구글 딥마인드, 식물 유전자 변이 찾는 BOTANIC-1 공개…적중률 90%

작물 품종 개량의 가장 큰 난제는 유전자 변이의 '원인'을 짚어내는 일입니다. 멜론 덩굴의 꽃 구조를 바꿔 수확량을 크게 늘리는 결정적인 변이가 발생하더라도, 식물 DNA는 커다란 덩어리로 유전되기 때문에 무해한 변이 수천 개가 함께 묻어갑니다. 통계 분석만으로는 누가 원인이고 누가 무임승차자인지 가려낼 수 없어, 수년 동안 현장 교배와 온실 스크리닝을 반복해야 했습니다.

구글 딥마인드가 파리의 AI 바이오 연구소 리빙 모델스(Living Models)와 손잡고 선보인 'BOTANIC-1'은 이 병목을 해결하기 위한 식물 게놈 전문 모델입니다. 젬마 4(Gemma 4) 에이전트와 결합해, 수년이 걸리던 유전자 추적 과정을 단 몇 시간의 연산으로 줄였습니다.

진화의 규칙을 아는 모델과 AI 연구원

범용 대형 언어 모델에 날것의 DNA 염기서열을 직접 학습시키는 것은 비효율적입니다. 토큰화 효율이 떨어질뿐더러 코딩이나 논리적 추론 같은 고유 능력이 망가질 위험이 큽니다. 반대로 전문 게놈 모델은 일반 연구원이 다루기 까다롭습니다.

연구팀은 영리한 모듈형 구조를 택했습니다.

BOTANIC-1은 320종의 식물 게놈 염기서열을 사전 학습한 식물 특화 파운데이션 모델입니다. 수억 년의 진화 과정에서 식물 DNA의 어떤 영역이 보존되어 왔고, 어디가 바뀌었을 때 생물학적 기능이 변하는지를 꿰뚫고 있습니다.

그 앞에서 지휘봉을 잡는 것이 젬마 4 E4B입니다. 연구원의 자연어 요청을 받아 가설을 세우고, 터미널 분석 파이프라인을 작성하며, BOTANIC-1에 쿼리를 날리는 자율 생물정보학자 역할을 수행합니다. 특히 젬마 4는 Ollama를 통해 단 한 장의 엔비디아 L4 GPU에서 로컬로 구동되므로, 종자 자산의 유출 걱정 없이 저렴하게 연구를 돌릴 수 있습니다.

2,500개 후보 중 90% 확률로 1위 적중

연구진은 프랑스 국립농업식품환경연구소(INRAE)의 멜론 연구 사례로 실효성을 입증했습니다. 멜론의 CmEIN3 유전자 속 단 하나의 염기 교체가 암꽃을 양성화로 바꿔 수분 효율과 수확량을 비약적으로 높인 사례입니다.

기존 바이오인포매틱스 도구로는 염색체 내 후보군을 좁히는 데 그쳤지만, BOTANIC-1과 젬마 4 파이프라인은 약 2,500개의 후보 변이 위치를 분석한 뒤 실제 원인 변이를 90%의 성공률로 1위에 올려놓았습니다.

수년에 걸쳐 식물을 재배하고 크리스퍼(CRISPR) 검증을 거쳐야 했던 지난한 과정을 컴퓨터 연산 몇 시간으로 대체한 셈입니다.

왜 중요한가

우리는 거대 만능 모델 대신 '전문 지식 모델'과 '로컬 경량 에이전트'를 영리하게 분리한 아키텍처에 주목해야 한다고 봅니다. 복잡한 슈퍼컴퓨팅 인프라 없이 일반적인 상용 GPU 한 장으로 전문 AI 파이프라인을 구축했기 때문에, 자본이 부족한 농업 연구소나 종묘 기업도 즉시 도입을 검토할 만합니다.

농업 생명공학의 한계는 DNA를 읽는 비용이 아니라, 수만 개의 변이 목록에서 무엇을 건드려야 할지 모르는 분석의 지체에 있었습니다. 기후 변화에 맞선 내병성·다수확 작물 개발 속도를 획기적으로 끌어올릴 수 있는 도구입니다.

다만 이번 검증은 단일 염기 변이가 뚜렷한 표현형을 만들어내는 케이스에 집중되었습니다. 가뭄 저항성이나 복합적인 수확량 개선처럼 여러 유전자가 얽힌 복잡한 형질에서도 동일한 정확도를 낼 수 있을지는 향후 추가 현장 검증을 지켜볼 필요가 있습니다.