한눈에

Google DeepMind가 11월 11일(미국 시간) AlphaGenome 2를 발표했다. 작년에 낸 AlphaGenome의 다음 버전이다.

우리 몸의 세포는 모두 같은 DNA를 갖고 있다. 그런데 심장 근육 세포와 면역 세포는 서로 다른 유전자를 켜고 끈다.

그래서 같은 변이도 어떤 세포에서는 병을 일으키고, 다른 세포에서는 아무 일도 없을 수 있다. AlphaGenome 2는 이 차이를 세포 종류별로 예측한다.

무엇이 달라졌나

첫 모델은 여러 조직의 평균값을 한꺼번에 예측했다. 흐린 사진을 보는 것과 비슷해서, 세포 하나하나의 차이를 놓쳤다.

새 모델은 한 번에 한 가지 조건만 본다. 조건은 조직, 세포 종류, 세포 상태 중 하나다. 이 조건을 모델의 모든 단계에 함께 넣는다.

덕분에 같은 DNA 구간을 세포마다 다르게 읽는 방식을 배운다.

연구자가 세포 수십 개 분량의 자기 실험 데이터를 올리면, 다시 학습시키지 않아도 그 상태에 맞춰 예측한다.

숫자로 보면

학습 데이터: 68개 조직, 1억 700만 개가 넘는 개별 세포 프로필

면역 세포 28종 데이터(TenK10K)에서 원인 변이를 찾은 비율: 30% (이전 모델 16%)

유전자 효과의 방향까지 맞힌 비율: 43% (이전 모델 23%)

학습에 쓴 세포 종류: 사람 637종, 쥐 311종 (Nature 보도 기준)

실제 사례

최근 한 연구는 장 면역 세포에서 ETS2 유전자를 과하게 켜는 변이가 염증성 장질환의 원인이라는 걸 밝혔다. 이 변이는 유전자에서 멀리 떨어진 조절 스위치에 있어서 찾기 어려웠다.

AlphaGenome 2는 이 결과를 계산만으로 다시 찾아냈다. 원인 변이를 골라냈고, 그 변이가 장 대식세포에서만 ETS2를 키운다는 것도 보여 줬다.

Nature는 이를 두고 “피펫 한 번 들지 않고” 재현했다고 썼다.

왜 중요한가

병과 관련된 변이 대부분은 단백질을 만들지 않는 DNA 구간에 있다. 사람 유전체의 98%가 이런 구간이고, 가장 해석하기 어렵다.

어떤 세포에서 문제가 생기는지 알면 다음에 할 실험을 훨씬 좁힐 수 있다. 신약 표적을 찾는 시간도 줄어든다.

어떻게 바뀌나

비상업 연구자는 오늘부터 API와 Colab 튜토리얼로 쓸 수 있다. 상업 연구는 비공개 프리뷰로 먼저 연다.

DeepMind는 질병 관련 변이에 대한 예측값을 수백 개 세포·조직 조건에서 미리 계산해 두었다. 연구자가 큰 계산을 직접 돌리지 않아도 된다.