바이오보안은 AI 군비 경쟁이다 — Eric Nguyen의 생물학 방어 전략

URL: https://www.youtube.com/watch?v=B7DdNj_VjcU
원본 발행일: 2026-09-23
채널: Latent Space (latentspacepod)
출연: Eric Nguyen (Radical Numerics CEO·공동창업자), Brandon (Atomic AI), R.J. Honicky (Mirror Omics CTO·공동창업자)

---

📌 핵심 질문 / 핵심 논점

==DNA를 읽고 쓰는 생성형 AI가 설계 능력을 높이는 만큼, 같은 모델과 생물학적 기능 이해를 이용해 방어·감시·귀속·대응 능력을 동등한 속도로 높여야 한다.==

• 유전체 언어 모델(Genome Language Model, GLM)은 DNA를 자연어처럼 읽는 데서 나아가 새로운 DNA 서열을 생성하고, 단일 염기 변이의 질병 가능성까지 추정한다.
• Omni는 단순한 사전학습(pre-training) 모델을 과학자가 실제로 질문하고 답을 받는 모델로 바꾸기 위해 중간학습(mid-training)·후학습(post-training)·정렬(alignment)을 도입했다.
• 생성 모델과 방어 모델은 본질적으로 같은 DNA·RNA·단백질 표현을 공유하므로, 설계 연구실이 병원성 예측·탐지·귀속·대응도 함께 구축해야 한다.
• 완벽한 차단보다 현재의 문자열 대조(sequence matching) 중심 방어를 기능·구조·진화적 맥락을 이해하는 방어로 한 단계 끌어올리는 것이 현실적인 목표다.

생물학의 언어는 DNA라는 네 글자의 서열이지만, 그 서열은 조절 영역·단백질·RNA·세포 기능·질병·생태계의 맥락을 함께 암호화한다. 설계 쪽 AI가 자연계에 없던 기능을 가진 서열을 빠르게 만들면, 방어 쪽 AI는 표면적인 문자 배열이 달라도 같은 기능을 수행하는 서열을 찾아내고, 어디서 왔으며 어떤 부분이 위험한지 밝히고, 대응 물질을 설계해야 한다. 이 비대칭을 줄이는 일이 Radical Numerics의 이중 임무(dual mandate)다.

1. DNA를 읽고 쓰는 언어 모델의 출발점

1.1. 유전체 언어 모델이 다루는 새로운 언어

1. GLM의 정의

   1. DNA를 학습하는 대규모 언어 모델: 유전체 언어 모델(Genome Language Model, GLM)은 자연어 챗봇이 단어와 문장을 학습하듯 DNA를 구성하는 염기서열을 학습한다.
   2. 생명의 원재료를 직접 다룸: 모델의 입력은 자연어가 아니라 생명의 원재료인 DNA의 문자 배열이며, DNA의 문법이 어떤 기능과 형질을 만드는지 학습한다.

2. 읽기에서 쓰기로의 전환

   1. 판독(reading): 특정 DNA 서열이 유전자 발현을 조절하는지, 어떤 기능을 갖는지, 변이가 질병과 관련되는지 예측한다.
   2. 생성(writing): 자연계에서 관찰된 서열을 복사하는 데 그치지 않고 새로운 DNA 서열을 생성한다.
   3. 미개척 영역: 자연어 생성 AI가 언어 이해와 조작을 크게 바꾼 것처럼, DNA를 읽고 쓰는 능력은 과학적 발견과 인간 건강 연구를 바꿀 수 있다.

1.2. Hyena DNA와 긴 맥락(long context)

1. 어텐션의 한계를 피한 합성곱 구조

   1. Hyena DNA: 초기 모델은 어텐션(attention) 대신 합성곱(convolution)을 사용하는 Hyena 연산자(Hyena operator)를 적용했다.
   2. 긴 서열 처리: 당시 대규모 언어 모델의 맥락 길이 제약을 피하고 최대 약 100만 토큰의 DNA 서열을 처리했다.

2. 긴 맥락이 유전체 분석에 필요한 이유

   1. 장거리 상호작용(long-range interaction): DNA의 기능은 가까이 붙은 문자만으로 결정되지 않으며 멀리 떨어진 조절 요소와 유전자 사이의 관계가 중요하다.
   2. 유전체 문법: 모델은 긴 서열에서 반복되는 모티프(motif), 패턴, 조절 문법을 찾아 DNA 서열로부터 조절 기능과 유전체에 미치는 효과를 예측한다.
   3. 미해독 영역: 인간 유전체가 신체 형성과 질병 정보를 담고 있다는 사실은 알지만, 문자 조합이 어떻게 기능과 형질을 암호화하는지는 아직 충분히 이해하지 못한다.

1.3. EVO가 연 생성형 유전체학

1. 다중 모달리티 공동 설계

   1. CRISPR-Cas 사례: CRISPR-Cas는 DNA를 자르는 효소이며 RNA·DNA·단백질로 구성된다.
   2. EVO의 차별점: 기존에는 단백질 모델이 단백질을, RNA 모델이 RNA를 따로 생성했지만, EVO는 DNA를 기반으로 여러 모달리티와 규모의 서열을 함께 설계했다.
   3. 새 시스템 발견: 자연계의 CRISPR-Cas 시스템을 학습시킨 뒤 새로운 시스템을 생성하게 하자, 실험 가능한 새로운 CRISPR-Cas 시스템을 발견했다. 이 작업은 Science 표지와 TED 강연으로 소개됐다.

2. 처음부터 만든 기능성 게놈

   1. 박테리오파지(bacteriophage): 인간이 자연계의 일부를 복사·붙여넣는 방식이 아니라, EVO가 처음부터 기능성 박테리오파지 게놈을 생성했다. 박테리오파지는 세균을 감염하는 바이러스다.
   2. 전환점의 양면성: 존재하지 않던 생명체의 기능을 만들 수 있다는 잠재력은 과학적 돌파구인 동시에 생명의 재료를 조작할 수 있다는 위험을 드러냈다.
   3. 공동체의 반응: 연구자들은 이 능력의 발전 경로를 반기면서도 오용과 생물학적 위험을 우려했고, Radical Numerics는 설계 능력과 방어 능력을 함께 발전시키기로 했다.

2. EVO에서 Omni로: 연구 모델을 과학자의 도구로 바꾸기

2.1. 사전학습 모델과 실제 사용 모델의 차이

1. EVO·EVO 2의 한계

   1. 전문 모델과의 비교: EVO는 여러 모달리티에서 가능성을 보였지만 인간 유전체학의 여러 과제에서 전문화된 DNA 모델보다 성능이 낮거나 최첨단(state-of-the-art)에 이르지 못했다.
   2. 실용성 질문: 거대한 언어 모델을 쓸 이유가 무엇인지, 작은 전문 모델이 더 낫지 않은지, 실제 과학자가 무엇에 활용할 수 있는지에 대한 질문이 이어졌다.

2. Omni의 목적

   1. 사전학습(pre-training): 원시·비주석 유전체 서열을 다음 토큰 예측(next-token prediction)이나 마스크 인필링(mask infilling)으로 학습한다. 이는 패턴과 표현을 만드는 기본 능력이다.
   2. 정렬(alignment): 학습한 임베딩(embedding)과 특징(feature)을 과학자가 묻는 형태의 질문과 원하는 출력 형식에 맞춘다.
   3. 중간학습·후학습: 야생형(wild type)과 변이 서열을 주고 원인 변이(causal variant)를 찾는 등, 유전체학에서 실제로 필요한 과제를 질문·답변 구조로 가르친다.
   4. Omni의 성과: 단순히 여러 과제를 다루는 수준을 넘어 변이 효과 예측과 질병 원인 변이 탐색에서 전문 모델을 넘어서는 성능을 보였다. 추가 모달리티를 계속 학습하던 중 연구자와 병원 시스템에 먼저 공개하기 위해 미리보기 버전을 내놓았다.

2.2. 유전체 모델을 정렬하는 방법

1. 입력 구조화

   1. 특수 토큰(special token): 질병 예측·설계·점수화 등 수행할 과제를 알리는 특수 토큰을 입력 앞에 둔다.
   2. 예시의 궤적: 질문과 원하는 출력의 순서, 때로는 단계적인 출력 궤적을 보여 주어 모델이 특정 입력에 어떤 형식으로 답해야 하는지 학습시킨다.
   3. 자연어와의 유사성: 개념적으로는 도메인별 파인튜닝(fine-tuning)과 비슷하지만, 유전체 과제에 맞춘 데이터셋과 입력·출력 형식을 함께 설계한다.

2. 단일 모델과 다중 헤드의 선택

   1. 다중 헤드(multiple heads): 초기 실험에서는 과제별 헤드를 두어 특정 질문에 맞추는 방식도 시험했다.
   2. 통합 모델(unified model): 하나의 모델·하나의 헤드가 입력 토큰만으로 여러 질문에 답하는 방향은 모달리티 간 일반화와 창발 능력을 더 잘 끌어낼 가능성이 있다.
   3. DNA를 기반으로 한 통합: RNA·단백질·분자 모델을 DNA의 하위 단계로만 보지 않고 DNA에서 공유 구조를 학습한 뒤 다른 모달리티를 맥락으로 추가하는 것이 Radical Numerics의 방향이다.

2.3. 병원·비영리기관이 맞닥뜨린 변이 문제

1. 원인 변이를 찾기 어려운 이유

   1. 3십억 개 염기: 인간 유전체는 약 30억 개 염기로 이뤄져 있어 가능한 변이와 조합이 매우 많다.
   2. 변이의 불확실성: 병원과 연구기관은 환자에게 특정 질환이나 증상이 있다는 사실을 알아도 어떤 DNA 부분이 원인인지 찾지 못하는 경우가 많다.
   3. VUS: 임상적으로 의미가 불명확한 변이(variants of unknown significance, VUS)가 임상 해석의 큰 장애물이다.

2. Omni가 제공하는 실용성

   1. 병원 시스템과 비영리기관이 보유한 유전 데이터를 이용해 어떤 변이가 질병을 유발하는지 우선순위를 매길 수 있다.
   2. 사전학습된 특징을 매번 별도 회귀 헤드에 연결해 다시 파인튜닝할 필요 없이, 정해진 입력 형식으로 질문하고 답을 받는다.

3. 변이 효과 예측과 벤치마크의 작동 원리

3.1. 코딩 영역에서 비코딩 영역으로

1. 변이의 기본 문제

   1. 염기 교체: DNA의 한 위치에서 네 염기 중 하나가 다른 것으로 바뀌면 변이가 된다.
   2. 다양한 형태: 한 글자를 뒤집는 치환, 글자를 삭제하는 결실, DNA의 큰 구간을 제거하는 변이가 있다.
   3. 질병 여부: 대부분의 변이는 아무 효과가 없지만 특정 위치의 변이는 질병을 유발한다.

2. 코딩·비코딩 영역의 차이

   1. 코딩 영역(coding region): 단백질의 구조를 직접 암호화하는 영역이다.
   2. 비코딩 영역(non-coding region): 유전자를 언제 얼마나 켤지 조절하는 조절 영역(regulatory region)이다.
   3. 예측 난이도: 전통적 생물정보학·통계 기법은 주로 코딩 영역에 집중했지만, 코딩 영역은 전체 유전체의 약 1.5~2%에 불과하다.
   4. Omni의 강점: 질병의 상당수가 관련될 수 있는 비코딩·장거리 조절 영역의 변이를 구별하는 데 새로운 모델이 특히 강점을 보였다.

3.2. 비교 모델과 감독 학습의 역할

1. 벤치마크에 들어간 모델

   1. EVO 2: Radical Numerics 팀의 이전 생성형 유전체 모델이다.
   2. Borzoi: DNA를 기능성 유전체 트랙(functional genomic track)으로 직접 매핑하는 지도학습(supervised) 모델이다. 염색질 접근성(chromatin accessibility)이나 유전자 발현(gene expression) 같은 주석 결과를 예측하며 다음 토큰을 예측하는 언어 모델은 아니다.
   3. EVO·Goodfire 방식: EVO 2의 점수와 임베딩을 이용해 특정 과제에 파인튜닝한 비교 모델이다.
   4. CAD 계열: 기존 최강 방법들을 앙상블하고 SVM 같은 모델까지 결합해 가능한 방법을 모두 넣는 ‘주방 싱크(kitchen sink)’식 기준선이다.

2. 비주석 데이터와 지도 데이터의 결합

   1. 유전체 대부분은 주석이 붙어 있지 않으므로, 원시 서열에서 비지도 사전학습을 할 수 있다는 점이 언어 모델의 큰 장점이다.
   2. 특정 과제에 답할 때는 소량의 라벨 데이터로 감독 학습을 추가하며, 사전학습과 하위 과제 학습은 서로 다른 역할을 한다.
   3. Omni의 중간학습은 데이터셋의 질문·답변 형식과 과제 구조 자체를 모델에 주입해 단순 파인튜닝 이상의 실용적 이득을 노린다.

3.3. 우도비(likelihood ratio)로 변이의 ‘놀라움’을 측정하기

1. 야생형과 변이의 비교

   1. DNA 언어 모델은 다음 염기가 될 확률과 서열의 우도(likelihood)를 산출한다.
   2. 같은 맥락에서 정상 기준인 야생형과 변이 서열 각각의 우도를 계산한다.
   3. 두 값의 비율이나 차이를 이용해 변이가 모델에게 얼마나 낯선지, 즉 ‘놀라움(surprise factor)’을 점수화한다.

2. 진화적 제약을 질병 예측으로 연결

   1. 많은 사람과 종에서 흔하고 보존된 서열은 생존에 유리하거나 건강한 기능과 관련될 가능성이 높다.
   2. 드물고 보존되지 않은 변이는 진화적 제약을 어긴 것으로 해석될 수 있어 병원성(pathogenicity) 후보가 된다.
   3. 이 방식은 EVO 2의 제로샷(zero-shot) 변이 점수처럼 추가 학습 없이 사용할 수 있다.
   4. Omni는 여기에 질병 변이 예측의 질문·답변 구조와 추가 학습을 더해 자연계의 공통성만 보는 점수보다 풍부한 판단을 시도한다.

3.4. 데이터 누출을 막는 품질관리

1. 위험 인식

   1. ClinVar·TraitGym 같은 평가 세트의 서열이 사전학습 데이터에 그대로 들어갔다면 성능이 부풀려질 수 있다.
   2. 유전체 데이터의 규모와 유사 서열 때문에 의도하지 않은 데이터 누출도 생길 수 있다.

2. QC 절차

   1. 생물정보학자들이 학습 데이터를 훑고 중복을 제거한다.
   2. 평가 서열과 유사한 서열을 정렬해 찾아내고, 벤치마크와 잠재적으로 겹치는 데이터는 제거한다.
   3. 이 과정을 광범위한 품질관리(QC)로 수행해 결과가 단순 암기에 의존하지 않도록 한다.

4. 생물학에서의 연쇄적 사고와 설계

4.1. 자연어의 Chain of Thought를 서열에 옮기기

1. 자연어에서의 아이디어

   1. 연쇄적 사고(chain of thought, CoT)는 답만 보여 주지 않고 결론에 도달하는 중간 단계를 보여 주면 모델 성능이 좋아진다는 연구 흐름에서 나왔다.
   2. 더 많은 토큰을 ‘메모장’처럼 사용하면 모델이 스스로 단계를 진행하고 답을 찾을 여지가 생긴다.
   3. 에이전트가 엄청난 토큰을 사용해 자신의 작업을 보여 주는 방식도 이 패러다임과 연결된다.

2. RNA 앱타머 실험

   1. RNA 앱타머(aptamer)는 특정 표적에 결합하는 서열이며, 결합력·기능을 나타내는 적합도(fitness) 점수가 붙어 있는 대규모 데이터셋을 사용했다.
   2. 낮은 점수의 RNA부터 점점 높은 점수의 RNA를 순서대로 모델에 보여 주고, 아직 보여 주지 않은 더 높은 적합도의 다음 서열을 계속 생성하게 했다.
   3. 최고 성능 서열 일부는 학습에서 보류(held out)했으며, 모델은 보지 못한 서열의 높은 점수와 비슷한 설계 가능한 후보를 재현했다.
   4. 현재 확인된 것은 실리코(in silico) 결과이며, 실제 습식 실험(wet lab) 검증이 진행 중이다.

4.2. 앱타머 데이터가 만들어진 방식

1. 반복적인 실험적 선택

   1. 연구자는 수많은 무작위 RNA 서열을 만들고, 특정 HIV 단백질 또는 유전체 표적에 결합하는 앱타머 스위치를 구성한다.
   2. 표적이 결합하면 서열이 절단되는 등 신호가 발생하고, 차세대 염기서열 분석(next-generation sequencing, NGS)으로 각 서열의 읽힌 횟수를 측정한다.
   3. 더 많이 읽힌 서열을 더 높은 적합도로 간주하고, 그 서열을 다시 변이시키며 선택을 반복한다.
   4. 한 실험에서 약 10^11개에 달하는 서열을 병렬로 탐색할 정도로 규모가 컸으며, 페트리 접시의 생물학적 선택이 서열을 점진적으로 걸러 냈다.

2. 실험을 실리코로 모방하기

   1. 실험이 낮은 적합도에서 높은 적합도로 이동한 중간 상태를 보존하면, 모델에 점진적 개선의 문법을 가르칠 수 있다.
   2. 모델은 비슷한 유형의 데이터에서 다음 후보를 생성하는 방향으로, 실험적 진화 과정을 계산적으로 모방한다.

4.3. DNA 사전학습에서 RNA로 전이된 능력

1. 예상 밖의 결과

   1. RNA는 포유류에서 구조를 강하게 제한하는 공진화(co-evolution) 정보가 부족하고, 단백질을 암호화하는 정보가 주된 선택 압력일 수 있다는 우려가 있었다.
   2. 그런데 Omni는 DNA 유전체로 주로 사전학습하고 RNA 앱타머 과제에만 소규모 중간학습을 했는데도 점진적 최적화 능력을 보였다.
   3. DNA가 여러 생물학적 신호의 공통 기반이기 때문에, DNA 사전학습이 다른 모달리티로 전이되는 가능성을 시사한다.

2. 향후 설계 패러다임

   1. 어떤 서열이든 기능 점수나 원하는 출력이 있으면, 점점 더 좋은 서열의 연속을 보여 주어 모델에 설계 방향을 전달할 수 있다.
   2. 항균제 내성(antimicrobial resistance, AMR) 대응에서는 특정 세균주를 선택적으로 죽이는 박테리오파지의 효과를 0~1 점수로 표시하고 점점 효과적인 파지 게놈을 보여 줄 수 있다.
   3. 국가 연구소와 함께 희토류를 추출하는 단백질을 설계하는 작업에서는 한 광물에는 높은 결합 친화도(binding affinity)를, 다른 광물에는 낮은 결합 친화도를 갖는 선택성을 점진적으로 제시할 수 있다.

5. 생물학적 맥락을 보존하는 생성 설계

5.1. 단백질 하나가 아니라 생물학적 이웃을 활용하기

1. 구조 설계와 맥락 설계의 차이

   1. 단일 단백질의 3차원 구조를 만드는 일은 구조 특화 모델이 더 자연스럽게 잘할 수 있다.
   2. Omni의 강점은 단백질 주변의 DNA, 비코딩 조절 영역, 그것이 속한 미생물의 유전체 이웃까지 함께 입력할 수 있다는 점이다.

2. 희토류 추출 단백질 사례

   1. 모델에 특정 단백질의 앞쪽 비코딩 영역과 미생물 유전체의 주변 맥락을 주고, 자연계에서 관찰된 변이를 조합한 새 후보를 생성하게 한다.
   2. 유전체는 물리적 세계의 흔적을 DNA에 남긴 지문과 같으므로, 단백질 자체뿐 아니라 주변 조절 서열과 진화 경로가 기능과 선택성을 설명하는 정보가 된다.
   3. 자연계의 가능한 단백질 변이를 탐색한 뒤 실험으로 결합 대상과 선택성을 확인하면, 미국의 희토류 공급망을 안정화하려는 파트너의 목적에도 기여할 수 있다.
   4. EVO에서 독소-항독소(toxin-antitoxin) 시스템의 앞쪽 서열을 맥락으로 주고 그럴듯한 변이를 생성한 방식과 유사한 접근이다.

5.2. 맥락 길이의 병목

1. 2백만과 30억의 간극

   1. Omni가 다루는 맥락은 약 200만 염기쌍 수준이며, 인간 유전체는 약 30억 염기로 대략 1,000배 더 길다.
   2. 합성생물학에서 설계 대상인 세균 유전체도 모델의 현재 맥락보다 긴 경우가 많다.
   3. EVO가 처음 생성한 박테리오파지는 약 6,000염기쌍으로 매우 짧고 효율적인 게놈이어서 긴 맥락 문제를 피하기 쉬웠다.

2. Radical Numerics의 연구 방향

   1. 긴 맥락은 해결된 문제가 아니라 AI 연구 전체가 계속 새 방법을 찾는 핵심 과제다.
   2. Radical Numerics는 공개 모델을 가져다 쓰는 응용 팀이 아니라 AI 연구실을 먼저 세워 맥락 길이와 효율의 경계를 계속 밀어붙이는 전략을 택했다.
   3. GPU 커널(kernel)과 하드웨어 동작까지 파고들어 제한된 연산 자원에서 더 긴 서열을 처리하는 구조를 만든다.
   4. ‘긴 맥락과 커널’을 언급하면 연구자들이 즉시 문제를 풀기 시작하는 ‘너드 스나이핑(nerd sniping)’이 연구실의 특징으로 묘사됐다.

5.3. Hyena에서 EVO로 이어진 창업 경로

1. 긴 맥락 연구의 시작

   1. Eric Nguyen은 Stanford에서 긴 맥락 언어 모델을 박사 연구로 다뤘고, Michael Poli와 함께 Hyena 합성곱 구조를 설계했다.
   2. 초기에는 일반 언어 모델이 긴 입력에서 효율적이라는 사실을 발견한 뒤, 가장 긴 자연 서열이 무엇인지 물었고 약 30억 염기쌍의 DNA에 도달했다.
   3. 당시 유전체 모델은 1,000~2,000염기쌍 정도의 짧은 맥락만 처리해 단백질을 암호화하는 전사체조차 충분히 담지 못했다.

2. 회의론을 통과한 생성 아이디어

   1. Stanford에서 만난 거의 모든 과학자는 DNA를 생성하는 것이 쓸모없거나 불가능하다고 봤다.
   2. 인간도 DNA의 규칙을 이해하지 못하고 결과가 맞는지 틀리는지 판별할 수 없는데 AI가 어떻게 학습하겠냐는 반론이 나왔다.
   3. 반복 문자가 많고 분포가 잡음처럼 보이며 명확한 규칙이 없다는 지적도 있었다.
   4. Nguyen은 처음부터 활용처를 알지는 못했지만 생성 DNA가 가능하다는 직관을 믿고 약 6개월 동안 연구자에게 유용성·후원·협력 가능성을 물었다.

3. 첫 실험과 예기치 않은 전이

   1. Arc가 GPU 비용을 지원해 ‘일단 큰 모델을 학습해 보자’는 실험이 시작됐다.
   2. 첫 체크포인트를 단백질 벤치마크 ProteinGym에 넣었을 때, 단백질을 구분하라고 가르치지 않았는데도 단백질 특화 모델과 경쟁력 있는 결과가 나왔다.
   3. 이어 RNA와 DNA에서도 경쟁력 또는 최첨단 성능이 잇따라 나타나 DNA 기반 모델이 모달리티 간 구조를 배울 수 있다는 확신이 커졌다.
   4. NVIDIA가 EVO 2를 지원했고, Greg Brockman은 OpenAI에서 4개월 안식 휴가를 내고 합류해 새벽 3시에 Slack으로 코드를 디버깅했다.

6. 기계론적 해석과 생물학적 발견

6.1. 모델의 압축을 다시 해석하기

1. Mechanistic Interpretability(Mech Interp)

   1. 기계론적 해석은 모델이 가중치와 활성화(activation)에 무엇을 압축했는지 조사하는 작업이다.
   2. 모델은 방대한 DNA를 그대로 저장하기보다 GC 함량, 전사인자 모티프, 조절 패턴 같은 핵심 구조를 압축해 분포를 이해한다.
   3. 연구자는 활성화와 임베딩을 탐침(probe)하고 시각화해 이미 알려진 패턴뿐 아니라 다른 사례에 일반화할 수 있는 숨은 구조를 찾는다.

2. 복잡도 사다리

   1. GC 함량: G와 C 두 뉴클레오타이드가 서열에서 차지하는 비율이다.
   2. 전사인자 모티프: 전사인자(transcription factor, TF)는 DNA에 결합해 유전자 발현을 바꾸는 분자이며, 특정 결합 패턴이 유전자 기능을 조절한다.
   3. 질병 표현: 전사인자 자체가 다른 유전자로 암호화되고 서로를 조절하므로, 결합 위치·결합 대상·효과를 조합한 공간은 매우 커진다.
   4. 질병 매니폴드(manifold): 모델의 출력 점수와 임베딩에 나타난 질병의 표현 공간을 지도처럼 그리면, 질병 간 구조와 새로운 질병 사례의 패턴을 이해할 수 있다.

6.2. 다중 생물학 센서로 확장하기

1. 가상 세포(virtual cell)의 조건

   1. RNA 전사체만으로 세포 전체를 설명하기는 어렵다.
   2. DNA·대사체학(metabolomics)·후성유전체학(epigenomics)·단백질체학(proteomics)·염색질 접근성·메틸화 등 세포의 여러 센서 신호를 함께 융합해야 한다.
   3. Radical Numerics는 세포에 멈추지 않고 생물학 전반의 센서를 통합해 생물학적 지능을 만들려 한다. 이것이 생물학의 모든 세부를 이해하는 초지능으로 이어질지는 알 수 없지만 현재보다 훨씬 유용한 모델을 만들 수 있다는 판단이다.

2. 언어와 생물학의 결합

   1. 자연어를 생물학 모달리티에 연결하는 일은 이미지·비디오와 언어를 결합한 선행 사례가 많아 상대적으로 해결 가능성이 높다.
   2. 진짜 어려운 문제는 DNA·RNA·단백질·대사체 같은 생물학적 신호들을 서로 결합하는 방법이다.
   3. 자연어를 추가하면 도구를 호출하고 결과를 설명하는 연쇄적 사고와 과학 에이전트의 인터페이스가 쉬워진다.

7. 모든 생명 영역으로의 확장과 치료적 활용

7.1. 인간 유전체에서 모든 생명으로

1. 인간을 먼저 선택한 이유

   1. EVO와 EVO 2는 인간 유전체의 복잡한 문법, 반복 서열, 잡음 때문에 인간 유전체를 충분히 이해하지 못한다는 피드백을 받았다.
   2. Omni는 가장 복잡한 사례 중 하나인 인간 유전체에서 실제로 쓸 수 있음을 보여 주는 데 초점을 맞췄다.

2. 적용 범위

   1. 원핵생물(prokaryote), 바이러스, 박테리아를 포함한 모든 생명 영역으로 확장할 수 있다.
   2. 바이러스 서열은 바이오보안과 생물학적 방어에 특히 중요하다.
   3. 세균 감염으로 여전히 연간 약 200만 명이 사망하며, 박테리오파지로 특정 세균만 공격하는 접근은 항생제와 다른 항균제 계열이 될 수 있다.
   4. 동유럽에서 특정 세균을 표적으로 하는 파지 치료가 오래전부터 시도됐고, 생성형 모델은 새로운 파지를 설계해 항균제 내성 문제에 기여할 가능성이 있다.

7.2. 구조 정보와 다음 세대 모델

1. 현재 모델은 DNA 사전학습과 RNA 과제 학습을 중심으로 하며 RNA의 2D·3D 구조 정보를 직접 넣지는 않는다.
2. 단백질에서 서열만으로 구조가 암묵적으로 학습되는 사례처럼 DNA 모델도 구조를 어느 정도 암묵적으로 포착할 수 있지만, 향후 2D·3D 정보를 명시적으로 추가할 계획이다.

8. 바이오보안의 이중 임무와 방어 체계

8.1. 설계 능력과 방어 능력의 결합

1. 동일한 모델의 양면성

   1. 기능을 DNA 서열에 넣을 수 있는 생성 모델은 서열이 병원성인지 판별하는 데도 유리하다.
   2. 생성에 좋은 모델이 서열을 구별하고 병원성을 예측하는 데도 좋은 이유는 DNA·RNA·단백질의 표현을 같은 방식으로 이해하기 때문이다.
   3. 설계를 만드는 팀이 방어를 가장 잘 만들 수 있다는 전략적 이유와, 자신들이 가능하게 한 능력에 책임을 져야 한다는 원칙이 Radical Numerics의 이중 임무가 됐다.

2. 기존 생태계의 공백

   1. AI 과학 에이전트와 생물학적 무기에 대한 위험을 말하는 패널은 많지만, 실제로 바이오보안에 대규모 노력을 투입하는 AI 기업은 드물다.
   2. 그래서 회사의 사명에 설계·방어를 동시에 넣고 미국 정부와 해외 공동체가 활용할 수 있는 실질적 도구를 만들기로 했다.

8.2. 바이오방어의 네 기둥

1. 탐지와 감시(detection & surveillance)

   1. 공항 비강 면봉, 하수 샘플 등 환경에서 병원성 서열이 존재하는지 찾는다.
   2. 단순히 데이터베이스에 있는 서열과 같은지 확인하는 것을 넘어, 기능적으로 위험한 서열을 찾아야 한다.

2. 귀속(attribution)

   1. 위험을 탐지한 뒤 자연 발생인지, 해외의 무작위 사건인지, 특정 국가의 연구실에서 사람이 설계한 것인지 판별한다.
   2. 서열 전체를 데이터베이스와 맞추는 것뿐 아니라 출처를 드러내는 서명(signature)을 찾아 대응 결정을 돕는다.

3. 대응 수단(countermeasures)

   1. 위험 서열의 기능과 약점을 특성화한 뒤 항바이러스제·항균제·상쇄 물질을 설계한다.
   2. 탐지와 귀속이 실제 방어로 이어지려면 어떤 유전자와 서열 부분이 위험한지 설명할 수 있어야 한다.

4. 억제(deterrence)

   1. 억제는 주로 정부가 담당할 정책·안보 영역이다.
   2. Radical Numerics는 우선 탐지·감시, 귀속, 대응의 세 기둥에 집중한다.

8.3. 문자열 대조에서 기능 대조로

1. 기존 합성 회사의 방식

   1. DNA 합성 회사는 연구자가 서열을 보내면 실제 DNA 분자를 제조해 Amazon 택배처럼 배송한다.
   2. 현재 많은 검사는 알려진 병원체 데이터베이스와 서열을 정렬해 정확히 일치하는지 보는 패턴 매칭에 가깝다.

2. 우회 서열의 문제

   1. 새로운 병원체는 데이터베이스에 없으므로 기존 목록을 벗어난다.
   2. AI는 병원체와 같은 기능·구조를 유지하면서 문자 배열을 바꾸는 ‘패러프레이즈(paraphrase)’ 서열을 의도적으로 만들 수 있다.
   3. Microsoft가 단백질 언어 모델로 구조와 기능을 유지한 채 철자만 바꾼 사례처럼, 동일한 기능이 서로 다른 서열에 나타날 수 있다.
   4. 따라서 서열 공간(sequence space)뿐 아니라 기능 공간(function space)에서 병원성을 탐지해야 한다.

3. AI 에이전트 시대의 필요성

   1. 온라인에서 수십억·수조 개의 에이전트가 행동하는 상황에서, 에이전트가 합성 회사에 위험한 설계를 주문하는지 확인할 도구가 없다는 점이 초기 동기가 됐다.
   2. 기존 합성 회사의 탐지 도구가 존재하더라도 AI 기반이 아닐 가능성이 높고, 패턴 매칭만으로는 견고성이 부족할 수 있다.

8.4. 오탐과 완벽주의 사이의 균형

1. 과학 연구를 막는 위험

   1. Fable 같은 도구가 생물학 관련 문장을 거의 전부 차단하는 경험은 연구자가 새 합성생물학 설계를 탐색하는 것을 방해할 수 있다.
   2. 매우 높은 F1 점수도 매일 생성되는 막대한 서열 규모에서는 합법적 연구를 오탐으로 막는 문제를 완전히 해결하지 못한다.

2. 현실적 목표

   1. 목표는 위험한 설계를 100% 막겠다고 약속하는 것이 아니라, 설계 쪽이 앞서 있는 상황에서 방어 쪽에 최첨단 기술을 투입해 격차를 줄이는 것이다.
   2. 이미 챗봇 안전장치를 통과한 서열이 환경에 나왔을 때, 감시·귀속·대응 생태계가 이를 찾아낼 수 있도록 도구를 제공한다.
   3. 완벽하지 않아도 현재의 문자열 대조를 넘어서는 개선이면 공동체가 다음 규제·정부·비영리 프레임워크를 구축할 출발점이 된다.
   4. 규제기관·정책가·싱크탱크의 관심과 동원이 커지고 있으므로, 논의에 머무르지 않고 실제 도구를 공개하는 일이 중요하다.

9. AI 군비 경쟁의 비대칭과 위협 모델

9.1. 사이버보안과 닮았지만 더 어려운 점

1. 공통점

   1. 설계 능력이 좋아지면 방어 능력이 앞서야 하고, 방어가 좋아지면 설계 쪽이 우회 방법을 찾는 되먹임이 생긴다.
   2. 따라서 바이오보안은 한 번 만들고 끝나는 필터가 아니라 계속 갱신되는 군비 경쟁(arms race)이다.

2. 차이점

   1. 사이버보안은 충분히 강한 모델과 패치로 사회적 허점을 제외한 익스플로잇을 모두 잡을 가능성이 있지만, 인간의 게놈은 패치할 수 없다.
   2. 한 번 환경에 방출된 생물학적 기능은 소프트웨어 업데이트로 되돌릴 수 없다.
   3. 반대로 임의 DNA를 출력하는 것과 실제로 설계자를 죽이지 않으면서 성공적인 바이러스를 만드는 것 사이에는 여전히 큰 실험·제조·생물학적 장벽이 있다.

9.2. 가장 우려되는 시나리오

1. 전문성의 문턱과 속도의 하락

   1. AI가 필요한 전문 지식의 양과 생물학적 기능을 설계하는 시간을 줄이면, 시도되는 설계의 양이 지수적으로 증가할 수 있다.
   2. 위험은 한 명의 천재적 공격자만이 아니라 대량의 자동화된 시도에서 누적될 수 있다.

2. 의도적 위협

   1. 국가 행위자는 과거에도 대규모 생물학전 프로그램을 운영했으며, 회사 고문 중에는 이런 시설을 직접 보고 해체한 사람이 있다.
   2. 평시보다 전시의 동기가 훨씬 두려운 이유는 국가가 실제 무기 개발을 추진할 유인이 커지기 때문이다.

3. 비의도적 사고

   1. 가까운 시기에 더 가능성 높은 시나리오는 연구자가 특정 기능을 이해하려고 만든 설계가 통제되지 않고 유출되는 경우일 수 있다.
   2. 생물학적 물질은 오염과 격리가 어렵고, 실험실에서 의도하지 않은 기능이나 누출이 발생할 수 있다.

4. 위험과 이익의 판단

   1. Nguyen은 전반적으로 낙관론자이며 이 기술의 인간 건강·발견 가속 이익이 잠재적 해보다 크다고 본다.
   2. 연구자와 정책 공동체가 회복력 있게 동원될 수 있으므로, 방어 능력을 지금부터 구축하면 설계 능력의 발전을 감당할 수 있다고 판단한다.

10. 창업 과정에서 얻은 실용적 교훈

10.1. 과학적 호기심에서 제품으로

1. 초기에는 쓸모를 몰랐던 생성 능력

   1. EVO의 박테리오파지 생성은 무섭고 인상적인 예시였지만, 그것만으로 사람들이 실제 제품의 가치를 즉시 이해한 것은 아니었다.
   2. 자연계와 비슷한 변이를 재현했을 뿐이라고 비판하거나 잠재력을 축소하는 반론도 가능했다.

2. Radical Numerics의 전환

   1. 연구 결과를 학술적 사고 실험으로 남기지 않고 질병 이해·치료 개선·희토류 추출 단백질·바이오방어에 연결하는 일이 회사의 목표가 됐다.
   2. 자연어 모델이 처음에는 농담을 쓰는 장난감으로 여겨졌던 것처럼, DNA 모델도 초기 창발 능력에서 실제 과학 도구로 넘어가는 단계에 있다.

10.2. 병목을 제거한다면

1. 첫 번째 답: GPU

   1. 모든 AI 연구실이 공통으로 말하는 답이지만, 더 많은 GPU는 더 큰 모델과 더 긴 맥락을 훈련할 수 있게 한다.

2. 두 번째 답: 전문성과 상상력의 결합

   1. 한 분야의 전문성이 깊을수록 새 접근법의 문제와 예외를 먼저 보는 경향이 커져 더 비관적으로 변한다.
   2. 특히 생물학에서는 질병 영역이나 모달리티를 깊이 아는 사람이 새 기술의 한계를 정확히 지적하면서도 변화 가능성을 닫아 버릴 수 있다.
   3. Radical Numerics가 찾는 사람은 전문 지식을 갖추면서도 여전히 꿈꾸고, 일을 바꾸고, 상상하는 사람이다.

11. 결론 및 실용적 시사점

1. 설계와 방어를 분리하지 마라: DNA 기능을 생성하는 모델과 병원성 기능을 판별하는 모델은 같은 표현을 공유하므로, 생성 연구실은 방어 연구를 사명과 제품에 포함해야 한다.
2. 긴 맥락을 핵심 인프라로 보라: 유전체 기능은 짧은 모티프만으로 결정되지 않으므로 장거리 조절 관계를 담는 맥락 길이와 GPU 효율이 경쟁력이다.
3. 사전학습 뒤에 실제 질문을 가르쳐라: 원시 서열을 읽는 능력은 출발점이며, 과학자가 묻는 변이·질병·설계 질문과 출력 형식을 중간학습·후학습으로 정렬해야 한다.
4. 문자보다 기능을 비교하라: 병원성 서열은 같은 기능을 유지한 채 다른 철자로 바뀔 수 있으므로 데이터베이스 일치 검색만으로는 충분하지 않다.
5. 탐지·귀속·대응을 연결하라: 환경 샘플에서 위험을 찾고, 출처와 위험한 유전자를 밝히고, 항바이러스·항균 대응 물질을 설계하는 하나의 파이프라인이 필요하다.
6. 완벽하지 않아도 방어를 시작하라: 완전한 차단을 기다리기보다 현재의 문자열 대조보다 나은 모델을 배포해 규제·정부·비영리 공동체가 개선할 출발점을 제공해야 한다.
7. 실험적 선택을 학습 데이터로 보존하라: 앱타머나 파지처럼 점진적으로 더 나은 서열을 선별하는 실험은 생물학적 연쇄적 사고를 모델에 전달할 수 있다.
8. 모달리티를 DNA에서 확장하라: RNA·단백질·대사체·후성유전체·염색질 접근성·메틸화를 함께 읽어야 가상 세포와 일반 생물학 지능에 가까워진다.
9. 기능적 맥락을 활용하라: 단백질 주변의 비코딩 영역과 미생물 유전체 이웃은 구조만으로 얻기 어려운 진화·선택성 정보를 제공한다.
10. 전문가와 몽상가를 함께 채용하라: 정확한 비판을 할 도메인 전문가와 새로운 가능성을 시도할 상상력을 결합해야 연구의 단계적 도약이 일어난다.
11. AI 최전선과 인간 건강은 양자택일이 아니다: 소비자 챗봇이나 기업 애플리케이션만이 최첨단 AI라는 인식을 버리고, 생물학 이해와 치료 개선을 최전선 AI 연구의 목표로 삼을 수 있다.

주요 발언 모음

“생성 쪽의 설계 능력은 더 강해질 것이고, 방어 쪽은 앞서기 위해 노력해야 한다. 방어 쪽은 지금까지 훨씬 뒤처져 있었다.”

“기능을 서열에 설계할 수 있는 모델을 만든다면, 그 기술을 보호할 수 있는 능력도 함께 만들어야 한다.”

“DNA는 물리적 세계가 DNA에 남긴 흔적, 일종의 지문이라고 생각한다.”

“문자 배열은 달라도 같은 기능을 수행할 수 있다. 그러므로 서열 공간뿐 아니라 기능 공간에서도 탐지해야 한다.”

“완벽해야 유용한 것은 아니다. 현재 어디에 있는지 보고, 방어 공동체를 한 단계 앞으로 움직이면 된다.”

“생물학은 단순한 하나의 모달리티가 아니다. 세포를 이해하려면 DNA, 대사체, 후성유전체, 단백질체 등 세계의 여러 센서를 함께 봐야 한다.”

“AI의 최전선에서 일하는 것과 인간 건강을 개선하는 일을 선택할 필요는 없다.”

핵심 데이터 & 수치

• 원본 길이: 1시간 31분 58초다.
• 원본 발행일: 2026-09-23이다.
• 인간 유전체: 약 30억 염기쌍이며 Omni의 약 200만 염기쌍 맥락보다 대략 1,000배 길다.
• Hyena DNA 맥락: 초기 모델이 최대 약 100만 토큰을 처리했다.
• 코딩 영역: 인간 유전체의 약 1.5~2%다.
• 박테리오파지: EVO가 생성한 초기 대상은 약 6,000염기쌍으로 매우 짧은 게놈이다.
• 세균 감염 사망: 전 세계적으로 연간 약 200만 명이 세균 감염으로 사망한다.
• 앱타머 탐색 규모: 실험에서 약 10^11개 서열을 병렬 탐색한 사례가 언급됐다.
• 앱타머 점수: 낮은 적합도에서 높은 적합도로 정렬한 RNA 서열을 이용했다.
• GPU 협업: Greg Brockman이 OpenAI에서 4개월 안식 휴가를 내고 EVO 2 개발을 도왔다.
• 바이오방어 범위: 탐지·감시, 귀속, 대응 수단, 억제의 네 기둥이며 Radical Numerics는 앞의 세 영역에 집중한다.

핵심 요약 (20줄)

1. 유전체 언어 모델은 자연어 대신 DNA 염기서열을 학습해 생명의 문법을 읽고 쓸 수 있게 한다.
2. Hyena DNA는 어텐션 대신 합성곱을 사용해 당시 최대 약 100만 토큰의 긴 DNA 맥락을 처리했다.
3. EVO는 DNA에서 RNA와 단백질까지 함께 설계해 새로운 CRISPR-Cas 시스템을 생성했다.
4. EVO는 자연계에 없던 기능성 박테리오파지 게놈을 처음부터 만들어 생성형 유전체학의 위험과 가능성을 동시에 보여 줬다.
5. Omni는 원시 서열을 읽는 사전학습 모델에 중간학습과 후학습을 더해 과학자의 질문에 답하도록 정렬했다.
6. Omni는 인간 유전체의 변이 효과와 질병 원인 변이 예측에서 기존 전문 모델을 넘어서는 성능을 보였다.
7. 인간 유전체의 약 1.5~2%만 단백질 코딩 영역이고 나머지 조절 영역의 변이 해석이 특히 어렵다.
8. Omni는 야생형과 변이 서열의 우도 차이를 계산해 변이가 진화적으로 얼마나 낯선지 평가한다.
9. 사전학습 데이터와 ClinVar·TraitGym 벤치마크의 중복을 막기 위해 서열 중복 제거와 정렬 기반 품질관리를 수행했다.
10. RNA 앱타머 실험은 점점 높은 적합도 서열을 보여 주는 방식으로 생물학적 연쇄적 사고를 시험했다.
11. Omni는 DNA로 주로 사전학습했는데도 RNA 앱타머의 보이지 않은 높은 적합도 후보를 실리코에서 생성했다.
12. 앱타머 데이터는 무작위 서열의 결합력을 NGS로 측정하고 반복적인 변이와 선택으로 구축됐다.
13. 항균제 내성 대응에는 특정 세균만 죽이는 파지의 효과 점수를 높이는 설계 과정을 적용할 수 있다.
14. 희토류 추출 단백질 설계에서는 단백질 자체뿐 아니라 주변 미생물 유전체와 비코딩 영역을 맥락으로 활용한다.
15. Radical Numerics는 DNA·RNA·단백질·대사체·후성유전체를 통합하는 일반 생물학 지능을 지향한다.
16. 바이오보안에는 탐지·감시, 귀속, 대응 수단, 억제의 네 기둥이 있고 회사는 앞의 세 기둥에 집중한다.
17. 기존 문자열 대조는 새로운 병원체와 기능은 같지만 철자가 다른 AI 생성 서열을 놓칠 수 있다.
18. AI 에이전트가 위험한 DNA 합성을 주문할 수 있으므로 합성 회사에는 기능 인식형 필터가 필요하다.
19. 바이오보안은 인간 게놈을 패치할 수 없다는 점에서 사이버보안보다 어렵지만 불완전한 방어도 현재보다 낫다.
20. AI 최전선 연구와 인간 건강·생물학 발전은 양자택일이 아니며 설계와 방어를 함께 추진해야 한다.