Google DeepMind AlphaGenome Atlas

Google DeepMind는 인간 게놈에서 가능한 모든 단일 염기 변이(SNV)의 영향을 예측하는 포괄적인 데이터베이스인 AlphaGenome Atlas를 출시했습니다. AlphaGenome AI 모델을 사용해 90억 개의 유전적 변화에 대한 조절적 영향을 미리 계산함으로써 DeepMind는 비코딩 DNA(게놈의 98%를 차지함)의 돌연변이가 분자 과정에 미치는 영향을 식별하는 데 도움이 되는 1페타바이트 규모의 데이터셋을 만들었습니다.

AlphaGenome 변이 영향(AVI) 점수

이 거대한 데이터셋을 활용 가능하게 하기 위해 Atlas는 AlphaGenome 변이 영향(AVI) 점수를 도입했습니다. 이 단일 지표는 코딩 및 비코딩 영역에 대한 예측을 통합하여 과학자들이 수천 개의 개별 데이터 포인트를 수동으로 분석하지 않고도 높은 영향을 미치는 변이를 우선순위로 지정할 수 있게 합니다.

희귀 질환 및 복합 형질 연구 응용

AlphaGenome Atlas는 임상 및 대규모 인구 연구에서 유전체 발견을 가속화하는 데 사용되고 있습니다:

• 희귀 질환 진단: 브로드 연구소의 연구자들은 AVI 점수를 사용해 DNM1 유전자에서 중요한 변이를 식별했습니다. 모델은 해당 변이가 잘못된 스플라이싱 사이트를 생성한다고 예측하여, 이전까지 해결되지 않았던 희귀 질환 사례를 해결할 수 있는 증거를 제공했습니다.
• 복합 형질 연관성: 54,000명 이상의 UK Biobank 참가자에 대한 연구에서, Gareth Hawkes 박사는 Atlas를 사용해 예측된 분자적 영향에 따라 변이를 그룹화했습니다. 이 접근법은 비코딩 유전적 연관성을 22% 더 많이 발견했으며, 체중지수(BMI)와 관련된 19개의 유전적 영역을 식별했습니다.

접근성 및 배포

Atlas는 코딩 전문 지식이 없는 사용자를 위한 웹 포털을 통해 이용 가능하며, 임상 연구자와 생물학자들에게 접근성을 극대화하려는 목적이 있습니다. 포털은 기관 소속을 요구하지만, 사용자들은 "None"을 입력해도 도구에 접근할 수 있다고 보고했습니다.

기술적 비판 및 커뮤니티 논의

일부는 이 출시를 접근성 측면에서 중요한 도약으로 환영하지만, Hacker News의 과학 커뮤니티 구성원들은 모델의 타당성과 출시의 성격에 대해 여러 비판적인 지점을 제기했습니다.

예측 신뢰성과 데이터 제한

일부 전문가들은 현재 유전체 데이터가 정확한 변이 예측을 위해 충분한 맥락을 제공하는지에 대해 의문을 제기합니다. 한 기여자는 Katie Pollard의 발표를 인용하며, 인간의 유전적 다양성만으로는 부족하다고 주장하며, 의미 있는 진전을 위해 다른 종의 비교 데이터와 광범위한 실험적 돌연변이 연구가 필요하다고 지적했습니다.

또한 일부 사용자는 외부 연구를 인용해, AI 모델이 단순한 바이러스에서도 돌연변이의 영향을 예측하는 데 어려움을 겪는다고 지적했습니다. 한 댓글은 다음과 같이 언급했습니다:

"그 연구는 실제로 AlphaGenome Atlas가 소설에서 하는 일과 동일한 일을 수행했습니다... 다양한 전용 AI 모델들이 그 실험의 결과를 잘못 예측했습니다... 인간의 돌연변이에 대한 불확실성은 가장 단순한 바이러스의 경우보다 훨씬 큽니다."

모델 성능과 최첨단 기술 비교

유전체학 커뮤니티 내에서는 AlphaGenome가 기존 최첨단 모델보다 상당한 개선을 제공하지 않는다는 주장이 있으며, 특히 Borzoi 모델이 더 우수하거나 동등한 대안이라고 언급했습니다.

출시의 성격

기술 관찰자들은 Atlas가 새로운 생물학적 발견이나 새로운 모델 아키텍처가 아니라, 기존 AlphaGenome 모델의 예측 결과를 대량으로 사전 계산해 저장한 '캐시'에 불과하다고 지적했습니다. 주된 가치 제안은 연구자들이 자체적으로 모델을 실행할 자원이 부족한 경우 계산적 장벽을 줄여주는 데 있습니다.