본문으로 건너뛰기
AN INDEPENDENT ECONOMIC JOURNAL생활에서 시작하는 경제 읽기
가까이 두고 읽는 경제 이야기
CIN · CONNECT · INFORM · NEWS
경제의 흐름을,
생활의 언어로.

CIN ECONOMIC NOTES

딥마인드, 11월 11일 알파지놈 2 공개…DNA 변이 예측에 세포 조건 더했다

조직별 병렬 예측에서 특정 세포·상태를 지정하는 방식으로 바뀌었다. 면역세포 시험의 개선과 연구용 접근 조건을 나눠 읽는다.

핵심 먼저 읽기

AT A GLANCE
  • 딥마인드는 2026년 11월 11일 알파지놈 2를 공개하고, DNA 변이 예측에 특정 세포 유형과 상태를 입력하는 방식을 도입했다.[1]
  • 국내 연구기관과 바이오 기업에는 실험 후보를 좁히는 도구가 될 가능성이 있지만, 연구비 절감이나 개발 기간 단축이 입증된 발표는 아니다.[1]
  • 면역세포 시험의 인과 변이 식별 비율 30%는 전체 질환의 진단 정확도가 아니며, 모델은 임상·진단용으로 검증되거나 승인되지 않았다.[1]
'딥마인드, 11월 11일 알파지놈 2 공개…DNA 변이 예측에 세포 조건 더했다'의 핵심 주제를 표현한 일러스트
본문의 이해를 돕기 위한 일러스트레이션
이 글의 순서 · 5개 주제

구글 딥마인드는 2026년 11월 11일 알파지놈 2를 발표했다. 기존 모델의 여러 조직에 대한 병렬 예측에서 나아가, 특정 세포 유형이나 상태를 지정해 DNA 변이의 효과를 예측하도록 설계를 바꿨다. 비상업 연구용 API 제공과 상업 연구 비공개 미리보기도 발표했다.[1] [1]

공식 발표문에는 날짜만 있다. 별도 해설인 CellCog는 발표 시각을 11월 11일 15:00 UTC로 기재했으며, 이를 한국시간으로 환산하면 11월 12일 0시다. 따라서 공식 발표일과 한국 독자가 접하는 날짜를 구분해야 한다. 시각은 공식 원문에서 확인한 정보가 아니라 해설의 기재라는 점도 남겨둔다.[2] [2]

조직 전체에서 특정 세포로 초점을 좁혔다

이전 알파지놈은 약 100만 글자의 DNA 서열을 받아 여러 조직과 세포주의 출력을 동시에 만들었다. 새 모델은 같은 길이의 서열에 조직·세포 유형·세포 상태 중 하나의 조건을 함께 넣는다. 예측 대상을 입력 단계에서 지정한다는 것이 이번 변경의 핵심이다.[1] [1]

딥마인드가 설명한 배경은 세포마다 유전자를 켜고 끄는 방식이 다르다는 점이다. 조직을 넓게 묶어 보면 가까운 세포 유형 사이의 차이를 포착하기 어렵다는 것이다. 여기서 유전자 발현은 유전자의 정보가 실제 활동으로 나타나는 정도를 뜻하며, 새 설계는 그 차이를 조건별로 예측하려는 접근이다.[1] [1]

CIN의 해석으로는 연구 질문도 더 구체적이어야 한다. 어떤 변이가 중요한지를 묻는 데서 그치지 않고, 어느 세포의 어떤 상태에서 중요한지를 정해야 모델 변경의 의미를 살릴 수 있다. 세포 조건을 잘못 골랐다면 정교한 출력이 나와도 연구자가 확인하려던 질문과 어긋날 수 있다는 뜻이다.

30%와 16%는 무엇을 비교한 숫자인가

발표문은 28개 주요 면역세포 유형을 담은 TenK10K 데이터셋에서 인과 변이 식별 비율이 새 모델 30%, 비교 모델 16%였다고 밝혔다. 비교 대상은 단일세포 자료로 추가 학습한 기존 알파지놈이다. 아무런 추가 학습을 하지 않은 구형 모델과의 대비로 바꾸어 읽으면 안 된다.[1] [1]

이 수치는 해당 시험에서 원인이 되는 변이를 얼마나 찾아냈는지를 보여주는 지표다. 환자 100명 중 30명을 진단했다는 뜻도, 모든 예측의 30%가 맞는다는 뜻도 아니다. 개선의 크기와 적용 범위는 별개다. 면역세포에서 나온 결과만으로 다른 조직에서도 같은 개선 폭이 나온다고 결론낼 수 없다.[1] [1]

CellCog 역시 이 숫자가 개발사의 결과임을 명시하고, 논문을 읽거나 외부 시험을 찾아 검증하지 않았다고 밝혔다. 따라서 두 페이지에 같은 수치가 등장하는 것은 독립적인 성능 재현이 아니다. 이 해설은 발표 시각과 자료의 한계를 확인하는 보조 자료로 쓰되, 기술 성능의 근거는 딥마인드 발표와 구분해 읽어야 한다.[2] [2]

장 면역세포 사례가 보여준 새 예측의 쓰임

딥마인드가 제시한 실제 사례는 장의 면역세포인 대식세포와 ETS2 유전자에 관한 것이다. 앞선 연구에서 알려진 질환 관련 변이에 대해, 알파지놈 2는 해당 변이가 장 대식세포에서 ETS2의 활동을 선택적으로 높이는 결과를 계산으로 재현했다고 설명했다. 다른 세포와 유전자는 대체로 영향을 받지 않는다는 예측도 포함됐다.[1] [1]

이 사례의 의미는 변이 이름 하나를 맞힌 데만 있지 않다. 어떤 유전자와 세포를 함께 살펴야 하는지 연결했다는 데 있다. CIN은 이를 후속 실험의 범위를 정하는 데 유용할 수 있는 결과로 본다. 다만 이미 알려진 결과를 계산으로 재현한 사례이지, 새로운 치료법의 효과나 환자에게 사용할 검사법을 입증한 발표는 아니다.

연구비 관점에서도 구별이 필요하다. 후보를 좁힐 가능성과 실제로 실험비를 절약했다는 성과는 서로 다른 단계다. 연구기관이 도입 효과를 평가하려면 예측으로 제외한 후보가 타당했는지, 추가 확인에 드는 비용은 얼마인지까지 따져야 한다. 이번 사례만으로 투자 회수기간이나 비용 절감률을 계산할 수는 없다.

연구기관과 기업의 접근 조건은 다르다

발표 당시 비상업 연구에는 API, 즉 프로그램에서 모델을 호출하는 접속 방식을 제공한다. 반면 상업 연구는 비공개 미리보기다. 국내 대학 연구실과 바이오 기업이 같은 방식으로 곧바로 이용할 수 있다고 가정해서는 안 된다. 이용 목적에 따라 접근 경로를 먼저 구분해야 한다.[1] [1]

한국의 연구팀이 검토할 실무 질문은 자기 과제와 맞는 세포 조건을 지정할 수 있는지다. 기업이라면 연구 목적의 적합성뿐 아니라 상업 접근 자격과 계약 조건도 확인해야 한다. 이는 CIN의 도입 판단 기준이며, 국내 기관의 실제 채택이나 성과가 확인됐다는 뜻은 아니다. 발표를 국내 바이오 산업의 매출 증가로 곧바로 연결할 근거도 없다.

CellCog는 가격·API 한도·상업 접근 확대 시점을 미확인 항목으로 남겼다. 해당 해설 자체도 AI 서비스를 판매하는 회사가 자사 AI로 작성했다고 공개한다. 이런 자료의 성격을 고려하면 비용과 일정은 해설의 기대나 추측이 아니라 실제 이용 안내와 계약에서 확인하는 편이 적절하다.[2] [2]

진단 도구와 구분하고 확인할 항목

딥마인드는 알파지놈과 알파지놈 2가 연구 전용이며 임상·진단 목적으로 검증되거나 승인되지 않았다고 명시했다. 연구용 접근 허용은 의료적 사용 승인과 다르다. 따라서 이 발표를 개인 유전자 검사 결과의 확정적 해석이나 치료 선택의 근거로 바꾸어 소개해서는 안 된다.[1] [1]

도입을 검토하는 독자는 원문과 자기 과제를 나란히 놓고 확인할 필요가 있다. 관심 있는 세포가 시험 대상과 얼마나 다른지, 비교 모델에 어떤 추가 학습이 적용됐는지, 예측을 확인할 후속 실험이 무엇인지가 우선이다. 여기에 비상업·상업 구분과 실제 사용 비용을 더해야, 성능 발표를 자기 연구의 실행 계획으로 옮길 수 있다.

이 글에서 생긴 질문을 다른 관점으로 이어 읽어보세요.

CONNECTED NOTES

SOURCES & FURTHER READING

참고한 자료, 더 읽을 거리

글의 근거와 더 자세한 배경은 아래 원문에서 이어 읽을 수 있습니다.

01
Google DeepMind

AlphaGenome 2: Deciphering how cells read DNA to better understand disease

↗
02
CellCog

AlphaGenome 2: What DeepMind's New DNA Model Does

↗
CIN

흩어진 소식을 연결하고,
일상의 질문에서 경제를 이해합니다.

블로그 소개 ↗