테오의 AI 워크스페이스

AI와 유전체 데이터 · AlphaGenome 활용 안녕하세요, 테라입니다. 지난 글 로 "AI와 함께하는 생명과학 연구" 시리즈를 마무리했습니다. 세 가지 AI 도구와 함께 AlphaGenome Atlas에 들어가, 변이 하나의 점수와 예측 그래프를 읽어 본 기록이었습니다. 그런데 글을 올리고 나서도 질문 하나가 남았습니다. "내 유전체 데이터를 주면, AI가 분석하고 AlphaGenome 정보까지 붙여서 결과를 만들어 줄 수 있을까?" 지난 시험에서 다룬 것은 공식 논문에 나온 변이 하나였습니다. 하지만 연구자의 책상에는 수백, 수천 개의 후보 변이가 담긴 파일이 있습니다. 그 파일을 AI에게 건네는 순간부터는 이야기가 달라집니다. 결론부터 말씀드리면, 가능한 구성은 있습니다. 다만 채팅창에 파일을 올리는 것으로 끝나지는 않습니다. AI가 파일을 읽고, 분석 도구를 실행하고, AlphaGenome에 접근하고, 결과를 다시 확인할 수 있게 저장하는 환경 이 필요합니다. 이번 글은 그 환경을 내 컴퓨터(로컬)와 Cloud로 나누어 정리했습니다. 제가 직접 구축해 본 체험담은 아닙니다. Google DeepMind와 Google Cloud의 공식 자료를 읽고, 무엇을 준비하면 어떻게 연결되는지 정리한 안내 문서입니다. "분석해 줘" 뒤에는 네 가지 역할이 있습니다 예를 들어 질환 관련 GWAS를 마쳤고, 관심 영역에 후보 변이 여러 개가 남았다고 해 보겠습니다. 이 변이들이 어떤 조직에서 유전자 발현이나 스플라이싱에 영향을 줄지 알고 싶습니다. 이 일을 AI에게 맡기면, 실제로는 서로 다른 네 가지 역할로 나뉘어 함께 진행됩니다. 역할 하는 일 유전체 분석 도구 데이터 품질 확인, 연관성 검정, 후보 추출 같은 정해진 계산 AlphaGenome·Atlas DNA 변이...

AI와 함께하는 생명과학 연구 · 7편 안녕하세요, 테라입니다. 지난 글 에서 Codex와 AlphaGenome Atlas에 들어가 후보 변이의 점수와 예측 그래프를 확인했었는데, 그 화면 위에 작은 버튼이 하나 있었습니다. “Try skill with Antigravity.” AlphaGenome을 만든 Google DeepMind와 같은 Google 계열의 도구라면 설명이나 접근 방식에 차이가 있을까요? 이번에는 Antigravity에 같은 흐름의 질문을 던졌습니다. AlphaGenome이 무엇인지, 어떤 연구에 쓸 수 있는지, 지금 환경에서 연결된 기능은 무엇인지, 그리고 어떻게 시작하면 좋을지 물었습니다. 설명은 자세했습니다. 중간에 나온 다이어그램도 이해를 도왔습니다. 그런데 실제 화면의 결과를 하나씩 읽어보니, 다시 확인해야 할 부분이 생겼습니다. 이번 글은 그 경험을 기록한 사용기입니다. 설명이 작업 순서로 이어졌습니다 조건은 앞선 시험과 같았습니다. API 키를 사용하지 않고, 새로 설치하거나 설정을 바꾸지 않는 범위에서 진행했습니다. TAL1을 공통 연구 맥락으로 삼되, 이전 도구의 변이나 수치를 정답으로 주지는 않았습니다. Antigravity는 AlphaGenome의 기능을 설명한 뒤, 웹 포털을 이용하는 방법과 API로 분석하는 방법을 나누어 안내했습니다. 지금 할 수 있는 작업과 추가 준비가 필요한 작업도 구분했습니다. 그 설명 중간에 다이어그램이 나왔습니다. 그림 1. Antigravity가 제시한 당시 안내 화면. 좌표 준비 → Atlas 링크 생성 → 확인한 결과의 해석이라는 순서가 눈에 들어왔습니다. 오른쪽에는 API·환경 준비가 필요한 작업을 배치했습니다. 이 그림은 작업 계획이며, 나열된 기능을 모두 실행해 확인한 결과는 아닙니다. 로컬 그림 생성의 조건도 데이터 확보 방식에 따라 달라집니다. 긴 설명을 읽다가 이런 그림을 만나면, 내가 어디에 있고 다음에 무엇을 해...

AI와 함께하는 생명과학 연구 · 6편 안녕하세요, 테라입니다. 지난 글 에서 Claude Science와 AlphaGenome을 처음 써 본 이야기를 했습니다. 설명과 출처, 실습용 계산까지는 나왔지만 끝에 빈칸이 남았습니다. Claude Science의 결과 워크시트에는 후보 변이 16개마다 Atlas 결과를 적을 칸이 네 개씩, 모두 64칸이 있었고, 그 칸은 하나도 채워지지 않았습니다. 이번에는 같은 질문을 OpenAI의 Codex에 던졌습니다. 미리 말씀드리면, 이번에는 Atlas 화면에 들어갔습니다. 후보 변이 하나의 점수를 확인했고, 그 변이가 두 종류의 세포에서 TAL1 발현 예측을 어떻게 바꾸는지 보여주는 그래프도 확인할 수 있었습니다. 64칸 중 몇 칸이 처음으로 채워진 셈입니다. 그런데 그 차이가 어디서 왔는지 따라가 보니, 도구가 더 똑똑해서라기보다 손에 쥔 수단이 달랐기 때문이었습니다. 그리고 숫자가 생기자, 그 숫자를 어디까지 읽어도 되는지가 새 질문이 됐습니다. (AlphaGenome과 Atlas의 기본 설명은 지난 글에 있습니다.) 같은 질문, 조금 다른 출발 질문의 흐름과 조건(API 키 미사용, 새 설치 없음)은 지난번과 같았습니다. 다른 점이 두 가지 있습니다. 하나는 사례를 미리 정했다는 것입니다. 지난번에는 Claude Science가 TAL1을 스스로 골랐습니다. 이번에는 세 도구를 같은 맥락에서 비교하려고 처음부터 TAL1을 공통 사례로 지정했습니다. 실제로 넣은 질문은 이랬습니다. "설명은 이해했습니다. 이제 TAL1 사례를 통해 AlphaGenome을 연구에 어떻게 활용하는지 배우고 싶어요. 처음 해보기에 적합한 연구 질문과 작업을 제안하고 함께 진행해 주세요. API 키는 사용하지 않을 거예요." 다른 하나는 Codex가 Claude Science의 시험 기록을 이미 읽은 채팅에서 진행했다는 것입니다. 그동안 Claude Science의 산...

AI와 함께하는 생명과학 연구 · 5편 안녕하세요, 테라입니다. 요즘 유전체 연구자들 사이에서 자주 들리는 이름이 있습니다. Google DeepMind의 AlphaGenome입니다. DNA 서열을 넣으면 그 서열이 유전자 발현 같은 기능에 어떤 영향을 줄지 예측하는 모델입니다. 9월에는 이 모델의 변이 영향 예측 점수가 Ensembl, UCSC 같은 유전체 데이터베이스에도 들어갔습니다. 저도 궁금했습니다. 이게 정확히 무엇이고, 나의 연구에는 어떻게 쓸 수 있을까? 그리고 하나가 더 궁금했습니다. 연구자가 이렇게 새로 관심이 생긴 대상을 알아볼 때, AI 연구 도구가 그 과정을 도와줄 수 있을까? 무엇인지 설명하고, 근거를 찾고, 실제로 써 보는 데까지. 그래서 지난 세 편 에서 써 본 세 회사의 연구 도구로 AlphaGenome을 알아보기로 했습니다. Anthropic의 Claude Science, OpenAI의 Codex, Google의 Antigravity에 같은 질문으로 시작해서, 각 도구가 어디까지 가는지 보려고 합니다. 오늘은 그 첫 번째, Claude Science 편입니다. 미리 말씀드리면 설명과 출처, 실습용 계산까지는 나왔지만, AlphaGenome의 실제 결과는 한 건도 얻지 못했습니다. 어디서 왜 멈췄는지가 이번 글의 중심입니다. AlphaGenome과 Atlas는 무엇인가 먼저 이름 두 개를 나눠야 합니다. AlphaGenome은 Google DeepMind가 만든 유전체 예측 모델입니다. DNA 서열을 넣으면 유전자 발현, 염색질 접근성(DNA가 얼마나 열려 있어 단백질이 붙을 수 있는지), 전사인자 결합, 스플라이싱 같은 현상을 예측합니다. DNA 한 글자가 바뀌었을 때 무엇이 달라질지 가설을 세우는 데 쓸 수 있습니다. 결과는 실험으로 측정한 값이 아니라 모델의 예측입니다. AlphaGenome Nature 논문 AlphaGenome Atlas는 이 모델이 미리 계산해 둔 결과를 ...