구글. (로이터)
구글 딥마인드는 11일(현지시간) 차세대 DNA 분석 모델 ‘알파게놈 2(AlphaGenome 2)’를 발표했다. 지난해 선보인 첫 모델이 여러 조직에서 나타나는 유전자 활동을 분석했다면, 새 모델은 개별 세포의 종류와 상태까지 구분해 DNA 변이의 영향을 예측한다.
우리 몸의 세포는 기본적으로 같은 유전정보를 가지고 있지만 실제로 사용하는 유전자는 서로 다르다. 예를 들어 같은 DNA 변이라도 면역세포에는 영향을 주면서 심장세포에는 별다른 영향을 주지 않을 수 있다. 따라서 어떤 변이가 질병과 연관됐다는 사실만으로는 실제 발병 원인을 파악하기 어렵다.
알파게놈 2는 이러한 문제를 해결하기 위해 DNA 서열과 분석하려는 세포의 종류를 함께 입력받는다. 약 100만 개의 DNA 염기 정보를 분석하면서 특정 세포에서 어떤 유전자가 활발하게 작동하고, 어떤 유전자의 활동이 줄어드는지 예측한다.
이를 위해 구글은 인간과 생쥐의 연구 데이터를 활용하고, 인체 68개 조직에서 확보한 1억700만 개 이상의 개별 세포 유전자 활동 정보를 학습시켰다.
◇질병 관련 DNA 변이 식별 능력 2배 가까이 향상
실제 연구 데이터를 활용한 성능 평가에서도 개선 효과가 나타났다. 구글은 28종의 면역세포에서 DNA 변이가 유전자 활동에 어떤 영향을 미치는지 분석한 대규모 연구자료 ‘TenK10K’를 이용해 기존 모델과 성능을 비교했다.
평가 결과, 원인일 가능성이 높은 변이를 높은 신뢰도로 찾아낸 비율은 기존 모델의 16%에서 30%로 증가했다. 변이가 유전자의 활동을 늘리는지 줄이는지 맞힌 비율도 같은 평가 조건에서 23%에서 43%로 높아졌다. 다만 이는 모든 질병을 진단하는 정확도가 아니라, 엄격한 판별 기준을 충족하면서 찾아낼 수 있는 변이의 비율을 비교한 수치다.
이미 원인이 밝혀진 질병을 대상으로 한 검증에서도 성과를 냈다. 앞선 의학 연구에서는 장 속의 대식세포에서 특정 DNA 변이가 ‘ETS2’ 유전자를 지나치게 활성화해 염증성 장질환과 연결된다는 사실이 밝혀졌다.
대식세포는 세균이나 손상된 세포 등을 제거하는 면역세포다. ETS2는 이러한 세포에서 염증 반응과 관련된 유전자 활동을 조절하는 데 관여한다.
알파게놈 2는 실제 환자를 새로 검사하지 않고도 기존 연구 결과를 컴퓨터 분석으로 재현했다. 문제가 되는 DNA 변이를 찾아내고, 이 변이가 다른 세포보다 장 속 대식세포에서 ETS2 유전자의 활동을 크게 높인다는 점까지 예측했다.
◇새로운 세포도 재학습 없이 분석…백신 반응까지 예측
알파게놈 2의 또 다른 특징은 기존에 학습하지 않은 세포 상태도 분석할 수 있다는 점이다. 연구자가 새롭게 확보한 세포의 유전자 활동 정보를 입력하면 AI를 다시 학습시키지 않고도 DNA 변이의 영향을 예측할 수 있다.
실제로 코로나19 mRNA 백신 접종 이후 수집된 면역세포 데이터를 분석한 결과, 백신에 반응해 활성화된 T세포와 평소 활동이 적은 T세포를 구분했다. 특히 중증 코로나19와 관련된 DNA 변이가 활성화된 면역세포에서 유전자 활동에 더 큰 영향을 줄 수 있다는 점도 예측했다.
기존에는 직접 실험해야 확인할 수 있었던 일부 세포 특성도 AI가 추정할 수 있다. 대표적으로 DNA 메틸화는 DNA에 화학적 표지가 붙어 유전자의 활동을 조절하는 현상이다. 염색질 접근성은 DNA가 얼마나 느슨하게 풀려 있어 세포가 유전정보를 읽기 쉬운 상태인지를 나타낸다.
알파게놈 2는 이런 정보들을 예측해 어떤 유전자가 왜 활발하게 작동하는지 연구자들이 이해하도록 돕는다. 유전자에서 멀리 떨어진 DNA 부위가 특정 유전자의 활동을 조절하는 관계도 분석할 수 있다.
구글은 이 기술이 제2형 당뇨병처럼 여러 유전적 요인이 관여하는 질환 연구에도 활용될 것으로 기대하고 있다. 알파게놈 2는 현재 비상업적 연구자에게 API 형태로 제공되며, 상업적 연구에는 제한적인 사전 체험 방식으로 지원된다. 다만 아직 환자의 질병을 진단하거나 치료하는 임상 용도로 검증·승인된 기술은 아니다.
인간 세포 지도 컨소시엄 공동 창립자인 세라 타이히만 케임브리지대 교수는 “알파게놈 2의 가장 놀라운 점은 별도의 재학습 없이도 새로운 단일 세포 데이터에 직접 적응한다는 것”이라며 “소량의 세포 샘플만으로도 새롭게 분석된 세포 상태에서 DNA 변이가 어떻게 작용하는지 예측할 수 있다”고 밝혔다.
