Google DeepMind는 유전적 변이가 분자 과정에 어떤 영향을 미칠 수 있는지 연구자들이 이해하도록 돕는 것을 목표로 하는 데이터베이스 AlphaGenome Atlas의 출시를 발표했다. 이 데이터베이스는 인간 게놈에서 가능한 모든 단일 뉴클레오타이드 변이, 즉 DNA 서열의 한 글자가 바뀌는 약 90억 개의 변이를 다룬다.
Atlas는 Google DeepMind가 이러한 변이의 예상 조절 영향을 사전에 계산하는 데 사용한 인공지능 모델 AlphaGenome을 기반으로 한다. 그 결과 데이터 저장소의 규모는 1페타바이트에 달했다. 연구자가 이 결과를 각각 따로 분석할 필요 없이, 이 데이터베이스는 프로그래밍 기술이 필요 없는 웹 포털을 통해 해당 정보에 신속하게 검색할 수 있는 기능을 제공한다.
변이 순위를 매기는 통합 지표
이 플랫폼은 AlphaGenome Variant Impact(AVI) 점수를 제공한다. 이는 단백질을 암호화하는 영역과 비암호화 영역에서 예측된 영향을 하나의 값으로 통합한 것이다. Google DeepMind는 이 지표가 연구자들이 수천 개의 데이터 지점을 개별적으로 조사하는 대신 가장 유망한 변이와 연구 경로를 식별하는 데 도움을 준다고 말한다.
이 도구가 중요한 이유는 과학자들이 단백질을 암호화하는 게놈의 약 2%에 대해서는 상대적으로 더 잘 이해하고 있지만, 나머지 98%에 대한 지식은 여전히 제한적이기 때문이다. AlphaGenome 모델은 앞서 비암호화 영역의 단일 변이가 단백질 생성과 같은 과정을 방해할 수 있음을 보여줬지만, Atlas는 가능한 변이에 대한 더욱 포괄적인 관점으로 이 분석을 확대하려 한다.
연구 활용 사례
Google DeepMind에 따르면 Broad Institute의 한 연구팀은 원인이 아직 밝혀지지 않은 희귀 유전 질환 연구와 관련된 변이의 순위를 매기는 데 AVI 점수를 사용했다. 이 도구는 DNM1 유전자에서 중요한 변이를 부각했으며, 해당 변이가 스플라이싱 과정에 잘못된 부위를 생성할 것으로 예측했다. 이는 사례 해결에 기여한 보조 증거를 제공했다.
또 다른 사례에서 Gareth Hawkes는 UK Biobank의 5만 4천 명이 넘는 참가자 데이터를 활용해 복합 형질을 연구하는 데 이 도구를 적용했다. 예상되는 분자적 영향에 따라 변이를 그룹화함으로써, 비암호화 유전적 연관성이 22% 더 많이 발견된 것으로 보고됐다. 또한 영향력이 높은 상위 1%의 변이에 집중한 결과 체질량지수와 관련된 19개의 유전 영역을 식별해 후속 표적 연구 단계를 이끌 수 있었다.
실질적으로 무엇이 달라지는가?
AlphaGenome Atlas는 각 변이의 잠재적 영향을 계산하는 단계에서 질의, 순위 지정 및 비교 단계로 작업의 일부를 옮긴다. 이는 희귀 질환과 복합 형질 연구에서 후보를 선정하는 데 필요한 시간을 줄일 수 있지만, 예측을 그 자체로 인과관계의 증명이나 임상 진단으로 바꾸지는 않는다. 또한 이번 발표는 모델 성능의 세부 사항, 독립적인 검증 방법론, 데이터 다운로드 및 프로그래밍 방식의 접근 조건을 명확히 밝히지 않았다. 이러한 사항은 다양한 연구 프로젝트에서 플랫폼의 활용 가능성을 평가하기 전에 검토해야 한다.