연구실에서 DNA 염기서열을 분석할 때 발생하는 미세한 오류는 질병의 원인을 찾는 데 큰 걸림돌이 된다. 최근 유전체 분석 현장에서는 이러한 데이터의 정확도를 높이기 위해 인공지능을 활용하는 사례가 늘고 있다. 이번 주 공개된 AlphaEvolve(복잡한 코딩 문제를 스스로 해결하고 최적화하는 AI 에이전트)는 바로 이 데이터의 정밀도를 높이는 데 집중했다.

DeepConsensus 모델의 30% 성능 개선 사례

Google은 자사의 Gemini(Google의 거대 언어 모델)를 기반으로 설계된 AlphaEvolve를 통해 DeepConsensus(DNA 염기서열 분석 과정에서 발생하는 오류를 수정하는 모델)의 성능을 대폭 끌어올렸다. 실제 적용 결과, 유전체 변이 탐지 과정에서 발생하는 오류율을 30% 낮추는 성과를 거뒀다. 이 기술은 유전체 분석 장비 제조사인 PacBio(유전체 염기서열 분석 기술을 제공하는 기업)의 연구 현장에 도입되어 유전 데이터 분석의 정확도를 높이고 비용을 절감하는 데 기여하고 있다. 연구진은 이를 통해 기존 방식으로는 발견하기 어려웠던 질병 유발 돌연변이를 찾아낼 가능성이 커졌다고 평가한다.

기존 수동 최적화 방식과의 차이점

예전에는 연구자가 직접 알고리즘의 매개변수를 조정하거나 코드를 수정하며 모델의 정확도를 높여야 했다. 이제는 AlphaEvolve가 스스로 코드를 작성하고 수정하며 최적의 결과값을 찾아내는 방식으로 전환되었다. 사람이 수개월에 걸쳐 수행하던 반복적인 코드 최적화 작업을 AI가 짧은 시간 안에 처리함으로써, 연구의 효율성이 비약적으로 상승했다. 이는 단순히 속도만 빨라진 것이 아니라, 인간이 놓치기 쉬운 복잡한 데이터 패턴까지 AI가 직접 분석하여 수정안을 제시한다는 점에서 차이가 있다.

결과적으로 AlphaEvolve는 코딩이라는 도구를 통해 과학적 난제를 해결하는 AI 에이전트의 실질적인 활용 범위를 유전체학이라는 전문 영역까지 확장했다.