유전체의 한 글자를 누르자 90억 개 가능성 중 하나가 열렸다, 예측은 실험보다 먼저 무엇을 말하나

연구자가 유전체 브라우저에서 염기 한 글자를 바꾸면 발현·스플라이싱·염색질 효과를 예측한 여러 막대가 한꺼번에 열린다. 90억 개 가능성 가운데 한 줄을 골라 보는 순간, 화면 옆 시험관은 계산이 답인지 확인할 차례를 기다린다.

Google DeepMind는 9월 8일 인간 유전체에서 가능한 약 90억 개 단일염기변이의 AlphaGenome 예측을 미리 계산한 AlphaGenome Atlas를 공개했다. 전체 규모는 약 1페타바이트이며 비영리 학술연구자는 포털에서 변이를 조회하고 여러 분자효과 예측과 이를 묶은 AlphaGenome Variant Impact, AVI 점수를 볼 수 있다.

단일염기변이는 DNA의 한 자리가 다른 글자로 바뀐 경우다. 이런 변화는 단백질을 만드는 부분뿐 아니라 유전자가 언제 얼마나 작동하는지 조절하는 넓은 비암호화 영역에도 있다. 아틀라스는 각 변화가 분자 수준에서 무엇을 건드릴 가능성이 큰지 순위를 매기지만, 90억 명을 관찰한 자료도 아니고 질병의 원인을 확정한 진단목록도 아니다.

2001년 인간 유전체 초안과 2003년 프로젝트 완성은 참조서열을 읽을 수 있게 했지만, 서로 다른 글자의 기능을 모두 설명하지는 못했다. 올해 1월 Nature에 실린 AlphaGenome 모델은 최대 100만 염기쌍 문맥을 한 번에 보고 인간의 유전자 발현·접근성·스플라이싱 등 5,930개 신호를 예측했다. 새 아틀라스는 그 모델을 가능한 한 글자 변화 전반에 미리 돌려 검색 가능한 목록으로 바꿨다.

변화는 계산이 실험 앞에 서는 순서다. 희귀질환이나 암 연구자는 후보 변이가 수천 개일 때 AVI 점수와 개별 신호를 보고 먼저 시험할 대상을 좁힐 수 있고, 별도 계산자원이 부족한 비영리 연구실도 같은 출발점에 접근할 수 있다. 그러나 여러 변이가 함께 작동하는 개인 유전체, 환경과 세포 종류, 집단별 차이는 한 점수로 끝나지 않는다.

DeepMind가 함께 낸 아틀라스 분석은 아직 사전논문이며 약 90억 예측을 실험으로 포괄 검증한 결과도 없다. 연구자는 시간을 아낄 수 있지만 잘못 높은 점수는 실험비를 다른 곳으로 돌릴 수 있고, 환자와 임상의는 연구용 예측이 진단처럼 유통될 위험을 떠안는다. 상업 이용 조건, 오류 수정, 버전 기록과 집단별 성능 공개도 다음 신뢰의 조건이다.

그래서 지금 달라진 점은 유전체 한 글자의 효과를 그때그때 계산하던 단계에서 가능한 변화 전체를 먼저 펼쳐 보고 실험 순서를 고르는 단계로 넘어갔다는 것이다. 저는 이 아틀라스의 가치를 답의 창고보다 검증할 질문의 순서를 더 투명하게 만드는 도구에서 찾아야 한다고 봅니다. 다음에는 사전논문의 동료평가, 독립 실험실의 재현, 집단별 오류와 버전 변경 기록을 확인해야 한다.