핵심 요약

  • AI로 환자별 유전체를 분석하면 암종의 공통점뿐 아니라 개별 종양의 특성에 맞춰 치료 후보를 찾을 수 있다. 실제 치료 결정은 담당 의사가 내린다.
  • 세포 데이터를 대규모로 모아도 특정 세포에 편중되면 생물학을 폭넓게 이해하기 어렵다. 필요한 실험을 골라 데이터를 만드는 접근이 제시됐다.
  • DNA를 학습한 Evo 2는 변이의 영향을 예측하고 새로운 서열을 생성한다. 성능에는 모델 크기뿐 아니라 학습 데이터의 구성이 크게 작용했다.
  • 소수의 예시로 DNA 설계를 유도하는 방식이 소개됐다. 여러 결과가 예측 단계에 있으며 특정 세포에서 작동하도록 설계한 조절 서열은 생쥐 뇌에서 실험했다.

환자 한 명을 위한 연구실

Y Combinator의 이번 Paper Club에서는 암 생물정보학, 가상 세포, 유전체 생성 모델을 연구하는 발표자들이 AI를 생물학에 활용하는 방법을 다뤘다. 쌓인 데이터를 어떻게 환자에게 필요한 분석과 검증할 만한 실험으로 바꾸느냐가 발표들의 공통 쟁점이었다.

첫 발표를 맡은 암 생물정보학 전공 창업자는 환자마다 개인화된 연구실을 구성하는 접근을 소개했다. 과거에는 암종별로 확보한 제한된 환자 표본에서 공통 변이를 찾는 일이 중심이었다. 그는 이제 한 환자의 약 2만 개 유전자와 유전자 복제 수, RNA 발현, 세포 상태 등을 함께 분석할 수 있다고 설명했다.

그는 여러 환자의 평균에서 한 환자의 종양으로 분석의 중심을 옮기는 것을 변화로 제시했다. 알고리즘, 전산 인프라, 유전체 해석 등 연구팀이 맡았던 업무를 AI 에이전트가 나눠 맡고 새 연구와 임상시험 정보도 환자 데이터에 연결한다는 구상이다.

그는 희귀 뇌종양 환자의 데이터를 다른 종양들과 비교했더니 발생 부위와 달리 간엽성 종양에 더 가까운 특성이 나타났다고 밝혔다. 연구팀은 활성화된 생물학적 경로와 세포 표면 표지 등을 바탕으로 치료 후보를 찾았다. 다른 환자에서는 과거 시료를 다시 분석해 종양의 변화를 추적했고 앞서 받은 세 차례 치료가 해당 종양의 특성과 맞지 않았다고 판단해 치료 방향을 조정했다고 했다.

분석 보고서가 곧 처방은 아니다. 그는 담당 의사가 최종적으로 치료를 결정하며 이미 존재하는 치료법을 고르는 일과 환자 한 명을 위한 새 치료의 임상시험을 설계하는 일은 별개라고 강조했다. 기존 치료의 알려진 안전성 정보를 활용하는 경우와 처음부터 새로운 물질을 만드는 경우도 구분했다.

연구를 병원에 연결하려면 현장의 절차도 바뀌어야 한다. 그는 환자 조직으로 작은 조직 모델인 오가노이드를 만들어 실험할 수 있지만 병원에서 조직을 고정액으로 처리하면 오가노이드를 만들 수 없다는 제약을 짚었다.

세포 5억 개를 모아도 남는 빈칸

가상 세포 연구와 자율 AI 연구를 다루는 두 번째 발표자는 데이터 규모만 늘리는 접근의 한계를 설명했다. 가상 세포는 AI로 세포의 상태와 반응을 모델링하고 더 나아가 조직이나 개체 수준의 변화를 예측하려는 연구다.

그는 분자를 설계하거나 특정 표적에 결합시키는 능력과 질병을 바꾸려면 어떤 표적을 건드려야 하는지 아는 능력 사이에 간극이 있다고 짚었다. 세포의 반응을 더 잘 예측해야 실제로 유용한 실험을 고를 수 있다.

연구팀은 약 3,500만 개 세포의 유전자 발현 데이터를 학습해 세포를 비교할 수 있는 모델을 만들었다. 유전자 발현은 각 유전자가 얼마나 활동하는지 파악하는 측정 방식이다. 일부 값을 가리고 예측하도록 학습하자 세포 종류를 직접 알려주지 않아도 알려진 생물학적 분류와 맞는 구조가 나타났다.

이후 에이전트를 약 한 달 동안 실행해 공개된 원시 데이터를 재처리하고 데이터 규모를 5억 개 이상의 세포로 확대했다. 하지만 상당수가 면역세포였고 그중에서도 T세포가 크게 과대표집돼 있었다. 표본 수의 증가가 생물학적 다양성의 증가를 보장하지 않았다.

그는 데이터를 먼저 최대한 모은 뒤 모델을 만드는 대신 기존 AI로 필요한 실험을 고르고 그 결과를 다시 학습에 반영하자고 제안했다. 데이터 생산량보다 풀려는 문제에 맞는 데이터를 얻는 과정이 중요하다고 봤다.

코딩 에이전트와 연구 에이전트의 차이

이 발표자는 자율 AI 연구 시스템을 분자 설계와 물성 예측에도 적용했다. 실험 후보를 찾고 평가하는 과정이 머신러닝 연구와 생물학 연구에서 닮아 있다는 생각에서 출발했다.

연구에서는 실험 비용이 크고 평가 결과에 잡음이 섞이며 탐색할 가설도 많다. 코드를 작성하는 능력 외에도 실험 비용을 고려해 아이디어를 정렬하고 오랫동안 목표를 유지하며 진척을 점검하는 장치가 필요하다.

그는 연구에 맞게 구성한 시스템이 일반 코딩 에이전트보다 계산 자원을 효율적으로 사용해 분자 결합 관련 예측과 생성 과제에서 더 좋은 결과를 냈다고 밝혔다. 비교 대상들은 같은 GPU를 제공받은 환경에서 작업했다. 그래프의 계산량은 모델을 학습하고 실험하는 데 쓴 GPU 시간이며 토큰 비용을 뜻하지 않았다.

이 결과는 컴퓨터 안에서 수행한 평가였고 실제 실험실 검증은 남아 있다. 그는 다음 단계로 이런 시스템을 물리적 실험실과 연결해 특정 과학적 질문에 필요한 데이터를 반복해서 만들겠다고 제시했다. 모델 가중치를 바꾸기 전에 에이전트의 도구와 작업 절차를 개선하는 것만으로도 얻을 수 있는 성과가 많다고 덧붙였다.

DNA 모델은 데이터 구성에 따라 달라진다

Evo 2 개발을 이끈 연구자는 DNA의 다음 염기를 예측하는 학습에서 어떤 능력이 나오는지 설명했다. Evo 2는 DNA를 입력받아 DNA를 생성하는 유전체 언어 모델이다.

연구팀은 공개 데이터를 그대로 모두 사용하지 않았다. 종마다 대표 유전체를 하나씩 고르고 지나치게 비슷한 서열을 제거해 9조 염기쌍 규모의 학습 데이터를 구성했다. 학습 초기에는 유전자와 RNA 등 진화 과정에서 보존된 영역에 비중을 두고 이후 문맥 길이를 최대 100만 염기쌍으로 늘렸다.

모델은 어떤 변이가 자연적인 DNA에서 나타나기 어려운지 계산할 수 있다. 연구자는 이 점수를 질병이나 기능 상실과 연관된 변이를 예측하는 데 쓰며 단백질을 만드는 영역뿐 아니라 RNA와 비암호화 영역에도 적용한다고 설명했다.

성능을 크게 가른 것은 데이터 배합이었다. 그가 소개한 평가에서는 전체 유전체의 임의 구간에서 절반을 뽑는 방식으로 바꾸자 예측과 실제 결과의 상관을 나타내는 지표가 0.16 낮아졌다. 그는 이 차이가 최상위권과 하위권을 가를 정도였다고 말했다.

한계도 있다. Evo 2에는 여러 생물학적 측정 자료가 포함돼 있지 않으며 사람 집단 안의 변이 정보도 충분히 담지 못했다. 연구자는 특히 사람에게 특화된 문제에서는 집단 데이터와 세포 데이터를 함께 활용할 필요가 있다고 설명했다.

몇 개의 예시로 생물학적 설계를 유도한다

마지막 발표를 맡은 생물학적 생성 모델 연구자는 Evo 2에 예시를 넣어 원하는 서열을 만드는 방법을 소개했다. 문맥 내 학습은 모델 가중치를 바꾸지 않고 입력에 제시한 사례에서 과제의 조건을 파악하는 방식이다.

기존에는 특정 설계 과제에 맞춰 수천~수만 개 사례로 모델을 추가 학습시키기도 했다. 하지만 생물학에서는 기능이 확인된 사례를 그만큼 확보하기 어려운 경우가 많다.

연구팀은 자연에서 알려진 사례가 14개뿐인 특정 희토류 결합 단백질 계열을 예시로 제시해 같은 계열일 것으로 예측되는 새 단백질을 생성했다. 또 네 개의 사례를 입력해 CRISPR-Cas9 시스템을 구성하는 서열을 생성했다. 파지, 즉 세균을 감염시키는 바이러스의 전체 유전체 설계에서도 원하는 유전자 배치를 가질 것으로 예측되는 결과를 얻었다.

실험실에서 검증한 대상은 특정 세포에서 단백질 발현을 유도하는 조절 서열인 인핸서였다. 연구팀은 생성된 서열이 어떤 세포에서 작동할지 예측하는 모델을 보상 기준으로 삼아 강화학습을 진행했다. 보상 점수만 부당하게 높이는 결과를 피하도록 DNA 서열의 다양성과 염기 조성에 관한 조건도 넣었다.

연구팀은 이렇게 추가 학습한 Evo 2에 소수의 예시를 제시해 새 인핸서를 만들었고 생쥐 뇌에서 목표한 세포 유형에 선택적으로 작동하는 결과를 확인했다고 밝혔다. 연구자는 자연 서열이나 기존 생성 모델의 결과를 예시로 삼고 유망한 설계를 실험한 뒤 그 결과로 다음 입력을 바꾸는 연구 방식을 제안했다.

이번 발표자들은 환자 데이터 분석부터 DNA 설계까지 AI 생물학 연구의 방향을 제시했다. 더 많이 생성하는 능력에 더해 무엇을 실험하고 그 결과를 다음 판단에 어떻게 반영할지 정하는 것이 공통 과제였다. 환자의 치료 결정, 컴퓨터 예측, 생쥐 실험은 각각 다른 단계에 있으며 발표자들은 그 단계들을 연결하는 연구 절차를 소개했다.