30분 만에 찾아낸 질병의 단서
구글 딥마인드는 2026년 11월 11일 알파게놈 2를 공개했다. 이 인공지능 모델은 68개 조직에서 수집한 1억700만 개 이상의 개별 세포 프로필로 학습했다. 핵심 과제는 어떤 DNA 변화가 어떤 세포에 영향을 미치는지 예측해, 연구자들이 유전적 단서와 질병의 생물학적 과정을 연결하도록 돕는 것이다.
목차
한 시연에서 이 모델은 염증성 장질환을 다룬 2024년 연구의 핵심 결과를 약 30분 만에 재현했다. 연구진은 장 염증에 관여하는 면역세포에서 DNA 변이가 ETS2 유전자의 활성을 어떻게 높이는지 규명하기 위해 1년 반 동안 실험을 진행했다.
이 변이는 조절 대상 유전자에서 멀리 떨어진 DNA 구간에 있다. 알파게놈 2는 후보 7개 가운데 이 변이를 골라내고, 약 29만 개의 DNA 글자만큼 떨어진 ETS2에 영향을 미칠 것이라고 예측했다. 딥마인드는 장의 대식세포에서 ETS2 활성이 증가한다는 점을 특정해낸 능력을 강조했다. 대식세포는 신체 방어와 세포 잔해 제거를 돕는 면역세포다.
앞선 연구를 이끈 런던 프랜시스 크릭 연구소의 면역학자이자 유전학자인 제임스 리는 계산 모델의 결과를 이렇게 설명했다.
이들은 30분 만에 답을 찾아냈지만, 우리는 실험에 1년 반을 썼습니다.
실질적인 활용 가능성은 어떤 실험을 먼저 할지 연구실이 판단하도록 돕는 데 있다. 알파게놈 2는 분자 활동을 예측하지만, 결과를 확인하려면 연구자들이 여전히 실험실 검증을 해야 한다. 딥마인드는 알파게놈 모델이 연구용이며 임상 또는 진단 목적으로 검증되거나 승인받지 않았다고 밝혔다.
같은 DNA가 다르게 작동하는 이유
인간 게놈의 약 2%에는 단백질을 만드는 방법이 담겨 있다. 나머지 약 98%는 비암호화 DNA라고 불린다. 이 가운데 일부에는 유전자가 언제 활성화되고 어디에서 작동하며 세포가 유전자 산물을 얼마나 만드는지를 조절하는 서열이 있다.
여러 방이 같은 전기 설계도를 공유하는 건물에 비유할 수 있다. 방마다 서로 다른 스위치를 사용하는 것과 같다. 마찬가지로 심장 근육세포와 면역세포는 대체로 같은 DNA를 지니지만, 각자의 역할을 수행하기 위해 서로 다른 유전자 집합을 사용한다.
DNA 변이는 DNA 글자 서열의 변화다. 조절 스위치에 생긴 변이는 한 세포 유형에서 유전자 활성을 높이면서 다른 세포에서는 거의 영향을 주지 않을 수 있다. 세포가 감염 중에 활성화되거나 백신 접종에 반응할 때 그 영향이 달라질 수도 있다.
딥마인드의 알파게놈 2 발표에 따르면 새 모델은 조직 전반의 평균치에 집중하던 방식에서 벗어나 개별 세포 유형과 상태를 분석한다. 조직은 여러 종류의 세포가 섞여 있기 때문에 이는 중요하다. 측정값을 평균 내면 소수 세포에만 국한된 영향이 잘 드러나지 않을 수 있다.
염증성 장질환 사례는 위치만으로 판단하면 오해할 수 있는 이유를 보여준다. 변이는 유전자 사막, 즉 단백질을 직접 암호화하는 서열이 거의 없거나 전혀 없는 영역에 있다. 이 변이는 멀리 떨어진 유전자에 영향을 줄 수 있는 조절 서열인 인핸서의 일부다. 이 연결을 추적하려면 표적 유전자와 해당 스위치가 작동하는 세포를 모두 찾아야 한다.
연구 대상 세포에 맞춰 설계된 모델
2025년에 공개된 기존 알파게놈은 DNA 염기 100만 개로 이루어진 서열을 입력받아 여러 조직과 실험에 걸친 분자 특성을 한 번에 예측했다. 출력은 정해진 조직 및 세포 조건을 대상으로 했기 때문에 서로 밀접한 세포 사이의 미묘한 차이를 포착하기 어려웠다.
알파게놈 2는 DNA 서열과 생물학적 조건을 함께 입력받는다. 조건은 조직, 세포 유형 또는 세포 상태일 수 있다. 모델은 예측 과정 전반에서 이 정보를 활용해 한 번에 하나의 조건에 집중한다.
연구자들은 이를 조건부 모델이라고 부른다. 쉽게 말해 질문이 “DNA 서열은 일반적으로 무엇을 하는가”에서 “특정 상황에서 특정 종류의 세포 안에서 무엇을 하는가”로 바뀐다.
학습에는 여러 세포가 섞인 조직 시료의 측정값과 개별 인간 및 쥐 세포에서 수집한 데이터가 함께 사용됐다. 데이터는 인간 세포 유형 637개와 쥐 세포 유형 311개를 아우른다. 68개 조직에서 얻은 1억700만 개 이상의 프로필은 특수화된 세포마다 유전자 활동이 어떻게 달라지는지 모델에 보여준다.
딥마인드의 한국어 출시 발표는 같은 설계 변경과 DNA 메틸화 예측 기능 추가를 설명한다. DNA 메틸화는 유전자 활동 조절에 관여할 수 있는 DNA상의 화학적 표지를 뜻한다. 그 밖에 예측하는 측정값으로는 유전자 발현, DNA와 결합한 단백질의 화학적 변화, DNA가 이를 읽는 기계에 얼마나 노출돼 있는지를 나타내는 염색질 접근성이 있다.
성능 수치의 의미
딥마인드는 28종의 일차 인간 면역세포를 다룬 대규모 데이터셋 텐케이10케이(TenK10K)로 알파게놈 2를 평가했다. 회사는 평가에서 모델이 인과 변이의 30%를 찾아냈다고 밝혔다. 단일세포 데이터에 맞게 조정한 이전 알파게놈의 성능은 16%였다.
이는 14%포인트 상승한 수치이며, 이전 성능과 비교하면 약 88% 개선된 것이다. 딥마인드가 특정 세포의 유전자 발현을 바꾸는 변이를 거의 두 배 더 많이 찾아낸다고 설명한 근거다.
변이가 미치는 영향의 방향을 알아내는 능력도 향상됐다. 공개된 수치는 23%에서 43%로 20%포인트 올랐다. 방향을 아는 것은 중요하다. 연구자는 변이가 질병에서 어떤 역할을 하는지 조사하기 전에 DNA 변화가 유전자 활성을 높이는지 낮추는지 알아야 한다.
또 다른 평가에서는 유전자에서 DNA 염기 10만 개에서 250만 개 떨어진 조절 스위치를 살펴봤다. 선택한 DNA 부위의 활성을 낮추고 반응을 측정하는 CRISPR 간섭 스크리닝 결과와 비교했을 때, 정밀도와 재현율을 종합한 지표에서 알파게놈 2는 0.62점을 기록했다. 이전 모델의 점수는 0.48이었다.
정밀도는 선택한 후보 가운데 맞는 것이 얼마나 되는지를, 재현율은 관련 후보를 모델이 얼마나 많이 찾아내는지를 나타낸다. 연구 논문에 따르면 높은 신뢰도 기준을 적용하면 모델은 여전히 원인으로 추정되는 변이 대부분을 놓친다. 따라서 과학자들은 강한 예측 결과를 담은 짧은 목록과 더 폭넓은 가능성을 담은 목록 가운데 선택해야 한다.
재학습 없이 새로운 세포 상태 학습
알파게놈 2는 최초 학습 데이터에 포함되지 않은 세포의 측정값도 활용할 수 있다. 연구자는 수십 개 세포만 포함된 시료에서 얻은 단일세포 RNA 염기서열 분석 데이터를 업로드할 수 있다. 이 데이터는 개별 세포의 유전자 활동을 기록한다.
모델은 해당 측정값을 세포 상태의 표현으로 압축해 예측을 안내하는 데 사용한다. 덕분에 연구실이 새로운 생물학적 조건을 분석할 때마다 모델 전체를 재학습할 필요가 없다.
휴먼 셀 아틀라스 컨소시엄 공동 창립자이자 케임브리지대 줄기세포의학 교수인 사라 타이히만은 딥마인드 발표에서 이 기능을 강조했다.
알파게놈 2가 기대되는 이유는 재학습 없이 새로운 단일세포 데이터에 직접 적응하고, 적은 수의 세포만으로 얻은 데이터에서도 새로 분석된 세포 상태에서 DNA 변이가 어떻게 작용하는지 예측할 수 있기 때문입니다.
알파게놈 2는 코로나19 mRNA 백신 연구에서 이전에 공개되지 않은 데이터를 사용한 시연에서 활성화된 T세포와 휴지 상태의 T세포를 구분했다. T세포는 위협에 대응하면서 유전자 활동이 달라지는 면역세포다.
모델은 중증 코로나19와 관련된 변이가 활성화된 세포에서 유전자 활동을 더 강하게 교란한다고 예측했다. 이 사례는 세포 상태가 유전적 설명의 일부가 될 수 있음을 보여준다. 연구자가 세포를 살펴보는 시점에 세포가 어떤 일을 하고 있는지에 따라 변이의 영향이 달라질 수 있다.
연구자들은 한 종류의 측정값을 사용해 누락된 다른 종류의 측정값을 예측할 수도 있다. 예를 들어 유전자 활동 데이터로 모델이 염색질 접근성을 추정하도록 할 수 있다. 교차 모달리티 대치라고 불리는 이 과정은 연구실이 어떤 추가 측정을 할지 정하는 데 도움이 될 수 있다.
유전적 신호에서 잠재적 약물 표적까지
전장유전체 연관성 연구(GWAS)는 많은 사람을 대상으로 질병이나 형질과 연관된 DNA 차이를 찾는다. 연구에서는 여러 후보 변이가 포함된 영역이 자주 발견된다. 이후 연구자들은 어떤 변이가 중요한지, 어떤 유전자에 영향을 미치는지, 신체 어디에서 그 영향이 나타나는지 밝혀야 한다.
딥마인드는 수백 가지 인간 세포 및 조직 조건에서 형질과 연관된 변이에 대한 알파게놈 2의 예측을 미리 계산해뒀다. 모든 연구실이 대규모 계산 작업을 직접 수행하지 않고도 이 연관성을 쉽게 살펴보도록 하는 것이 목표다.
예측 결과는 뉴런을 지원하고 보호하는 뇌 성상교세포를 포함해 일차 인간 세포에서 인핸서와 표적 유전자를 연결해준다. 많은 CRISPR 스크리닝이 체내의 특수화된 세포가 아니라 실험실에서 배양한 안정화 세포를 사용하기 때문에 이런 연결은 실험으로 확인하기 어려울 수 있다.
염증성 장질환 시연은 이 과정을 한데 보여준다. 모델은 멀리 떨어진 조절 변이를 ETS2와 연결하고 관련 면역세포를 찾아낸다. 앞선 실험 연구는 잠재적 치료 표적도 확인했으며, 이를 바탕으로 과학자들은 예측을 검증할 수 있다.
제노믹스 리미티드의 최고경영자 피터 도널리는 딥마인드 발표에서 유전적 연관성을 약물 연구로 연결하는 어려움을 설명했다.
GWAS는 그 과정의 핵심이지만, 연관성 신호에서 신약 개발 프로그램에 필요한 단계로 나아가기는 어렵습니다.
도널리는 회사가 인간 유전학을 활용해 약물 표적을 평가하는 플랫폼인 미스트라에 알파게놈 2를 도입하기를 기대한다고 말했다. 새 모델을 통합할 시기나 제약사가 사용해 얻은 결과는 발표되지 않았다.
90억 개 변이 아틀라스와의 관계
알파게놈 2에 앞서 같은 연구 프로그램에서 알파게놈 아틀라스가 공개됐다. 이 카탈로그에는 인간 게놈에서 단일 DNA 염기 하나를 바꿀 수 있는 모든 경우의 예측 결과 90억 개가 담겼다. 딥마인드는 새 모델 발표 약 두 달 전에 아틀라스를 공개했다.
딥마인드의 알파게놈 연구 개요에 따르면 아틀라스의 데이터 용량은 1페타바이트다. 여기에는 알파게놈 변이 영향 점수(AVI 점수)가 포함돼 있어 과학자들이 분자 효과 예측을 바탕으로 변이의 우선순위를 정할 수 있다.
두 도구는 계산 목적이 다르다. 기존 모델은 방대한 카탈로그를 폭넓게 다룬다. 알파게놈 2는 더 구체적인 예측을 수행하는 데 계산 비용이 더 들지만, 특정 세포와 상태에 관한 질문을 더 자세히 살펴본다.
알파게놈 팀을 이끄는 딥마인드 연구자 지가 아브섹은 기존 모델로 게놈 전반을 폭넓게 살펴보고, 알파게놈 2로 질병 기전과 잠재적 약물 표적을 더 자세히 조사한다고 설명해왔다. 연구자에게는 광범위한 탐색으로 시작한 뒤 관련 세포에서 후보를 선별해 살펴보는 작업 흐름을 시사한다.
개발 과정은 짧은 기간에 이어졌다.
- 2024년: 리 연구팀이 실험실 연구를 통해 염증성 장질환에서 ETS2 기전을 규명했다.
- 2025년: 딥마인드가 기존 알파게놈 모델을 공개했다.
- 2026년 9월경: DNA 염기 하나를 바꿀 수 있는 90억 가지 경우의 예측을 담은 알파게놈 아틀라스가 공개됐다.
- 2026년 11월 11일: 딥마인드가 알파게놈 2와 연구용 접근을 발표했다.
- 2026년 11월 30일: 연구자들이 프로젝트를 제출해 홍보 기회와 추가 계산 할당량 또는 크레딧을 받을 수 있는 신청 마감일이다.
연구자들이 알파게놈으로 이미 한 일
딥마인드의 연구 개요는 더 광범위한 알파게놈 도구를 활용한 사례를 소개한다. 브로드 연구소의 로라 코빌은 AVI 점수로 유전자 처리 오류와 관련된 DNM1 변이를 찾아냈다. 실험실 연구로 예측을 검증했고, 해당 변이의 재분류를 뒷받침했다.
엑서터대의 개러스 호크스는 영국 바이오뱅크 참가자 5만4,000명 이상을 대상으로 한 연구에서 알파게놈을 사용했다. 이 연구는 혈장 단백질 수치를 비롯한 형질과 희귀 비암호화 변이의 연관성을 살펴봤다. 한 영역에서는 후보 목록이 변이 526개에서 4개로 줄어들어 예측이 실험에 집중할 대상을 좁힐 수 있음을 보여줬다.
스토워스 의학연구소의 줄리아 자이틀링거는 알파게놈을 활용해 짧은 조절 DNA 서열과 세포 유형별로 그 영향이 어떻게 달라지는지 조사했다. 이 연구는 세포가 유전자 활동을 높이거나 낮추는 규칙을 다룬다.
코펜하겐대의 세사르 쿠냐와 마르크 피엘리스 아벨리는 투오마스 킬펠라이넨의 지도 아래 알츠하이머병의 유전적 위험 신호를 조직별로 추적하는 데 알파게놈을 사용했다. 분석 결과 뇌뿐 아니라 면역 및 대사 조직에서도 조절 효과가 있을 것으로 예측됐다.
이 사례들은 예측을 연구로 연결하는 여러 실용적 경로를 보여준다. 희귀질환 후보의 우선순위를 정하고, 긴 변이 목록을 줄이며, 조절 서열을 살펴보고, 신체 여러 부위에서 유전적 신호를 추적할 수 있다. 알파게놈 2는 여기에 관련 세포와 상태를 더 자세히 분석하는 기능을 더한다.
접근 방법과 비용, 다음 실험
알파게놈 2는 알파게놈 응용 프로그래밍 인터페이스(API)를 통해 비상업적 연구에 무료로 제공된다. API는 연구자가 소프트웨어로 모델에 요청을 보낼 수 있게 해준다. 상업 연구자는 비공개 프리뷰를 통해 접근을 신청할 수 있다. 딥마인드는 인터랙티브 코랩 튜토리얼도 제공했다.
딥마인드는 웰컴 생어 연구소를 포함한 연구팀과 함께 더 많은 인간 세포 유형과 발달 단계, 다양한 생물학적 조건에 따라 변화한 세포의 프로필을 수집하고 있다고 밝혔다. 이러한 측정값은 연구자가 조사할 수 있는 상태의 범위를 넓힐 수 있다.
회사는 자동화된 개발 및 과학 워크플로 플랫폼인 구글 앤티그래비티에서 알파게놈 2 스킬도 공개할 계획이다. 공개 시기는 밝히지 않았다. 11월 30일까지 활용 사례를 제출한 연구자는 추가 할당량과 크레딧을 받을 대상으로 선정될 수 있다.
연구실이 당장 확인할 점은 분명하다. 예측을 활용해 더 적은 실험으로 유용한 후보를 확인하거나 더 빨리 연구 결정을 내릴 수 있는가? ETS2 시연은 이미 알려진 기전을 재현한 고무적인 사례다. 더 폭넓은 성과는 연구실이 이 도구로 새로운 후보를 조사하고 실험으로 검증하는 데 달려 있다.
핵심 내용
- 딥마인드는 2026년 11월 11일, 68개 조직의 개별 세포 프로필 1억700만 개 이상으로 학습한 알파게놈 2를 발표했다.
- 모델은 특정 세포 유형과 상태에서 DNA가 미치는 영향을 예측하며, 연구자가 새로 분석한 세포 상태도 입력할 수 있다.
- 텐케이10케이 평가에서 인과 변이 식별률은 16%에서 30%로, 유전자 영향 방향 식별률은 23%에서 43%로 올랐다.
- 시연에서 염증성 장질환의 ETS2 관련 핵심 결과를 약 30분 만에 재현했다.
- 알파게놈 아틀라스는 DNA 염기 하나를 바꿀 수 있는 90억 가지 경우를 폭넓게 예측하고, 알파게놈 2는 세포 수준의 상세 분석을 지원한다.
- 비상업적 연구에는 무료로 제공되며, 상업적 사용은 비공개 프리뷰를 통해 신청할 수 있다. 실험실 검증은 여전히 필요하며, 진단용으로 승인된 모델은 아니다.






