AlphaGenome: 구글 딥마인드가 만든 AI, 유전체의 '어두운 게놈'을 해독하다
인간 게놈의 98%는 오랫동안 '쓸모없는 DNA'로 여겨졌지만, AlphaGenome은 그 어둠 속에서 질병의 실마리를 찾아내는 딥러닝 모델로, 정밀의학의 미래를 다시 쓰고 있다.
2026년 1월 28일, 구글 딥마인드 연구팀이 Nature에 발표한 AlphaGenome은 단순한 성능 향상이 아니다. 우리가 유전체를 바라보는 방식 자체를 뒤흔드는 프로젝트다. 딥러닝 모델 발표가 잦아진 시대에 이 논문이 특별한 이유를 이해하려면, 먼저 왜 인간 게놈의 98%가 그토록 오래 미지의 영역으로 남아있었는지부터 살펴봐야 한다.
1. 인간 게놈의 98%는 정말 '쓸모없었을까'
우리 몸의 설계도라는 인간 게놈. 총 약 30억 개의 염기 쌍으로 이루어져 있다. 그런데 실제로 단백질을 만드는 코딩 영역은 전체의 겨우 약 2%에 불과하다 [1, 2]. 나머지 98%? 수십 년 동안 과학자들은 이걸 '정크 DNA(junk DNA)'라고 불렀다. 기능이 없는 잉여물처럼 여긴 거다.
하지만 시간이 지날수록 그 '정크'가 전혀 쓸모없지 않다는 사실이 드러나기 시작했다. 이 비코딩(non-coding) 영역에는 유전자의 발현을 '언제', '어디서', '얼마나' 켜고 끄는지를 조절하는 수천 개의 조절 서열이 숨어 있다 [3]. 인핸서(enhancer)나 프로모터(promoter) 같은 조절 요소들이 바로 여기에 있고, 이것들은 해당 유전자에서 수십만, 심지어 수백만 염기쌍이나 떨어진 거리에서도 작동할 수 있다 [4, 5].
쉽게 말해, 인핸서는 '볼륨을 올려라' 신호를 보내는 스위치이고 프로모터는 유전자 발현을 시작시키는 출발 버튼 같은 것이다. 이 스위치들이 게놈 곳곳에 흩어져, 때로는 아주 먼 유전자까지 켜고 끈다.
암, 심장 질환, 정신 건강 질환을 포함한 대부분의 복잡한 질병에 연관된 유전 변이가 바로 이 비코딩 영역에 있다 [1, 2]. 문제는 이 '조절 코드'를 해독하는 게 너무 어렵다는 것이다. 비코딩 변이가 어떤 기능적 결과를 일으키는지는 기존 도구로는 예측하기가 굉장히 까다롭다 [1, 5]. AlphaGenome은 바로 이 간극을 메우기 위해 등장했다.
2. AlphaGenome이란 무엇인가: 딥러닝으로 게놈을 읽다
AlphaGenome은 구글 딥마인드가 개발한 딥러닝 기반 유전체 분석 도구다. DNA 서열을 입력하면 그 서열이 세포 내에서 어떤 규제 기능을 하는지를 예측해주는 AI 모델이다 [6].
기존 모델들과 뭐가 다른지 이해하려면 한 가지 핵심 트레이드오프를 알아야 한다. 이전 도구들은 '입력 서열 길이'와 '예측 해상도' 사이에서 하나를 택해야 했다. 긴 서열을 보면 세밀함이 떨어지고, 세밀하게 보면 짧은 서열밖에 못 보는 구조였다 [5, 7]. AlphaGenome은 이 둘을 동시에 해결했다.
최대 100만 염기쌍(1 메가베이스) 길이의 DNA 서열을 단일 염기쌍 해상도로 처리한다. 이전 최고 모델이었던 Borzoi가 약 50만 염기쌍 수준에서 32염기쌍 해상도를 냈던 것과 비교하면 명확한 도약이다 [7, 8]. 그리고 단순히 하나의 예측값만 내놓는 게 아니라 11가지 서로 다른 분자 활동 유형을 한 번에 예측한다 [6, 9].
유전자 발현(gene expression), RNA 스플라이싱(splicing — RNA가 어떻게 잘리고 이어지는지), 크로마틴 접근성(chromatin accessibility — DNA가 얼마나 '열려 있는지'), 히스톤 변형(histone modification — DNA 주변 단백질의 화학적 변형), 전사인자 결합(transcription factor binding), 3차원 게놈 구조까지. 이걸 한 번에, 단 1초 안에 계산한다 [10, 11].
기존에는 같은 변이를 분석하려면 스플라이싱 전용 도구, 발현 전용 도구, 크로마틴 접근성 도구 등을 따로따로 돌려야 했다. 각각의 결과를 연구자가 손으로 조합해야 했고, 그 과정에서 중요한 연결고리가 빠지기 일쑤였다 [9, 12]. AlphaGenome은 이 모든 걸 하나의 모델에서 처리한다는 게 핵심이다.
그림 1. AlphaGenome의 핵심 방법론 및 예측 워크플로우. 인간(hg38) 및 마우스(mm10) 참조 게놈과 ENCODE, GTEX, FANTOM5 등 대규모 기능 유전체 데이터 통합 및 입력. 단일 염기쌍 분해능(single-base-pair resolution) 구현을 위한 인코더-디코더 기반의 U-Net 아키텍처 설계 및 고수준 추상 표상 생성. 4-폴드 교차 검증 및 다양한 레이어(CNN, Transformer) 구성을 통한 모델 견고성 및 신뢰성 확보. 자연어 처리 기법을 차용한 DNA 시퀀스 마스킹 기반 사전 학습(Pre-training) 및 특정 생물학적 하위 과제에 대한 미세 조정(Fine-tuning) 프로세스 수행. 최대 1Mb 범위 내 원거리 조절 효과(distal regulatory effects) 반영 및 7,000개 이상의 예측 트랙 기반 고정밀 변이 효과 프로필 산출.
3. 어떻게 작동하는가: U-Net 구조와 훈련 방식
AlphaGenome의 핵심 구조는 U-Net에서 영감을 받았다. U-Net은 원래 의료 영상 분석에서 쓰이던 구조로, 인코더(encoder)가 입력 데이터를 압축·추상화하고, 디코더(decoder)가 이를 다시 세밀하게 복원하는 방식이다. 게놈 서열에 적용하면, 인코더가 긴 DNA 서열에서 고수준의 패턴을 잡아내고, 디코더가 이를 다시 단일 염기 쌍 수준의 예측으로 복원하는 구조다 [13].
합성곱 층(convolutional layer)이 짧은 시퀀스 패턴을 감지하고, 트랜스포머 블록(transformer block)이 수십만~수백만 염기쌍 거리에 걸친 원거리 조절 상호작용을 포착한다 [6]. 100만 염기쌍 전체를 처리하기 위해 8개의 TPU 장치에서 131킬로베이스 단위로 병렬 처리(sequence parallelism)를 수행한다.
ENCODE, GTEx, FANTOM5, 4D Nucleome 같은 대규모 공개 데이터베이스의 기능 유전체 데이터를 사용해 인간(hg38)과 마우스(mm10) 게놈을 기반으로 훈련됐고 [13], 4중 교차검증(4-fold cross-validation)으로 견고성을 높였다 [13].
AlphaGenome은 자연어 처리(NLP)에서 가져온 '마스크 예측' 방식으로 사전훈련을 거친 후, 특정 다운스트림 태스크에 맞게 미세조정(fine-tuning)된다 [14, 15]. 방대한 데이터 없이도 효율적으로 학습할 수 있게 해주는 핵심 방식이다.
4. 성능 평가: 26개 중 25개에서 최고 수준
벤치마킹 결과가 상당히 인상적이다. 26개의 변이 효과 예측 평가 항목 중 25개에서 기존 최고 모델과 동등하거나 그것을 능가했다 [8, 16, 17]. eQTL(발현 양적 특성 유전자좌, 즉 유전자 발현량에 영향을 미치는 유전 변이) 효과 예측, 인핸서-유전자 상호작용, 스플라이싱 예측 등 핵심 영역에서 두드러진 성과를 보였다.
특히 비코딩 변이 예측에서 이전 모델 Borzoi 대비 2배 이상의 eQTL을 회수했다는 결과는 주목할 만하다 [6, 7]. 변이 하나를 채점하는 데 걸리는 시간은 약 1초이며, 그 사이에 7,000개 이상의 예측 트랙을 동시에 생성한다 [10].
물론 숫자만으로 다는 설명이 안 된다. 성능이 실제로 의미 있는지는 생물학적 사례를 통해 확인해야 한다.
5. 실제 사례: TAL1 종양유전자와 T세포 백혈병
AlphaGenome의 유용성을 보여주는 가장 유명한 사례는 TAL1 종양유전자다. TAL1의 비정상적 활성화는 T세포 급성림프모구백혈병(T-ALL)—주로 어린이에게 발생하는 백혈병의 일종—을 일으킨다 [2].
문제는 이 비정상 활성화를 일으키는 변이가 TAL1 유전자 자체에 있는 게 아니라, 수천 염기쌍 떨어진 조절 영역에 있다는 것. 기존 모델들은 이런 원거리 효과를 잡아내기 어려웠다.
AlphaGenome은 그 변이들이 MYB 전사인자 결합 모티프를 새로 만들어 TAL1의 발현을 크게 높이는 메커니즘을 서열 데이터만으로 정확히 예측해냈다 [12, 13]. 수년간의 실험실 연구가 밝혀낸 메커니즘을 AI가 재현한 셈이다.
이 외에도 Wilson병(구리 대사 장애), 베타 지중해 빈혈증(혈액 질환), Marfan 증후군 같은 희귀 유전 질환 관련 변이 해석에서도 AlphaGenome의 활용 가능성이 확인됐다 [6]. 이런 단일 유전자 이상 질환은 정확한 변이 진단이 치료 방향을 결정하는 데 결정적이다.
6. 다양한 응용 분야
전통적인 방법으로는 해석이 어려웠던 비코딩 변이에 대해, AlphaGenome은 유전자 발현·스플라이싱·크로마틴 접근성에 대한 영향을 동시에 예측함으로써 희귀 질환 환자의 표현형을 설명하는 조절 이상을 발견할 수 있다 [6, 13]. 암의 경우에도 단백질 코딩 영역이 아닌 조절 변이가 암을 일으키는 경우가 많은데, AlphaGenome은 이런 유전적 드라이버를 더 정확하게 찾아내는 데 기여한다 [4, 18].
신약 개발 측면에서는 조직 특이적 유전자 발현 변화를 예측해 치료 반응이 다를 환자 하위 그룹을 식별하고, 동반 진단(companion diagnostics)과 맞춤형 치료 개발에 활용될 수 있다 [6, 19]. 합성 생물학 분야에서도 특정 세포에서만 특정 유전자를 켜는 인공 DNA 서열 설계, 유전자 치료에 활용될 조절 서열 엔지니어링 등에 강력한 도구가 된다 [9, 20].
7. 한계와 도전: 완벽하지 않다
AlphaGenome도 한계가 많다. 개발팀 스스로도 인정하는 부분이다.
가장 두드러진 한계는 원거리 조절 요소 포착 문제다. 현재 모델은 100킬로베이스 이상, 특히 1메가베이스를 넘어서는 조절 상호작용을 정확하게 잡아내기 어렵다 [21]. 실제로 일부 조절 상호작용은 1메가베이스가 훌쩍 넘는 거리에서 일어나기도 한다.
데이터 한계도 있다. 훈련 데이터가 주로 벌크 조직 데이터 기반이라 희귀 세포 유형이나 특정 발달 단계에서의 예측이 제한된다 [14]. 매우 드문 유전 변이의 경우 모델 성능이 낮아진다 [15]. 그리고 아무리 정교한 AI 예측이라도 실제 인간 세포에서 검증은 반드시 필요하다 [22].
평가 지표 해석도 조심해야 한다. 변이 효과 크기의 분포나 평가 데이터셋 구성 방식에 따라 성능 수치가 달라진다. 다른 연구와의 단순 비교는 위험할 수 있다 [15].
마지막으로 윤리 문제. 수백만 건의 API 호출로 전 세계 수십 개 국가에서 활용되는 상황이 됐을 때, 배아 선별이나 유전자 차별 등과 연결될 경우 오남용 방지를 위한 구조적 장치가 반드시 필요하다 [23]. 과학적 능력이 앞서갈 때 사회적 논의가 뒤따라가야 한다.
그림 2. AlphaGenome의 게놈 분석 아키텍처 및 벤치마킹 성능 지표. 전체 게놈의 98%를 차지하는 비부호화 영역(Dark Genome) 내 조절 기능을 규명하기 위한 100만 염기쌍 해상도 기반의 AI 엔진 설계. 25개 주요 게놈 분석 태스크에서 기존 모델 대비 전 항목 우위 달성 및 정밀도 검증 완료. 희귀 질환의 비부호화 변이 식별, 조직 특이적 발현 변화 예측을 통한 정밀 신약 개발, 합성 생물학 및 암 드라이버 변이 가속화 등 임상 현장에서의 다각적 활용 가능성 제시.
8. 미래 방향: 게놈 의학의 다음 장
구글 딥마인드가 장기적으로 제시하는 비전은 실시간 임상 의사결정 지원 시스템, 그리고 다양한 조상 배경의 인구집단별 변이 효과를 반영한 개인화 예측이다 [6]. 현재 모델은 인간과 마우스에 집중되어 있지만, 다른 종으로의 확장, 단일세포 데이터를 통한 세포 유형 특이적 예측 개선 등이 예고되어 있다 [15, 21].
3,000명 이상의 연구자들이 이미 AlphaGenome API를 통해 하루 100만 건 이상의 호출을 하고 있다는 사실 자체가, 이 도구가 이미 과학 공동체에서 살아 숨쉬고 있다는 증거다 [10]. 비상업적 학술 연구 목적으로는 GitHub에서 무료로 사용할 수 있다.
더 넓게 보기: AlphaGenome이 촉발하는 질문들
AlphaGenome의 등장은 단순히 '더 좋은 AI 도구가 나왔다'는 차원을 넘는 몇 가지 근본적인 질문을 던진다.
AI 기반 게놈 예측, 다음 장벽은 어디인가? Borzoi에 관한 최근 연구 [24] 및 비코딩 변이 예측을 위한 딥러닝 모델 리뷰 [12]는 공통적으로 지적한다—현재 모델들은 먼 거리의 조절 요소를 파악하거나 세포 유형 특이적 효과를 포착하는 데 여전히 한계가 있다. AlphaGenome이 이 간극을 좁혔지만 완전히 닫지는 못했다. 다음 세대 모델의 성패는 어떤 데이터를 어떻게 통합하느냐가 결정할 것이다.
DNA 파운데이션 모델의 경쟁 구도: AlphaGenome은 DNABERT-2, Nucleotide Transformer, HyenaDNA 같은 자기지도학습 기반 게놈 언어 모델들과 같은 시대에 공존한다. Nature Communications에 발표된 최근 벤치마킹 연구 [25]는 이런 범용 DNA 파운데이션 모델들이 특화된 지도학습 모델에 비해 유전자 발현 예측이나 인과적 eQTL 식별에서 뒤처지는 경향이 있음을 지적했다. AlphaGenome은 지도학습 방식의 강점을 유지하면서 훨씬 넓은 컨텍스트를 확보했다는 점에서 독자적 위치를 차지한다.
유전자 AI와 생식 윤리: 지금 당장은 기초 연구 도구지만, 기술이 발전할수록 이런 예측 모델이 임상·생식의학에 적용되는 것은 시간문제다. EMBO Reports에 발표된 연구 [26]는 AI 기반 다유전자 배아 선별(polygenic embryo screening)이 가져오는 사회적·윤리적 함의를 독일, 이스라엘, 미국의 상이한 규제 환경을 통해 분석한다. 기술 발전 속도와 윤리적 성찰의 속도가 맞지 않을 때 무슨 일이 벌어지는지, 우리는 이미 여러 차례 목격했다.
게놈 AI의 해석 가능성 문제: 생물학적 복잡성이 워낙 방대해 AI의 '블랙박스'에 의존할 수밖에 없다는 주장이 연구자들 사이에서 나온다. Marginalias Review of Books에 실린 에세이 [3]는 이에 정면으로 반박한다 — AI를 과학적 신탁(oracle)으로 전락시키는 것은 필요 이상으로 패배주의적이라고. 답이 나온다고 해서 이해한 게 아니다.
Guo et al. (2025)의 National Science Review 리뷰 [27]가 정리하듯, 생물정보학 파운데이션 모델의 미래는 단일 모달리티를 넘어선 멀티모달 통합에 있다. AlphaGenome은 그 방향의 지금까지 가장 야심찬 시도 중 하나다.
AlphaGenome이 현재 최고 성능의 도구이긴 하지만, 아직 초기 단계이며 AlphaFold가 그랬던 것처럼 더 넓은 임팩트는 시간이 지나면서 드러날 것이라는 시각도 있다 [16, 17]. AlphaGenome은 완성된 답이 아니라 더 나은 질문을 던지는 도구다. 그리고 과학에서 더 나은 질문을 던지는 것이야말로, 가장 중요한 진보다.
References
[1] Adelina. (2026, February 25). AlphaGenome: How Google DeepMind's AI is unlocking the 98% of our genome. OurNarratives.net. https://ournarratives.net/alphagenome/
[2] Hashemi, S. (2026, January 30). Google Researchers Say Their New A.I. Tool AlphaGenome Can Help Decode the Human Genetic Instruction Book. Smithsonian Magazine. https://www.smithsonianmag.com/smart-news/google-researchers-say-their-new-ai-tool-alphagenome-can-help-decode-the-human-genetic-instruction-book-180988107/
[3] Ball, P. (2026, February 22). AlphaGenome: On the Promise and Limits of AI in Science. Marginalia Review of Books. https://www.marginaliareviewofbooks.com/post/alpha-genome
[4] Clark, O. (2026, January). AlphaGenome Study Breakthrough: Interpreting Noncoding Genome Variants [LinkedIn Post]. LinkedIn. https://www.linkedin.com/posts/otavio-clark-74a86210_advancing-regulatory-variant-effect-prediction-activity-7422467985635807232-yDlz
[5] García-González, J., & Gogolewski, K. (2026). AlphaGenome, a Swiss-army knife for exploring non-coding DNA. Trends in Genetics, 42(1), 4–6. https://doi.org/10.1016/j.tig.2025.10.003
[6] Avsec, Ž., Latysheva, N., Cheng, J., et al. (2026). Advancing regulatory variant effect prediction with AlphaGenome. Nature, 649(8099), 1206–1218. https://doi.org/10.1038/s41586-025-10014-0. (Blog post: https://deepmind.google/blog/alphagenome-ai-for-better-understanding-the-genome/)
[7] rewire.it. (2026, January 29). AlphaGenome: One Model for the Other 98% of Your DNA. rewire.it Blog. https://rewire.it/blog/alphagenome-one-model-for-the-other-98-percent-of-your-dna/
[8] Saey, T. H. (2026, January 28). AI tool AlphaGenome predicts how one typo can change a genetic story. Science News. https://www.sciencenews.org/article/ai-tool-alphagenome-predicts-genetics
[9] Johnson, J. (2025, July 2). AlphaGenome Attempts to Unify Genomic Analysis. Run Data Run. https://rundatarun.io/p/alphagenome-attempts-to-unify-genomic
[10] Google DeepMind. (2026, January). AlphaGenome AI Model Drives Genetic Discoveries [LinkedIn Post]. https://www.linkedin.com/posts/googledeepmind_our-breakthrough-ai-model-alphagenome-can-activity-7422308424408788993-MeTY
[11] rewire.it. (2026, January 29). How AlphaGenome Tackles Variant Effect Prediction. rewire.it Blog. https://rewire.it/blog/alphagenome-variant-effect-prediction/index.html
[12] Kathail, P., Bajwa, A., & Ioannidis, N. M. (2024). Leveraging genomic deep learning models for the prediction of non-coding variant effects. arXiv preprint arXiv:2411.11158. https://arxiv.org/html/2411.11158v2
[13] Science Media Centre Spain. (2026, January 28). AlphaGenome, an AI tool from Google, predicts the impact of variations in DNA. SMC España. https://sciencemediacentre.es/en/alphagenome-ai-tool-google-predicts-impact-variations-dna
[14] Dolgin, E. (2026, February 4). AlphaGenome Deciphers Non-Coding DNA for Gene Regulation. IEEE Spectrum. https://spectrum.ieee.org/alphagenome-ai-gene-regulation
[15] Shen, L. (2025, August 7). AlphaGenome Enhances Personal Gene Expression Prediction but Retains Key Limitations. bioRxiv. https://doi.org/10.1101/2025.08.05.668750
[16] Digital Health News. (2026). Google's New AI Reads DNA to Uncover Hidden Disease Risks. Digital Health News. https://www.digitalhealthnews.com/google-s-new-ai-reads-dna-to-uncover-hidden-disease-risks
[17] Science Media Centre UK. (2026, January 28). Expert reaction to paper on Google DeepMind's AlphaGenome. https://www.sciencemediacentre.org/expert-reaction-to-paper-on-google-deepminds-alphagenome/
[18] Nordic Life Science. (2026, February 3). Google DeepMind's new AI reads DNA's 'dark genome'. https://nordiclifescience.org/google-deepminds-new-ai-reads-dnas-dark-genome/
[19] White, B. (2026, January 30). The Future of Precision Medicine: What AlphaGenome Means for Clinical Diagnostics. CRV Science. https://www.crvscience.com/post/the-future-of-precision-medicine-what-alphagenome-means-for-clinical-diagnostics
[20] Indonesia International Institute for Life Sciences (i3L). (2026, February 25). How the Alphagenome Database is Revolutionizing Synthetic Biology. https://i3l.ac.id/how-the-alphagenome-database-is-revolutionizing-synthetic-biology/
[21] Adetiba, E. (2025, August 28). AI4Health #3: AlphaGenome by Google DeepMind and the Future of Precision Medicine Research. Medium. https://medium.com/@emmanuel.adetiba/ai4health-3-alphagenome-by-google-deepmind-and-the-future-of-precision-medicine-research-5ed1f5662916
[22] Bafdil, M. (2026, February 8). Google's AlphaGenome: The AI That Just Disrupted Everything We Know About Genomics. Medium. https://medium.com/@mehdibafdil/googles-alphagenome-the-ai-that-just-disrupted-everything-we-know-about-genomics-47d06cbf5165
[23] Sample, I. (2026, January 28). Google DeepMind launches AI tool to help identify genetic drivers of disease. The Guardian. https://www.theguardian.com/science/2026/jan/28/google-deepmind-alphagenome-ai-tool-genetics-disease
[24] Linder, J., Srivastava, D., Yuan, H., et al. (2025). Predicting RNA-seq coverage from DNA sequence as a unifying model of gene regulation. Nature Genetics, 57, 949–961. https://doi.org/10.1038/s41588-024-02053-6
[25] Feng, H., Wu, L., Zhao, B., et al. (2025). Benchmarking DNA foundation models for genomic and genetic tasks. Nature Communications, 16, 10780. https://doi.org/10.1038/s41467-025-65823-8
[26] Halsband, A., et al. (2025). The new frontier in assisted reproduction: Consumer Desire vs. Regulatory and Ethical Precaution in AI-assisted Polygenic Embryo Screening. EMBO Reports. https://doi.org/10.1038/s44319-025-00668-2
[27] Guo, F., Guan, R., Li, Y., et al. (2025). Foundation models in bioinformatics. National Science Review, 12(4), nwaf028. https://doi.org/10.1093/nsr/nwaf028
[28] Konecki, S. (2026). Google DeepMind's AlphaGenome is Here, and the Name is the Least Exciting Part. CG Life Blog. https://cglife.com/blog/google-deepmind-alphagenome/index.html
본 글은 공개된 연구를 바탕으로 정보 제공 목적으로 작성되었으며, 전문적인 판단을 대신하거나 의학적 진단이나 치료를 위한 근거로 사용될 수 없습니다.
댓글
댓글 쓰기