩니다.

연구자는 다음과 같은 흐름으로 활용할 수 있습니다.

1. 분석할 DNA 서열 업로드
2. 관심 있는 변이 정보 입력
3. 다양한 유전자 조절 특성 예측 결과 수신
4. 변이 전후 결과 비교 분석

이를 통해 여러 모델을 따로 실행하지 않고도 통합된 분석 결과를 얻을 수 있습니다.

---

현재 한계점

AlphaGenome은 큰 진전이지만 다음과 같은 한계가 있습니다.

• 10만 염기 이상 떨어진 초장거리 조절 요소 영향은 여전히 어려움
• 세포 및 조직 특이적 패턴 개선 필요
• 개인 전체 게놈 예측 목적 모델은 아님
• 복잡 질환의 환경적·발달적 요인은 직접 다루지 않음
• 임상 목적 검증은 아직 완료되지 않음

따라서 현재는 연구용 도구로 활용하는 것이 적절합니다.

---

728x90

AlphaGenome은 다음 세 가지를 동시에 달성한 최초의 통합 게놈 모델입니다.

• 긴 거리 문맥 이해
• 염기 단위 정밀도
• 다양한 조절 모달리티에 대한 최고 수준 성능

이는 게놈 연구에서 단일 과제 중심 모델에서 통합 모델로의 전환을 의미합니다.

특히 비암호화 영역(전체 게놈의 98%) 해석이 중요한 현대 유전학에서, AlphaGenome은 변이 해석의 정확도와 속도를 동시에 끌어올리는 기반 기술로 작용할 가능성이 큽니다.

향후 더 많은 데이터와 종(species), 모달리티가 추가된다면, 게놈 기능 이해와 신약 개발, 희귀 질환 연구에 있어 중요한 플랫폼이 될 것으로 기대됩니다.

300x250

https://deepmind.google/blog/alphagenome-ai-for-better-understanding-the-genome/

AlphaGenome: AI for better understanding the genome