2026년 9월 8일, 구글 딥마인드(Google DeepMind)가 1페타바이트(PB) 규모의 거대한 데이터베이스를 공개했다. ‘알파게놈 아틀라스(AlphaGenome Atlas)‘로 명명된 이 데이터베이스에는 인간 유전체에서 발생할 수 있는 90억 개의 단일 염기 변이가 모두 정리되어 있으며, 각 변이가 초래할 조절 영향에 대한 예측 점수가 부여되어 있다. 공식 발표에서는 이를 “역사상 가장 포괄적인 유전자 변이 카탈로그”라고 선언했다. 프로그래밍 경험이 전혀 없는 임상의라 하더라도 마우스 클릭 몇 번만으로 특정 DNA 염기 치환이 어떤 결과를 초래하는지 즉시 조회할 수 있게 된 것이다. 하지만 이러한 거대한 공학적 성과 앞에서도 해커뉴스(Hacker News)의 머신러닝 실무자들과 유전체학 연구자들은 뜻밖에도 차가운 불신을 표명하고 있다.
무차별 대입으로 유전체 98% 암흑물질의 공백을 메우다
이 대형 데이터베이스가 담고 있는 내용을 이해하려면 생명과학의 기본 코드로 되돌아가야 한다. 인간 유전체는 약 30억 쌍의 염기가 순서대로 배열된 거대한 설명서와 같다. 지난 수십 년 동안 과학자들은 가장 눈에 띄는 2%의 단백질 코딩 영역(엑솜)에 연구를 집중해 왔다. 이 2%의 문자들은 세포가 필요한 단백질을 합성하도록 직접 지시하는 명확한 레시피 역할을 한다.
나머지 98%는 과거에 ‘정크 DNA’로 성급하게 치부되기도 했으나, 오늘날에는 유전자 발현을 정밀하게 제어하는 비코딩 영역으로 학계에서 인정받고 있다. 이 영역들은 고도로 복잡한 스위치 역할을 수행하여 특정 유전자가 언제, 어느 장기에서, 어느 정도의 양으로 발현될지를 결정한다. 이러한 유전체 암흑물질에서는 단 하나의 문자 오타만 발생해도 조절 네트워크 전체가 무너져 희귀 질환이나 암으로 이어질 수 있다.
하지만 30억 개의 문자 속에서 단 하나의 오타가 가져올 결과를 예측하는 것은 사막에서 바늘을 찾는 일이나 다름없다. 유전체학에서 이러한 단일 문자 치환을 ‘단일 염기 변이(SNV)‘라고 부른다. 각 위치는 다른 3개의 염기로 바뀔 수 있으므로 전체 조합의 수는 90억 개에 달한다. 딥마인드는 이에 대해 무차별 연산이라는 과감한 방식을 택했다. 이 90억 개의 변이를 알파게놈 모델에 하나씩 입력하여 모든 예측 결과를 계산한 뒤, 이를 1PB 용량의 데이터셋으로 압축해 저장한 것이다. 막대한 연산 자원을 사전에 대용량 스토리지로 치환함으로써, 최첨단 유전체 추론을 단순한 데이터베이스 검색으로 전환시켰다.
그림: AlphaGenome Atlas 공식 시각 이미지: 마젠타와 보라색 DNA 데이터 컬럼 배열. 출처: Google 공식 블로그
임상의가 모델 연산 결과를 기다릴 필요가 없다
아틀라스가 등장하기 전까지 유전체 AI를 의료 현장에 적용하는 데는 막대한 마찰이 따랐다. 병원에서 환자의 비코딩 영역에서 미지의 유전자 변이를 발견하더라도 임상의로서는 손을 쓸 방법이 없었다. 임상의가 직접 GPU 연산 환경을 구축할 수도 없고, 딥러닝 모델을 구동하기 위한 파이썬 스크립트를 작성할 역량도 없기 때문이다.
추론 과정을 미리 연산하여 조회용 데이터베이스로 배포한 것은 AI 성과의 전달 방식을 완전히 뒤바꿔 놓았다. 진료 현장의 의사들이 바로 활용할 수 있도록 딥마인드는 ‘AVI(AlphaGenome Variant Impact)’ 점수 체계를 설계했다. 이 점수는 모델이 출력하는 수백 개의 복잡한 텐서 차원과 예측값을 직관적인 단일 점수로 통합한 것이다. 연구자들은 모호한 텐서와 씨름하거나 방대한 데이터 속에서 일일이 수작업으로 필터링할 필요가 없어졌다.
브로드 연구소(Broad Institute)의 로라 코빌(Laura Covill) 팀은 이를 실제 임상에 적용한 뛰어난 사례를 보여주었다. 이 팀은 원인이 밝혀지지 않은 희귀 유전 질환 연구에 매진해 왔다. 희귀 질환 환자는 수천 개의 미세한 변이를 지니고 있어 기존의 선별 작업은 손으로 양파 껍질을 벗기듯 오랜 시간이 걸리고 방향을 잃기 쉬웠다. 아틀라스를 도입한 뒤 연구팀은 AVI 점수를 활용해 변이들의 우선순위를 즉시 정렬했다. 그 결과 DNM1 유전자에서 높은 점수를 기록한 병원성 후보 변이를 신속하게 포착해 냈다. AI 모델 예측에 따르면 이 특정 염기 치환은 잘못된 스플라이싱 부위를 생성하여 정상적인 단백질 생성을 방해하는 것으로 나타났다. 이 데이터베이스 조회 결과는 환자의 최종 확진을 이끌어낸 결정적 근거가 되었다. AI의 예측 능력이 정형 데이터 레코드로 패키징되면서, 연구실의 실험적 도구에서 실질적인 의료 인프라로 도약한 것이다.
연산 능력을 통계적 규모로 전환하여 19개 유전자 영역 특정
미리 연산해 대형 표로 구축한 이점은 개별 환자의 진단 속도를 높이는 것에 그치지 않는다. 대규모 집단 유전학 연구를 짓누르던 연산 자원의 족쇄를 풀어주었다는 점에서 더욱 큰 의미를 지닌다. 수만 명의 대규모 코호트를 대상으로 연관성 분석을 수행할 때, 모든 사람의 모든 변이에 대해 신경망을 실시간으로 가동하는 비용은 그 어떤 연구 기관도 감당하기 어렵다.
가레스 호크스(Gareth Hawkes) 박사 연구팀은 이 1PB 데이터셋을 영리하게 활용했다. 연구팀은 영국 바이오뱅크(UK Biobank) 참여자 5만 4,000여 명의 유전 데이터를 분석하면서 기존의 변이별 서열 정렬 방식에 머무르지 않았다. 대신 아틀라스를 이용해 사전 예측된 분자 효과에 따라 이들의 변이를 새롭게 그룹화하고 군집화했다.
무거운 AI 모델을 반복해서 불러올 필요 없이 이미 구축된 데이터베이스를 집계하는 것만으로, 연구팀은 비코딩 영역에서 기존보다 22% 더 많은 유전적 연관성을 발견했다. 배경 노이즈를 걸러내고 영향력이 가장 큰 상위 1% 변이에 연산 자원을 집중함으로써, 체질량지수(BMI)와 강한 상관관계를 보이는 19개 유전자 영역을 특정할 수 있었다. 수개월이 걸렸을 슈퍼컴퓨터 연산이 몇 번의 SQL 쿼리로 대체된 것이다.
그림: AlphaGenome Atlas 개요 배너. 출처: Google DeepMind 블로그
규모가 만든 충격 뒤에서 해커뉴스가 들춰낸 블랙박스
구글이 제시한 화려한 임상 사례와 1PB라는 거대한 데이터의 후광 속에서, 알파게놈 아틀라스는 기술 경쟁의 종지부를 찍은 것처럼 보였다. 그러나 개발자 커뮤니티인 해커뉴스의 토론장을 열어보면 사뭇 다른 분위기가 펼쳐진다. 465점의 추천과 111개가 넘는 댓글이 달린 인기 게시물에서 머신러닝 엔지니어와 생물정보학 실무자들은 놀라울 정도로 일치된 반응을 보였다. 바로 구글의 발표를 곧이곧대로 받아들이지 않는다는 점이다.
핵심 쟁점은 AI 모델 자체의 본질적인 역량에 있었다. 현장 전문가들은 알파게놈 모델의 예측 정확도가 기존 오픈소스 기준 모델인 ‘보르조이(Borzoi, Calico 등 개발)‘와 비교해 실질적인 향상을 거의 이루어내지 못했다고 지적했다. 대다수 연구자들은 미미한 성능 개선에 불과한 모델에 구글을 상징하는 ‘알파(Alpha)’ 접두사를 붙인 것은 학술적 도약이라기보다는 대중적 관심을 끌기 위한 마케팅 수사에 가깝다고 비판했다.
특히 구글 출신 연구원의 댓글은 빅테크 연구소의 이면을 날카롭게 드러냈다. 최고의 연구팀 내부에서는 끊임없이 획기적인 돌파구를 발표해야 한다는 극심한 압박이 존재한다. 알고리즘 차원의 실질적 개선이 한계에 부딪혔을 때, 연구팀은 결과물의 포장에 집중하게 된다. 기초 알고리즘으로 충분한 설득력을 제공하지 못하자, 1PB의 방대한 데이터와 90억 회의 예측치를 전면에 내세워 공학적 물량 공세로 정체를 가리려 했다는 지적이다.
| 논쟁 차원 | 구글 공식 홍보 논리 | 해커뉴스 커뮤니티 비판 시각 |
|---|---|---|
| 기술적 돌파구 | ”가장 포괄적인 돌연변이 목록”, 예측 유전체학의 이정표 | 오픈소스 모델 Borzoi 대비 개선 폭 미미, ‘Alpha’ 명칭은 마케팅용 포장 |
| 제품 구현 형태 | 1PB 대형 데이터베이스로 비전문가의 진입장벽을 획기적으로 낮춤 | 평범한 모델의 추론 결과를 캐시로 패키징, 공학적 물량 공세로 알고리즘 정체 은폐 |
| 신뢰성 검증 | 표준화된 AVI 점수를 제공하여 신뢰할 수 있는 의료 인프라 구축 | 조회 방식 때문에 사용자가 추측을 사실로 오인, 블랙박스 모델에 대한 검증을 회피 |
캐시 데이터베이스가 신뢰성 검증을 우회하고 AI 환각을 고착화하다
이번 사태에서 가장 심각한 구조적 위험은 사용자와 AI 사이의 상호작용 방식이 변질된다는 점에 있다. 해커뉴스 토론에서 많은 공감을 얻은 핵심 문장은 “어떤 모델이든 데이터베이스로 표현될 수 있다”는 통찰이었다.
90억 건의 예측을 미리 계산해 데이터베이스에 넣어두는 것은 표면적으로는 활용 장벽을 낮춘 것처럼 보인다. 그러나 인식론적 차원에서 이는 연구자와 AI의 관계를 교묘하게 왜곡한다. 연구자가 로컬 환경에서 직접 모델을 구동할 때는 도출된 결과가 어디까지나 확률적 추론이자 가설에 불과하다는 점을 명확히 인지한다. 따라서 경계심을 늦추지 않고 교차 검증을 거치게 된다.
그러나 이러한 추론 결과가 구글 딥마인드의 공신력을 업은 완제품 데이터베이스로 포장되는 순간, 연구자의 심리적 방어선은 무너진다. 검색창에 변이 좌표를 입력하고 화면에 깔끔하게 출력되는 AVI 점수를 보는 순간, 임상의는 이를 객관적 사실로 무의식중에 받아들이게 된다. 그 이면에 정확도가 제대로 입증되지 않은 블랙박스 모델의 불완전한 추측이 자리 잡고 있다는 사실을 잊어버리는 것이다.
모델의 출력을 정적 캐시로 변환하는 방식은 생명과학 분야의 AI 모델이 거쳐야 할 엄격한 학술적 검증 절차를 교묘하게 우회한다. 1PB라는 거대한 규모는 그 자체로 반론을 제기하기 어려운 권위를 뿜어낸다. 사용자들은 검색의 효율성에 매료되어 기저 모델에 내재된 편향과 오류를 간과하게 된다. AI의 예측치를 데이터베이스 레코드로 고착화하는 것은, 모델의 불안정성과 환각을 의료 인프라 속에 영구적으로 용접해 버리는 것과 다름없다. 거대한 디지털 데이터 미로는 오히려 거짓된 확신을 키워내는 배양기가 될 수 있다.
아틀라스를 둘러싼 논란은 인공지능 기술이 특정 발전 단계에 도달했을 때 마주하는 모순을 보여준다. 복잡한 AI 추론을 누구나 즉시 활용할 수 있는 서비스로 전환하여 임상 현장의 오랜 대기 시간을 덜어준 것은 분명한 진전이다. 하지만 1PB 데이터의 무게감으로 알고리즘 자체의 품질을 대체하려는 지름길은 위험성을 내포하고 있다. 규모는 권위를 만들어낼 수 있다. 그러나 오차를 결코 허용하지 않는 생명과학 분야에서, 90억 건의 신경망 추측이 반박할 수 없는 진리 표로 둔갑할 때 기술의 진정한 위험성이 비로소 드러나는 법이다.
참고 링크:
- Google 공식 블로그
- Google DeepMind 블로그
- HN 토론 (item?id=49611251)
