AlphaGenome 2, DeepMind가 DNA 해독을 단일 세포 수준으로 끌어내리다
Google DeepMind는 2026년 11월 11일 자사 블로그에서 AlphaGenome 2를 발표했다. 회사는 이 모델을 DNA 서열과 그 변이가 인간의 특정 세포 유형에 어떤 영향을 미치는지 추정하는 차세대 모델로 소개한다. 배경을 보면 이것이 왜 중요한지 알 수 있다. 질병과 관련된 유전 변이의 대부분은 비암호화 DNA에 있고, 그 효과는 세포 유형에 따라 달라지는 경우가 많다. 2025년 6월에 발표되고 2026년 Nature에 실린 첫 번째 버전은 조직 수준에서 예측했다. 두 번째 버전은 더 아래로 내려가 개별 세포 유형이나 세포 상태를 겨냥한다. 오늘날 단일 세포 연구를 해석하는 수준이 바로 여기다.
가장 큰 차이는 과제를 설정하는 방식에 있다. DeepMind의 설명에 따르면 AlphaGenome 1은 모든 트랙을 병렬로 예측한다. 반면 AlphaGenome 2는 조건부 모델로, 약 100만 염기 길이의 서열과 함께 조직, 세포 유형, 세포 상태 가운데 하나의 생물학적 조건만 입력받는다. 회사는 인간과 생쥐 샘플에서 얻은 1억 700만 개 이상의 개별 세포 프로필을 학습에 사용했으며, 벌크 데이터와 단일 세포 데이터를 모두 포함했다고 밝혔다. 같은 글의 도입부에서는 이 수치가 68개 조직에 걸친 “1억 개 이상”의 프로필로 표현된다. 예측하는 모달리티는 첫 번째 버전과 같은 유전자 발현, 히스톤 변형, 염색질 접근성이다. 새로 추가된 것은 DNA 메틸화다. 또한 이 모델은 누락된 모달리티를 다른 모달리티로부터 추정할 수도 있다. 예를 들어 단일 세포에서 측정한 유전자 활성으로부터 염색질 접근성을 추정하는 식이다.
성능 수치는 모두 DeepMind에서 나왔다. 회사는 AlphaGenome 2가 세포 내 유전자 발현을 바꾸는 변이를 이전 기준 모델보다 거의 두 배 많이 찾아낸다고 주장하지만, 절대값은 제시하지 않았다. 가장 구체적인 수치는 28종의 1차 면역세포를 담은 단일 세포 지도 TenK10K에 관한 것이다. DeepMind에 따르면 이 데이터셋에서 모델은 원인 변이의 30%를 찾아냈고, 비교 대상은 16%였다. 비교 대상은 단일 세포 데이터에 맞게 조정한 원래의 AlphaGenome과 기타 전문 도구들이다. 유전자에 미치는 효과의 방향을 맞힌 비율도 43%로, 비교 대상의 23%보다 높았다. Interesting Engineering도 같은 수치를 보도했다. DeepMind는 또 이 모델이 수십 개 세포에서 얻은 데이터라도 재학습 없이 새로운 단일 세포 데이터에 적응하며, 이 경우 해당 데이터로 따로 학습한 모델과 같거나 더 나은 성능을 낸다고 주장한다. 다만 이 주장에 대해 글은 수치를 제시하지 않는다. 소개된 사례 연구들도 정량 데이터 없이 서술에 그친다. 염증성 장질환과 관련된 ETS2 유전자 변이, 그리고 활성화된 T세포와 휴지 상태의 T세포를 구분한 COVID-19 백신 연구다.
글은 웰컴 생어 연구소 연구진과의 협력도 언급한다. 이어서 DeepMind가 직접 고른 외부 의견 두 개를 소개한다. Human Cell Atlas 컨소시엄 공동 창립자이자 케임브리지 대학교 교수인 세라 타이히만은 가장 흥미로운 점으로 모델이 “재학습 없이 새로운 단일 세포 데이터에 바로 적응한다”는 사실을 꼽았다. Genomics Limited의 CEO 피터 도널리는 이를 “이 분야의 주목할 만한 진전”이라고 평가하며, 자사 플랫폼 Mystra에 통합할 계획이라고 밝혔다.
DeepMind에 따르면 이 모델은 AlphaGenome API를 통해 비상업적 연구용으로 바로 사용할 수 있다. 공식 문서는 이 용도에서는 API가 무료이며, 조회 한도는 수요에 따라 달라진다고 명시한다. 상업적 연구용으로는 비공개 프리뷰 단계다. 회사는 AlphaGenome과 AlphaGenome 2가 연구 전용이며, 임상이나 진단 용도로 검증되거나 승인되지 않았다고 강조한다. 몇 가지 불분명한 부분이 남아 있다. 동료 심사를 거친 논문도, arXiv나 bioRxiv의 프리프린트도 확인되지 않는다. 블로그에 연결된 기술 문서를 직접 확인하지 못했기 때문에 아키텍처, 전체 표, 정밀도 임계값은 1차로 검증하지 못했다. 모델 가중치를 공개할지에 대해서는 블로그도 문서도 언급하지 않는다. 일부 매체는 사전 계산된 변이 수 같은 추가 수치를 보도했지만, 공식 출처에서는 찾을 수 없었다. 블로그에는 “수백 개의 조건”이라고만 적혀 있다. 마지막으로, 참고한 매체들에는 독립적인 전문가의 평가가 실려 있지 않다.
적어도 지금은 숫자보다 아이디어가 더 설득력 있다. 그 세포, 그 상태에서 변이가 무엇을 하는지 모델에게 묻는 것은 올바른 질문이다. 변이의 효과를 조직 전체의 평균이 아니라 실제로 관찰할 수 있는 수준이 바로 거기이기 때문이다. 하지만 기업 블로그에서 발표되고 작성자가 고른 의견만 곁들인 진전은 아직 논리가 잘 갖춰진 약속일 뿐이다. 진짜 평가는 다른 연구실들이 DeepMind가 고르지 않은 질문을 이 모델에 던질 때 나올 것이다.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- 2026년 11월 11일자 Google DeepMind 공식 글(날짜, 저자, 학습 데이터, 모달리티, TenK10K 결과, 접근 조건, 인용)과 alphagenomedocs.com의 공식 문서(비상업적 용도 무료 API, 첫 버전의 Nature 논문 참조)를 읽었다. 독립적 확인을 위해 Interesting Engineering(2026년 11월 11일) 기사를 읽었다. 수치는 동일했다. 30% 대 16%, 43% 대 23%, 1억 700만 개 프로필, 68개 조직, 비상업적 API, 상업용 비공개 프리뷰, 연구 전용이다. MarkTechPost(접근 거부)와 논문 PDF(10MB 초과)는 읽지 못했다. 이미 다룬 주제는 제외했다. AlphaProof Code와 Signal 기사는 DeepMind의 다른 프로젝트를 다룬다.
- Incertezze
- 성능 수치는 모두 DeepMind가 제시한 것이다. PDF가 다운로드 한도를 넘어 기술 논문을 읽지 못했기 때문에 아키텍처, 전체 표, 정밀도 임계값은 1차로 검증되지 않았다(일부 매체는 정밀도 90%를 언급한다). 동료 심사 논문도, arXiv나 bioRxiv 프리프린트도 확인되지 않는다. 가중치 공개 여부는 알 수 없다. 일부 매체는 510개 조건에 걸쳐 약 700만 개의 사전 계산된 변이를 언급하지만, 내가 읽은 공식 출처에는 이 수치가 없고 블로그에는 “수백 개의 조건”이라고만 되어 있다. 세포 유형 특이성, 새로운 데이터에 대한 적응 같은 여러 주장은 정성적이며 수치가 없다. 외부 의견은 DeepMind가 고른 것뿐이고, 읽은 매체들에는 독립적인 전문가 평가가 없다.
- Perché pubblicarla
- 공식 1차 출처, 정량 데이터, 그리고 과학계가 실제로 쓸 수 있는 접근 경로를 갖춘 연구 성과다. 비상업적 연구에는 API가 무료다. 질병 유전학이라는 공익적 주제이며, 과장 없이 다룰 수 있다. 수치는 회사가 제시한 것이고, 동료 심사는 없으며, 임상 용도는 없고, 가중치 공개 여부도 알 수 없다.