"건강한 자원봉사자" 편향을 넘어: 500만 명 규모의 도전, Our Future Health

오늘 가져온 내용은 유전체 연구의 거대한 흐름에 관한 이야기입니다. 우리가 흔히 아는 대규모 연구들이 가졌던 한계에 대해 고민해 본 적 있으신가요? 보통 이런 연구들은 건강에 관심이 많거나 여유가 있는 분들이 주로 참여하게 되는데, 그러면 전체 인구의 건강 상태를 대변하기 어렵다는 문제가 생기곤 합니다. 이런 고민을 해결하기 위해 영국에서 야심 차게 시작한 프로젝트가 있습니다. 바로 'Our Future Health(Realizing the full potential of Our Future Health through data linkage and trans-biobank efforts)'인데요, 영국 성인 인구의 10%에 해당하는 500만 명을 대상으로 유전체 데이터와 실생활 건강 정보를 연결하겠다는 아주 큰 목표를 가지고 있습니다. 

그동안 UK 바이오뱅크와 같은 훌륭한 연구들이 우리에게 많은 정보를 주었지만, 참여자가 특정 계층에 쏠려 있다는 점이 늘 아쉬운 부분이었습니다. 이런 ‘선택 편향’이 있으면 연구 결과가 일반 인구 전체에 적용되기는 어렵기 때문입니다. 

그래서 연구자들은 더 넓은 배경을 가진 사람들을 모아 데이터를 쌓는 방법을 찾기 시작했습니다. 이 프로젝트는 영국 전역을 누비며 이동식 클리닉을 설치했습니다. 쇼핑센터나 약국처럼 사람들이 쉽게 갈 수 있는 곳을 찾아간 것이지요. 덕분에 기존 연구에서 소외되었던 다양한 사회경제적 배경을 가진 분들의 참여를 이끌어낼 수 있었습니다. 

목표는 500만 명인데, 이미 170만 명 넘게 등록을 마쳤고 그중 상당수가 기존 연구에서는 보기 어려웠던 소수 인종 그룹입니다. 단순히 DNA 정보만 모으는 게 아닙니다. 국민보건서비스(NHS)의 진료 기록, 암 등록 자료, 그리고 앞으로는 조세나 고용 관련 행정 데이터까지 연결할 계획입니다. 이렇게 다양한 데이터를 하나로 합치면, 유전자가 우리 삶의 환경과 어떻게 어우러져 건강에 영향을 주는지 훨씬 더 자세히 들여다볼 수 있습니다. 

참여자 규모가 500만 명 정도 되면, 사실상 영국 성인 대부분이 데이터 안에 있는 누군가와는 친척 관계(3~20촌 이내)가 됩니다. 이 관계를 이용하면 부모님 중 누구로부터 어떤 유전자를 물려받았는지(부모 기원 효과)를 정밀하게 분석할 수 있습니다. 이는 기존 연구에서는 시도하기 어려웠던 아주 흥미로운 분석이기도 합니다. 

이번 연구는 단순히 데이터 규모를 키우는 것을 넘어, 유전체 연구가 어떻게 사회 전반의 건강 증진으로 이어질 수 있는지 보여주는 실행 설계도라고 할 수 있습니다. 10년 뒤의 의료 현장이 어떻게 바뀔지 궁금해지는 대목입니다. 우리도 국가 바이오빅데이터 사업을 진행하고 있는 만큼, 영국의 사례를 통해 더 나은 방향을 그려볼 수 있을 것 같습니다. :)

DOI: 10.1038/s41588-025-02327-7

clova-x

Our Future Health는 영국의 대규모 바이오뱅크로서, 유전학 연구와 글로벌 건강에 큰 잠재력을 지니고 있습니다. 이 바이오뱅크는 다양한 인구층을 대상으로 하여 데이터 링크와 트랜스바이오뱅크 연구를 촉진하며, 국제 협력을 통해 연구 발전에 기여하고자 합니다.

1. **Our Future Health의 개요**

   - Our Future Health는 2019년에 설립되었으며, 최대 5백만 명의 참가자를 모집하는 영국의 가장 큰 건강 연구 프로그램입니다.

   - 이 프로그램은 공공, 자선, 민간 부문 간의 협력으로 운영되며, UK 정부, 산업계, 의료 자선단체의 자금 지원을 받습니다.

2. **참가자 모집 및 범위**

   - Our Future Health는 영국 전역의 클리닉을 통해 다양한 사회경제적 배경을 가진 성인을 대상으로 참가자를 모집합니다.

   - 현재 약 1.7백만 명이 등록되어 있으며, 이는 영국 성인 인구의 약 10%에 해당합니다.

3. **데이터 수집 및 연구 자원**

   - 연구자는 설문조사, 유전자 배열 데이터, 건강 기록, 임상 측정치 등 다양한 데이터를 이용할 수 있습니다.

   - 향후에는 추정 유전자 데이터, 일차 진료 연계, 처방 약물 데이터 등이 추가될 예정입니다.

4. **연구의 도전과 기회**

   - 바이오뱅크의 규모와 다양성은 연구의 편향을 줄이고, 복잡한 특성에 대한 이해를 심화시키는 데 기여합니다.

   - 트랜스바이오뱅크 연구를 통해 여러 바이오뱅크의 데이터를 결합하여 통계적 파워를 높이고, 희귀 변이와 새로운 유전자-표현형 관계를 발견할 수 있습니다.

gemini

안녕하세요! 업로드해주신 논문 **"Realizing the full potential of Our Future Health through data linkage and trans-biobank efforts"** (Nature Genetics, 2025년 10월)의 내용을 바탕으로 블로그 포스팅용 요약본을 작성해 드립니다.

전문적인 내용을 담고 있지만, 일반 독자들도 쉽게 이해할 수 있도록 용어를 풀어서 설명하고 논문의 핵심 가치를 중심으로 정리했습니다.

---

# [최신 연구] 500만 명의 DNA가 여는 미래: 영국 'Our Future Health' 프로젝트 분석

의학 연구의 패러다임이 바뀌고 있습니다. 과거에는 수천 명 규모의 연구가 대규모로 취급받았지만, 이제는 국가 단위의 '메가 바이오뱅크(Mega-biobank)' 시대가 열렸습니다. 오늘 소개할 논문은 세계 최대 규모의 바이오뱅크로 급부상한 영국의 **'Our Future Health'** 프로젝트를 다룹니다. 이 거대한 데이터가 어떻게 질병 예방과 정밀 의학의 미래를 바꾸고 있는지 논문의 핵심 내용을 정리해 드립니다.

## 1. 연구 배경: 기존 바이오뱅크의 한계를 넘어서

[cite_start]지난 수십 년간 **'UK 바이오뱅크(UK Biobank)'**와 같은 대규모 코호트 연구는 질병 예방과 치료에 지대한 공헌을 했습니다[cite: 12, 13]. 하지만 기존 바이오뱅크들은 몇 가지 명확한 한계가 있었습니다.

* **참여자 편향(Bias):** 자발적으로 참여하는 사람들은 대개 백인이고, 부유하며, 건강에 관심이 많은 층에 쏠려 있었습니다. [cite_start]이를 '건강한 자원자 편향(healthy volunteer bias)'이라고 합니다[cite: 23, 31].

* [cite_start]**대표성 부족:** 소수 인종이나 사회경제적으로 어려운 계층의 데이터가 부족하여, 연구 결과를 전체 인구에 적용하기 어려웠습니다[cite: 27].

[cite_start]이러한 문제를 해결하고, 영국 성인 인구의 다양성을 온전히 반영하기 위해 2022년부터 본격적인 모집을 시작한 것이 바로 **'Our Future Health'**입니다[cite: 16].

## 2. 연구 목적: 500만 명, 전례 없는 규모와 다양성

이 프로젝트의 목표는 매우 야심 찹니다.

* [cite_start]**압도적 규모:** 영국 성인 인구의 약 10%에 해당하는 **500만 명**의 참여자를 모집하는 것을 목표로 합니다[cite: 16, 21].

* [cite_start]**진정한 다양성 확보:** 다양한 인종, 소득 수준, 거주 지역을 포괄하여 특정 계층에 치우치지 않는 '진짜' 인구 데이터를 구축하고자 합니다[cite: 9, 24].

* [cite_start]**데이터 연계:** 참여자의 유전자 정보뿐만 아니라 국민보건서비스(NHS)의 의료 기록을 연동하여, 유전자가 실제 건강에 미치는 영향을 장기적으로 추적합니다[cite: 137].

## 3. 연구 방법: 슈퍼마켓에서 만나는 의료 연구

논문에서는 이 프로젝트가 어떻게 500만 명이라는 거대 표본을 모으고 있는지 독특한 전략을 소개합니다.

* **팝업 클리닉 활용:** 병원이 아닌 슈퍼마켓 주차장, 약국, 쇼핑센터 등에 이동식 클리닉을 설치했습니다. [cite_start]이를 통해 의료 접근성이 낮은 지역 주민들의 참여를 적극적으로 유도했습니다[cite: 121, 122].

* [cite_start]**포괄적 데이터 수집:** 혈액 샘플을 통한 유전체 분석(Genotyping)뿐만 아니라, 설문조사를 통한 생활 습관, 그리고 병원 입원 기록, 암 등록 기록 등 실제 의료 데이터를 연결했습니다[cite: 137].

## 4. 현재 결과: 세계 최대의 바이오메디컬 데이터셋

논문 작성 시점을 기준으로 도출된 성과는 다음과 같습니다.

* [cite_start]**참여자 수:** 이미 **170만 명** 이상의 참여자가 등록하여, 단일 프로젝트로는 세계 최대 규모의 바이오메디컬 데이터셋이 되었습니다[cite: 20].

* [cite_start]**유전체 분석:** 현재 약 65만 명의 유전체 분석이 완료되었습니다[cite: 99].

* **다양성 확보 성공:** 참여자의 약 10%가 소수 인종(백인 제외)으로 구성되었습니다. [cite_start]비율로는 적어 보일 수 있지만, 전체 모수가 워낙 크기 때문에 절대적인 수치로는 매우 의미 있는 규모의 소수 인종 데이터가 확보되었습니다[cite: 26, 27].

## 5. 고찰: 데이터 연계가 만드는 시너지 (Trans-biobank)

이 논문의 핵심은 단순히 사람을 많이 모았다는 것에 그치지 않습니다. 연구진은 **'데이터 연계'**와 **'바이오뱅크 간 결합'**이 가져올 혁신을 강조합니다.

1.  **가족 관계 분석의 힘:** 샘플 규모가 커지면 필연적으로 부모-자식이나 형제자매가 데이터셋에 포함될 확률이 높아집니다. [cite_start]이를 통해 유전자가 부계에서 왔는지 모계에서 왔는지 구분(Haplotype phasing)하는 정밀한 분석이 가능해져, 유전 질환의 원인을 더 정확히 파악할 수 있습니다[cite: 128, 129].

2.  [cite_start]**참여 편향 보정:** 유전 정보와 인구 센서스 데이터를 비교하여, 어떤 특성을 가진 사람들이 연구에 더 잘 참여하는지 파악하고 이를 통계적으로 보정할 수 있는 새로운 기법들을 적용할 수 있습니다[cite: 261, 264].

3.  **데이터 통합의 과제:** 설문조사 응답을 국제 표준 질병 분류(예: Global Burden of Disease)와 일치시키는 '매핑(Mapping)' 작업의 어려움과 중요성도 지적되었습니다. [cite_start]예를 들어, 참여자가 "생식기 문제"라고 답한 것을 의학적 코드로 정확히 변환하는 작업이 필요합니다[cite: 269].

## 6. 의의와 시사점

**'Our Future Health'**는 단순한 연구 프로젝트를 넘어 글로벌 유전체 연구의 새로운 표준을 제시하고 있습니다.

* [cite_start]**정밀 공중보건의 실현:** 개인의 유전자, 환경, 사회적 요인을 모두 고려한 맞춤형 질병 예방이 가능해집니다[cite: 267].

* [cite_start]**소외된 계층을 위한 의학:** 그동안 백인 위주였던 의학 데이터의 불균형을 해소하여, 다양한 인종과 배경을 가진 사람들에게도 효과적인 치료법을 개발할 수 있는 토대를 마련했습니다[cite: 280].

* [cite_start]**연구 인프라의 확장:** 영국 내 다른 바이오뱅크(UK Biobank 등)와 데이터를 결합하여 분석할 경우, 전례 없는 통계적 파워를 갖게 됩니다[cite: 283].

---

### 💡 이 연구가 왜 중요한가요?

이 논문은 단순히 영국의 한 프로젝트에 대한 소개가 아닙니다. **'데이터의 규모가 질(Quality)을 바꿀 수 있음'**을 보여주는 사례이기 때문입니다.

1.  **희귀 질환의 발견:** 500만 명 규모에서는 아주 드문 유전자 변이도 발견할 수 있어, 희귀병 환자들에게 새로운 희망이 될 수 있습니다.

2.  **나에게 맞는 치료:** 더 이상 '평균적인 환자'를 위한 약이 아니라, 나의 유전적 배경과 생활 환경에 딱 맞는 '정밀 의료'가 현실화되는 시점이 당겨집니다.

3.  **편향 없는 과학:** 특정 인종이나 계층만 대변하는 반쪽짜리 의학이 아니라, 인류 전체를 아우르는 보편적이고 공정한 의학 연구가 가능해집니다.

결론적으로 이 연구는 **"모두를 위한 미래의 건강(Our Future Health)"**이라는 이름처럼, 의학 연구가 실험실을 넘어 실제 우리 삶의 현장으로, 그리고 소외된 이웃에게로 확장되고 있음을 보여주는 중요한 이정표입니다.

chatGPT

논문의 핵심은 **대규모 바이오뱅크 데이터를 서로 연결하고(데이터 연계), 여러 바이오뱅크 간 유전체 정보를 통합 분석(트랜스-바이오뱅크 연구)** 했을 때 얻을 수 있는 과학적·임상적 가치를 극대화하는 전략과 한계를 연구자 관점에서 정리한 **논평(Comment)** 입니다. 아래에 블로그에 바로 올릴 수 있도록 일반 독자 수준으로 요약했습니다.

---

## 📌 연구 배경

최근 전 세계적으로 10만 명~100만 명 이상 규모의 건강 데이터와 DNA를 함께 수집하는 ‘메가 바이오뱅크’ 연구가 새로운 의학 연구의 인프라가 되었습니다. 그 대표적인 예로 영국의 UK Biobank, 미국의 Million Veterans Program, 핀란드의 FinnGen 등이 있으며, 이러한 자원은 질병과 유전의 연관성을 밝혀 맞춤형 의료(정밀의학)의 기반을 제공해 왔습니다.

이 흐름 속에서 2022년부터 5백만 명 규모 모집을 목표로 시작된 **새로운 바이오뱅크**가 바로 논문의 중심이 되는 *연구 자원*입니다. 이 연구는 이미 **170만 명 이상의 설문·건강 정보**와 **65만 명 이상 유전체(유전형) 데이터**를 확보했고, 앞으로 모집 규모가 UK 성인 인구 10% 수준인 5백만 명까지 확장될 예정입니다. 

---

## 🔍 연구 목적

이 논평의 목적은 단순히 데이터를 소개하는 것이 아닙니다.

다음 질문에 답하는 데 있습니다:

1. **어떻게 하면 이 거대한 유전체·건강 데이터가 더 과학적 가치가 커질까?**

2. **여러 데이터(인구조사, 환경, 행정, 건강기록 등)와 연결했을 때 어떤 연구가 가능한가?**

3. **UK Biobank 같은 기존 연구가 겪었던 ‘건강한 자원자 편향(healthy volunteer bias)’ 같은 모집 편향을 어떻게 인지하고 보정할 수 있을까?**

4. **여러 나라·바이오뱅크 간 데이터를 통합 분석하면 무엇이 좋아지고, 어떤 난관이 있는가?**

---

## 🧬 연구 방법 (논평에서 제안한 접근)

### 1) **데이터 연계(Data linkage)의 확장**

* 참가자의 전자 건강기록(NHS 2차 진료, 암·사망 기록 포함)과 이미 연계되어 있으며

* 향후 ▲1차 진료 ▲조제 약품 ▲환경 정보(오염, 병원체, 폐수 데이터 등) ▲정책 지표 등과 연결하면 **사회·환경 요인까지 포함한 정밀 공중보건 연구** 가능

* 다만, 교육·세금·고용 같은 **행정 데이터 연계는 별도 법·동의 체계가 달라** 모집 동의 단계에서 미리 설계해야 함을 강조합니다. 

### 2) **유전적 친척 관계 분석의 폭증**

* 바이오뱅크에 **유전체 정보를 가진 참가자가 10% 이상 모이면**, 3~20번 이상의 감수분열(meiosis) 차이를 가진 친척이 데이터 안에서 자동으로 발견됨

* 이 친척 정보를 서로 대조하면 **부모 유전체의 출처(모계/부계)를 추론하여 ‘부모 기원 효과(parent-of-origin effect)’ 연구 가능**

* 실제로 아이슬란드 deCODE 연구와 UK Biobank에서도 이런 방법으로 95% 이상 데이터가 성공적으로 위상(phase) 혹은 해플로타입 분리가 가능했습니다.

* 이 연구 자원도 절대 규모 자체가 훨씬 커서, **1차 친척(Sibling, Parent-offspring)이 대거 포함되어 자연스럽게 친척 기반 분석이 가능한 점**이 강조되었습니다. 

### 3) **여러 바이오뱅크 통합 분석 (Trans-biobank)**

* 현재 Our Future Health genotyping 참여자 650,979명에, UK Biobank(488,000) 규모까지 합하면 이미 **100만 명 이상 통합 위상 분석 기반이 가능한 임계점에 도달**

* 여기에 연구 자원 + UKBB + 10만명 규모의 Genomics England GEL까지 연합 분석하면 **성공적 해플로타입 분리 비율은 더 증가**

* 결과적으로 **희귀 변이 탐지, 다양한 인종 집단 포괄, 부모 기원 효과, 희귀 질병 연구의 통계적 검정력 향상** 같은 개념적 이점을 얻습니다. 

---

## 📊 주요 결과 (활용 가능성 중심)

| 연구 영역            | 핵심 성과 및 가능성                                        |

| ---------------- | -------------------------------------------------- |

| **인종 다양성 확대**    | 영국 비(非)백인 DNA 연구 규모를 절대 수치로 획기적 확장 (약 10% 소수인종 포함) |

| **희귀 변이 탐지력 상승** | 기존 바이오뱅크보다 ‘희귀 유전변이 → 질병’ 연구 검정력(파워) 월등히 향상        |

| **부모 기원 효과 연구**  | 위상 분리(phasing)와 친척 매칭으로 *모계/부계 유전체를 분리해 분석 가능*     |

| **정밀 공중보건**      | 참가자 위치 기반 환경·정책 데이터와 결합해 *공중보건 정밀지도 구축 가능*         |

| **임상 적용 가속**     | NHS와 밀착된 구조 설계로 *유전체 결과의 실제 의료 적용 잠재력 극대화*         |

설문 기반 특정 질병 유병률 매핑 사례(Fig.3)를 예시로 제시하며 **암 같은 일부 질병은 1:1 코드 매핑 가능**하지만, **정신질환·호흡기질환·비뇨기계 질환 등은 복수 코드와 다대다 매핑 구조라 공통 데이터 모델이 필요**함을 보여주어, 데이터 정제와 코드 표준화의 중요성을 강조했습니다. (GBD 2021 유병률 비교 예시) 

---

## ⚠️ 연구의 한계와 문제 제기

### 1) **유전체 모집 편향(Genetic participation bias)**

* UK Biobank 연구에서 ‘건강한 사람 위주로 참여’하는 편향이 **유전적 연관 분석 결과를 왜곡할 수 있음**이 이미 입증됨

* Our Future Health도 같은 문제를 피할 수 없으므로, **편향을 인지(detect), 문서화(document), 보정(adjust)하는 연구 프레임이 필요**합니다.

### 2) **트랜스-바이오뱅크 연구의 난관**

* 서로 다른 나라/법 체계(GDPR, HIPAA 등)

* 동의 구조, 데이터 코드 체계, 클라우드(TRE) 비용 구조

* 데이터 포맷 비호환, 분석 스크립트 이식성 문제

* 탐색적 시행착오 연구를 저해하는 **높은 계산 비용**

하지만 이를 해결하는 국제적 연합체, federated 분석 모델(환경 분리 저장 후 분석만 연계) 같은 기술적 해법이 발전 중입니다. 

---

## 💡 연구의 의의와 시사점

이 논평이 강조하는 가장 중요한 메시지는 이것입니다:

> **“거대한 데이터만으로 바뀌지 않는다. 데이터가 서로 연결되고 표준화될 때 진짜 가치가 드러난다.”**

즉, 유전체 정보 + 건강 기록 + 인구 통계 + 환경 + 정책 + 행정 정보까지 통합되면,

* *‘누가’ 질병에 잘 걸릴까?* (유전체)

* *‘왜’ 걸릴까?* (사회·환경·정책)

* *부모로부터 ‘어떤 방식’으로 물려받았을 때 위험이 큰가?* (부모 기원 효과)

  를 **동시에 연구할 수 있는 전례 없는 분석 플랫폼이 열린다는 뜻**입니다.

이는 희귀 질환·유전 규제 연구, 개인 질병 위험 예측(Polygenic score 활용), 의료 자원 설계의 과학적 토대를 제공하여 **유전체 기반 맞춤 의료의 임상 적용을 한 단계 앞당길 수 있는 이유**가 됩니다. 

---

## ✅ 왜 이 연구는 중요한가? (마지막 한 문단)

이 연구가 중요한 이유는 **규모의 기록 경신 때문이 아닙니다.**

영국 전체 성인의 10% 이상 유전체 정보가 포함될 수 있는 임계점에 도달하면서,

1. 유전체 데이터 안에서 **친척 관계가 폭발적으로 늘어나**

2. **모계·부계 유전체 출처를 자동으로 분리 분석할 수 있고**

3. *희귀 변이 → 질병* 연구의 **통계 파워가 커지며**

4. **환경·정책·사회 데이터와 시간 흐름에 따라 연결하면**

   *“DNA + 삶의 전체 맥락”* 을 함께 연구할 수 있기 때문입니다.

빅데이터가 편향 없이 의료로 연결되기 위해선 편향을 ‘모른 척’할 수 없습니다. 이 자원은 **편향을 탐지하고 보정할 충분한 수의 친척 데이터를 포함**할 수 있고, 전자 건강기록과 밀착돼 있어 **연구 → 임상 적용으로 가는 길이 빠르게 열립니다.**

결국 이 연구는

> *유전 정보가 인종과 출신에 상관없이 공정하게 분석되고*,

> *질병 위험이 부모로부터 어떻게 물려받았을 때 더 커지는지 밝히며*,

> *환경과 사회정책이 DNA 수준 위험과 어떻게 상호작용하는지* 를 밝힐 수 있는

**맞춤 의료의 새로운 패러다임을 여는 기초 인프라 논의**이기 때문에 중요합니다.

🔚 마지막으로, 이 연구는 왜 중요한가?

> 미래의 의료는 ‘평균’의학에서 ‘개인’의학으로 이동하고 있습니다. 바이오뱅크가 서로 연결되고, 부모 DNA 출처와 삶의 맥락(환경·정책·사회요인)까지 하나의 연구 프레임으로 통합될 때, **진짜 의미의 정밀·공정 의료가 실현되기 때문입니다.** 이 논문은 바로 그 길을 설계하기 위한 청사진이자, 다음 10년 맞춤의료의 기초를 제시하는 중요한 출발점입니다.

grok

### 영국 최대 바이오뱅크 ‘Our Future Health’가 바꿀 미래 의학  

— 500만 명 규모로 보는 인류 건강 연구의 새 지평

최근 네이처 제네틱스(Nature Genetics, 2025년 10월)에 실린 논평은 영국이 추진 중인 초대형 건강 연구 프로젝트 **Our Future Health(OFH)**의 가능성과 앞으로 나아가야 할 방향을 정리한 글입니다. 쉽게 말해 “영국 성인 10명 중 1명이 참여하는 세계 최대 규모의 건강·유전자 은행”이 어떻게 인류 의학을 바꿀 수 있을지에 대한 연구자들의 제안서라고 볼 수 있어요.

#### 1. 연구 배경 — 왜 지금 이런 프로젝트가 필요한가?

지금까지 UK Biobank(50만 명), 미국 All of Us(100만 명 목표), 핀란드 FinnGen 등 대형 바이오뱅크들이 많은 성과를 냈지만, 여전히 두 가지 큰 문제가 있었습니다.

① 대부분 백인 중심이라 아시아·흑인 등 다른 인종에 대한 연구가 부족

② 참여자 수가 적어 드문 질환이나 부모 유전(아버지 쪽 vs 엄마 쪽) 효과 같은 미세한 연구가 어려움

영국은 2022년부터 **Our Future Health**라는 새 프로젝트를 시작했습니다. 목표는 **성인 500만 명(영국 성인 인구의 약 10%)**을 모집하는 것인데, 2025년 6월 기준 이미 **170만 명**이 참여했고, 이 중 **65만 명**의 유전자형(genotype) 분석이 끝났습니다. → 현재 세계에서 단일 프로젝트 기준 가장 큰 건강·유전자 데이터베이스입니다.

#### 2. 이 프로젝트가 특별한 이유 (주요 결과)

- 전국 곳곳에 이동식 클리닉(쇼핑몰 주차장, 슈퍼마켓 등)을 설치해 소외 지역·저소득층도 쉽게 참여 → UK Biobank보다 훨씬 더 영국 인구를 잘 반영

- 소수민족 참여율이 약 10% (아직 인구 비율보다는 낮지만, 절대 숫자는 세계 최대 수준)

- 이미 65만 명의 유전자형 확보 → UK Biobank(48.8만) + Genomics England(10만)과 합치면 100만 명 이상의 영국인 유전자 정보 보유

#### 3. 앞으로 할 수 있는 놀라운 연구들 (고찰·시사점)

연구자들은 OFH가 단순히 “큰 데이터”에 그치지 않고 다음 단계로 나아가야 한다고 강조합니다.

① 부모별 유전 효과 연구 가능  

→ 인구의 10%가 유전자 분석되면 거의 모든 참여자에게 3~20촌 내 친척이 데이터 안에 있게 됩니다.  

→ 이를 이용해 같은 유전자를 아버지에게 받은 사람 vs 엄마에게 받은 사람을 비교 → 지금까지 거의 불가능했던 ‘부모 기원 효과(parent-of-origin effect)’ 연구가 가능해짐 (예: 특정 질환이 아버지 쪽 유전자일 때 더 심한가?)

② 참여 편향(healthy volunteer bias) 바로잡기  

→ 기존 UK Biobank은 건강하고 교육 수준 높은 사람이 많이 참여해서 결과가 왜곡되는 문제가 있었습니다.  

→ OFH는 규모가 워낙 커서 데이터 안에서 스스로 “누가 참여했고 누가 빠졌는지”를 유전적으로도 추정·보정할 수 있습니다.

③ 영국 전체 건강 기록과 연결  

→ 병원 기록, 암 등록, 사망 기록은 이미 연결돼 있고, 앞으로 약국 처방전, 초등·중등 의료 기록, 심지어 환경 데이터(대기오염, 폐수 병원체 등)까지 연결 가능  

→ 이렇게 되면 “정밀 공중보건(precision public health)”이 현실화됩니다.

④ 다른 바이오뱅크와 합치면 진짜 무적  

→ OFH + UK Biobank + Genomics England 데이터를 안전하게 합치면 영국 성인 10명 중 1명의 유전자+건강 정보를 가진 초거대 데이터가 탄생  

→ 특히 남아시아계 영국인만 합쳐도 세계 최대 규모의 남아시아계 코호트가 됩니다.

#### 4. 연구자들이 바라는 4가지 (결론적 제안)

1. 끝까지 500만 명 목표 달성 + 다양성 계속 유지

2. 병원 기록뿐 아니라 교육·소득·환경 등 행정 데이터도 연결 허용

3. 데이터 표준화 철저히 해서 다른 나라 바이오뱅크와 쉽게 합칠 수 있게

4. 단백질·대사체(프로테오믹스·메타볼로믹스) 데이터도 빨리 공개

#### 이 연구(프로젝트)가 왜 중요한가?

간단히 말해 **“인류가 처음으로 한 나라 국민 10%의 유전자·건강·생활 데이터를 평생 추적”** 하는 실험이 시작된 것입니다.  

이 데이터가 잘 쌓이고, 다른 나라·다른 바이오뱅크와 안전하게 연결된다면:

- 지금은 백인 중심인 유전자 연구가 진짜 “모든 인류”를 대표하게 되고  

- 드물게 나타나는 유전 질환, 부모별 유전 효과, 환경과 유전자의 상호작용 등이 훨씬 정밀하게 밝혀지며  

- 결국 예방·진단·치료가 개인별로 최적화된 미래 의학이 훨씬 빨리 올 수 있습니다.

영국이 시작한 이 거대한 실험은 앞으로 10~20년 뒤 전 세계 의료의 표준을 바꿀 가능성이 매우 큽니다.  

우리나라에도 100만 명 규모의 국가 바이오빅데이터 사업이 진행 중인데, 영국의 사례를 잘 보면 더 좋은 방향으로 만들 수 있을 것 같네요!

NotebookLM

## 블로그 포스팅: 유전체 연구의 거인, 'Our Future Health'가 열어갈 정밀 의학의 새로운 지평

### 1. 연구 배경: 거대 바이오뱅크 시대의 도래와 기존 데이터의 한계

최근 몇 년간 **UK 바이오뱅크(UKBB)**와 **Million Veterans Program (MVP)** 같은 '메가-바이오뱅크'가 질병의 예방, 탐지, 치료에 막대한 공헌을 하며 의료 연구를 혁신적으로 변화시켜 왔습니다. 이들 바이오뱅크는 수십만 명의 개인으로부터 혈액, 소변, DNA와 같은 다양한 생체 시료와 더불어, 인구 통계, 생활 방식, 가족력, 심지어 보건 및 교육 기록까지 광범위하게 수집합니다.

2022년에 모집을 시작한 영국의 새로운 대형 코호트 연구인 **Our Future Health (OFH)**는 기존의 성공을 바탕으로 등장했습니다. OFH는 **성인 영국 인구의 약 10%에 해당하는 500만 명**을 모집하는 것을 목표로 하며, 현재(작성 시점 기준) 이미 170만 명 이상의 데이터를 보유하여 **세계에서 가장 큰 생의학 데이터셋** 중 하나입니다.

그러나 대부분의 바이오뱅크는 **자발적 참여 기반**의 모집 방식을 취하기 때문에, 표본이 목표 모집단을 완전히 대표하지 못하고 **선택 편향(selection biases)**을 겪는다는 고질적인 문제가 있습니다. 예를 들어, UKBB에서는 유전적 연관성을 왜곡하는 **'건강한 자원봉사자' 편향**이 관찰되기도 했습니다. 또한, 기존 연구들은 유럽계 조상(ancestry) 그룹에 편중되는 경향이 있었습니다.

### 2. 연구 목적: OFH의 잠재력 극대화와 데이터의 포용성 확대

이 논문(Comment)의 목적은 새로운 거대 자원인 OFH가 잠재력을 완전히 실현하고 글로벌 연구 노력에 영향을 미칠 수 있도록 **연구자의 관점에서 핵심적인 우선순위**를 제시하는 것입니다.

핵심 목표는 다음과 같습니다.

1.  **편향 해소 및 포용성 강화:** 영국 성인 인구를 광범위하게 포괄하는 OFH의 장점을 활용하여, 기존의 편향을 해소하고 **다중 조상 코호트 연구의 새로운 표준**을 확립하는 방안을 모색합니다.

2.  **데이터 연결 및 통합 가속화:** **데이터 연동(data linkage)** 및 **트랜스-바이오뱅크 연구(Trans-biobank research)**(여러 바이오뱅크 데이터 결합)를 촉진하여 복잡한 특성에 대한 이해를 심화하는 방안을 논의합니다.

### 3. 연구 방법: 포용적 모집과 첨단 분석 인프라 구축

OFH는 기존 바이오뱅크의 한계를 극복하기 위해 독특한 전략을 사용합니다.

*   **포용적인 모집 전략:** 참가자들에게 더 높은 접근성을 제공하기 위해 전국에 분포된 클리닉(pop-up clinics), 쇼핑센터, 이동식 유닛, 약국 협력 등을 통해 모집하며, **취약 지역 및 역사적으로 과소 대표되었던 지역**의 개인을 확보하고자 노력했습니다. 그 결과, 현재 약 **10%**의 참가자가 영국 내 소수 민족 그룹(백인 소수 민족 제외) 출신인데, 이는 그 규모 면에서 매우 의미 있는 성과입니다.

*   **다양한 데이터 수집:** OFH는 설문 조사, **유전자형 배열 데이터(genotype array)**, 병원 입원, 암 등록, 사망 등록과 같은 **연동된 건강 기록** 및 임상 측정값(혈압 등)을 수집합니다. 향후에는 원발성 의료 기록 연동, 복용 약물, 웨어러블 데이터, 전장 유전체 시퀀싱(WGS), **단백질체(proteomic) 및 대사체(metabolomic) 데이터**까지 포함할 예정입니다.

*   **연구 환경 구축:** 연구의 투명성과 보안을 위해 데이터 추출본을 제공하는 대신, **신뢰할 수 있는 연구 환경(TRE, Trusted Research Environment)**이라는 클라우드 기반 분석 플랫폼을 통해 전 세계 연구자들에게 데이터를 제공합니다.

*   **편향 보정 노력:** OFH는 모집단의 사회인구학적 특성을 반영하도록 **영국 인구 조사 2021–2022 기반의 가중치**를 제공하고, 편향 보정에 사용된 통계 코드를 연구자들에게 공개할 예정입니다.

### 4. 연구 결과 및 잠재력: 거대 규모가 가져올 분석 혁신

OFH의 규모와 구조는 유전체 의학에 다음과 같은 혁신적인 기회를 제공합니다.

*   **유전적 관련성 극대화 (Phasing):** OFH가 목표치인 500만 명에 도달하면 영국 성인 인구의 10%를 포괄하게 됩니다. 이는 대다수 참가자가 **가깝지 않은 친척(3~20번 이상의 감수분열로 분리된)**을 데이터셋 내에 최소 한 명 이상 가지게 될 가능성이 높다는 의미입니다. 이러한 높은 관련성은 **부모 기원 효과(parent-of-origin effects)** 연구에 매우 중요한 **단상형 결정(Haplotype phasing)**을 더 정확하게 할 수 있도록 돕습니다.

*   **데이터 연동을 통한 정밀 공중 보건:** OFH는 NHS 기록과 연동되며 참가자의 **장기적인 위치 정보 지표(longitudinal geolocation indicators)**를 포함할 수 있습니다. 이를 환경 지표(예: 폐수 병원체, 오염) 데이터와 연동하면, 환경적, 사회적 건강 결정 요인을 고려하는 **정밀 공중 보건 접근 방식**을 발전시킬 수 있습니다.

*   **미개척 집단의 통계적 검출력 증가:** OFH, UKBB, 그리고 남아시아계만으로 구성된 **Genes & Health** 코호트를 결합할 경우, **세계에서 가장 큰 남아시아계 조상 코호트**가 생성되어 통계적 검출력(statistical power)을 극대화하고 **과소 연구된 인구 집단의 연구 해상도를 개선**할 수 있습니다.

### 5. 고찰 및 시사점: 기회와 도전 과제의 공존

OFH의 잠재력은 엄청나지만, 이를 실현하기 위해서는 몇 가지 주요 과제를 해결해야 합니다.

*   **참여 편향의 복잡성:** OFH는 인구 가중치를 제공하지만, 현재의 가중치 방법은 **표현형 데이터**에 의존하므로, 유전적 수준의 참여 편향을 완전히 교정하지 못하고 유전자-표현형 연관성을 여전히 편향되게 만들 수 있습니다. OFH의 규모는 관련 개인의 분석을 통해 **유전적 편향**을 테스트하고 교정하는 방법을 발전시키는 이상적인 플랫폼을 제공합니다.

*   **트랜스-바이오뱅크 연구의 장벽:** 여러 바이오뱅크 데이터를 결합하는 것은 **통계적 검출력을 높이고 희귀 변이 탐지를 개선**하는 등 큰 이점을 제공하지만, **데이터 조화(Data Harmonization)**(용어 및 코드 통일), **접근 정책, 법적 프레임워크(HIPPA, GDPR)**, 그리고 **윤리적 거버넌스**의 차이를 해결해야 하는 어려움이 있습니다.

*   **데이터 표준화:** OFH의 방대한 설문 데이터(2,500개 이상의 응답 코드)를 GBD, ICD-10, SNOMED CT와 같은 국제 분류 시스템과 비교하려면 **추가적인 큐레이션 및 데이터 표준화** 작업이 필요합니다.

### 이 연구가 중요한 이유

이 논문은 **"Our Future Health"**라는 전례 없는 규모의 새로운 바이오뱅크 자원의 출범을 알리고, 이것이 **향후 유전체 연구의 방향을 어떻게 형성할지**에 대한 청사진을 제시합니다.

OFH는 단순히 큰 규모를 넘어, **역사적으로 소외된 집단을 포용**하려는 적극적인 노력을 기울이고 있으며, **UKBB 및 Genomics England**와 결합하여 **단일 국가에서 성인 인구의 10% 이상을 게놈 분석**할 수 있는 기반을 마련합니다. 이는 **전 세계적으로 정밀 의학의 혜택을 확대**하고, 복잡한 질병의 유전적 기반을 근본적으로 이해하는 데 필요한 **가장 강력하고 포용적인 데이터 인프라**를 제공한다는 점에서 매우 중대한 의의를 가집니다.

Perplexity.ai

업로드한 논문은 "Our Future Health"라는 영국 대규모 생체표본 연구를 중심으로, 이 연구가 보유한 데이터와 그 잠재적 활용에 대해 다루고 있습니다. 본 논문은 일반 성인을 대상으로 쉽게 이해할 수 있도록 연구의 배경, 목적, 방법, 주요 결과와 시사점을 설명합니다.

## 연구 배경과 목적

우리 미래 건강(Our Future Health)은 영국 성인 인구를 대상으로 500만 명 참가자를 모집하는 대규모 관찰 코호트 연구입니다. 기존 대규모 생체표본 연구들이 주로 특정 집단이나 규모에 제한되어 있던 것과 달리, Our Future Health는 다양한 인구집단을 포함하고 광범위한 데이터를 활용해 질병 예방과 치료, 그리고 유전체 의학 발전을 목표로 합니다. 특히 소수 인종과 소외 지역의 참여를 늘리고, 국가 보건 서비스(NHS)와 연계해 임상적 활용도를 높이려는 점이 특징입니다.

## 연구 방법

참가자 모집은 전국적으로 의료기관과 팝업 클리닉, 모바일 유닛 등을 통해 이루어졌으며, 설문조사, 유전자 검사, 병원 기록 등 다양한 데이터를 수집합니다. 이 데이터들은 클라우드 기반 연구 환경에서 연구자들이 안전하게 접근하여 분석할 수 있도록 하였고, 추가적으로 여러 질병 데이터, 웨어러블 기기 데이터, 단백질체 및 대사체 데이터도 확장 예정입니다. 또한 데이터 표준화 및 타 연구기관과의 데이터 연계를 통해 보다 심도 있는 연구가 가능하도록 설계되었습니다.

## 연구 결과 및 고찰

현재까지 170만 명 이상의 참가자 데이터를 보유하고 있으며 이중 약 10%는 소수 인종 출신으로 영국 인구 구성에 따른 다양성을 갖추고 있습니다. 대규모 데이터는 유전학, 환경 요인, 생활 습관 등 다양한 변인을 종합해 질병 원인과 복잡한 형태의 유전적 효과(예: 부모 유래 유전자 효과)를 분석할 수 있는 기반을 제공합니다. 또한, 타국의 비슷한 생체표본 연구와 데이터를 통합하는 ‘트랜스-바이오뱅크’ 연구를 통해 새로운 유전자-표현형 상관관계를 발견하거나 희귀 변이 검출력이 향상될 수 있습니다.

## 연구 의의와 시사점

Our Future Health는 기존 생체표본 연구의 한계를 극복하며, 인구전체의 건강 데이터를 통합 관리해 정밀 공중보건에 기여할 수 있다는 점에서 중요합니다. 예를 들어, 건강 불평등 해소, 맞춤형 예방 전략 개발, 임상 시험 참가자 재선정 등 보건 연구와 의료 현장에 광범위한 영향을 미칠 전망입니다. 아울러, 참여자 편향(예: 건강한 자발적 참여자 증가) 문제를 통계적 기법으로 조정하며, 보다 신뢰성 높은 유전학 연구를 도모합니다.

## 이 연구의 중요성

Our Future Health는 세계 최대 규모의 인구 기반 생체표본 연구로서, 광범위한 인구층과 다문화 집단을 포함하는 점에서 글로벌 유전체 의학 연구의 새로운 표준이 될 잠재력이 큽니다. 이 연구는 유전체 데이터와 건강 기록의 통합, 그리고 국제 연구 협력의 중추적 역할을 수행함으로써 질병 연구를 가속화하고 개인 맞춤 의학 발전에 크게 기여할 것입니다. 따라서 장기적으로 건강 불평등 해소와 예방의학 발전에 핵심적 자산으로 자리매김할 것으로 평가됩니다.[1]

Kimi

**블로그용 논문 요약: “우리의 미래 건강(Our Future Health)”이 왜 주목받는가?**  

*Nature Genetics 2025년 10월호에 실린 논문을 바탕으로*

---

### 🔍 연구 배경: 왜 새로운 바이오뱅크가 필요했을까?

지금까지 영국을 대표하는 바이오뱅크는 **UK Biobank**였습니다. 50만 명의 유전자와 건강 정보를 담았지만, 대부분 백인·고령·고학력층이 참여하면서 **‘건강한 자원봉사자 편향’**이 생겼습니다.  

결과적으로 유전자-질병 연구결과가 **모든 인구집단에 그대로 적용되기 어렵다**는 한계가 드러났죠.

---

### 🎯 연구 목적: “이번엔 진짜 전 국민을 담자!”

2022년 시작된 **‘우리의 미래 건강(Our Future Health, OFH)**’는  

**“영국 성인 5천만 명 중 500만 명(10%)의 유전자와 건강 기록을 모아  

누락됐던 계층·민족·지역까지 대표하는 초대형 코호트를 만들자”**는 목표를 세웠습니다.

---

### 🧪 방법: 어떻게 500만 명을 모으나?

1. **참여 문턱 낮추기**  

   - 쇼핑센터·대형마주차장에 **이동 진료소(팝업 클리닉)** 설치  

   - **약국·NHS(국민보건서비스)** 협업 → 의료 접근성 낮은 지역 집중 유치

2. **민족·계층 골고루 뽑기**  

   - 2021~22년 인구센스 기준 **가중치(weight)** 적용  

   - 현재 170만 명 등록, 그중 **비백인 10%** 달성 (절대 인원 17만 명)

3. **데이터 ‘연결’에 집중**  

   - 병원·암·사망 레코드는 물론, **조세·교육·고용 행정자료**까지 연결 예정  

   - **전국민 ID 없는 영국**에서도 ‘지리적 단위(400~1,200세대)’로 공기·오염·정책 데이터를 매칭

---

### 📊 결과: 벌써 드러난 3가지 임팩트

| 항목 | UK Biobank | Our Future Health (현재) |

|---|---|---|

| 등록자 수 | 50만 명 | 170만 명 (목표 500만) |

| 유전자 분석 완료 | 48.8만 명 | 65만 명 |

| 비백인 비율 | 5% 미만 | 10% (17만 명) |

| 이동 진료소 | 0개 | 700개 소 |

| 행정 데이터 연결 | 제한적 | 병원+조세+교육 예정 |

- **이미 UK Biobank + Genomics England + OFH 합치면 ‘100만 유전자 데이터’ 돌파**  

- **10% 유전자 커버리지 돌파 시** → 거의 모든 국민이 ‘3촌 이내’ 유전자 친척을 데이터 속에서 찾을 수 있는 **‘아이슬란드 모델’** 재현 가능

---

### 🧐 고찰: 아직 풀어야 할 숙제

1. **자원봉사자 편향은 여전하다**  

   - 고학력·여성·비흡연자가 과대표돼 있음  

   - **유전자 자체가 참여를 좌우한다**는 사실 확인(예: UK Biobank 남매 분석)  

   → OFH도 **‘유전자 기반 참여편향 보정법’** 적용 중

2. **데이터 품질·정의 통일이 산 넘어 산**  

   - 2,500개 이상의 설문 응답 코드, 병명·처방·검사명이 **각기 다른 표준** 사용  

   - **국제표준(ICD-10, SNOMED, GBD)로 통일하는 ‘공통 데이터 모델’** 작업 진행 중

3. **국경 넘는 공유는 ‘규제의 벽’**  

   - GDPR(유럽)·HIPAA(미국) 등 **법마다 동의 범위·신원보호 기준** 달라  

   - **데이터는 각국에 두고, 분석만 연합(연방식)** 하는 기술적 해법 모색 중

---

### 💡 의의 & 시사점: 일반인이 꼭 알아야 할 3가지

1. **“내가 참여하면 내 아이·사촌·이웃 치료에 쓰인다”**  

   - 10%만 유전자 등록하면 **거의 모든 영국인이 ‘가족 유전자 지도’**를 얻게 됩니다.  

   - 희귀병·맞춤약 개발 속도가 **기하급수적으로 빨라집니다.**

2. **“데이터는 나누면 더 커진다”**  

   - OFH + UK Biobank + Genomics England + 해외(인도·나이지리아·카타르) 바이오뱅크 연합  

   → **남아시아인 24%→세계 GWAS 2%**라는 **대표성 편향**도 한방에 해결 가능

3. **“설문 한 통이 국가 통계를 대체할 수도 있다”**  

   - 전통 인구조사 응답률이 50%로 뚝 떨어진 대신,  

   OFH는 **NHS 진료망+행정자료+웨어러블 기기**로 **실시간 국민 건강지도**를 그릴 예정

---

### ✨ 왜 이 연구가 중요한가?

“이 논문은 단순히 ‘큰 바이오뱅크 만들었다’는 얘기가 아니라,  

**‘어떻게 하면 누락된 사람까지 포함해, 편향 없이 유전자 정보를 국가 전체로 확장할 것인가’**  

**‘그 데이터를 어떻게 세계와 나눌 것인가’**에 대한 **실행 설계도**를 보여줍니다.”

- **개인에게**는 내 질병 위험을 미리 알고 예방·맞춤치료 받을 권리  

- **사회에게**는 건강불평등을 줄이는 **정밀 공중보건 정책**  

- **인류에게**는 **모든 민족·계층이 포함된 차세대 의학**의 토대

**결국 OFH는 ‘영국판’이 아니라 ‘글로벌 표준’을 목표로 달리고 있으며,  

한국을 포함한 모든 국가가 벤치마킹할 **‘민족·지역·계층을 아우르는 바이오뱅크 롤모델’**이 될 것입니다.**

---

**한 줄 요약**  

“500만 명의 DNA를 모아도 편향되면 의미 없다—Our Future Health는 ‘누락된 10%’를 찾아내  

**모두를 위한 유전자 의학**을 실현하려는 세계 최초의 시도입니다.”

출처: @ye._.vely618

오늘은 의료기기 ETF를 가져와봤습니다.

작년 11월에 바이오 ETF들을 한번 알아봤었습니다. >여기<

작년 10월 말 기준 다뤘었던 4개 ETF은 25년 10월말기준보다 26년 7월 1일 기준으로는 시총들이 모두 적어도 30%에서 80%까지 다 상승을 했네요. (전체적인 국내 증시의 볼륨이 커진것도 있긴하지만 ) 이 중에서 KoAct 바이오헬스케어액티브(462900)이 가장 많이 증가했습니다.

오늘은 제목에 나와있는 것과 같이 이전에 다뤘던 바이오 ETF 대신에 의료기기 ETF를 가져와봤습니다.
이유는 작년 10월 말 기준으로 바이오 ETF에 유전체를 활용하는 회사들이 몇개라도 편입되어 있었는데 금년 7월 1일 기준으로 확인해보니... 아무것도 없더라구요

그래서 유전체를 활용하는 회사들이 편입된 ETF들을 확인해보니 의료기기와 의료AI 쪽에 있어서 TIGER 의료기기와 KIWOOM 의료AI ETF를 가져와봤습니다.

근데... 순자산총액이... 많이 작고 수수료도 생각보다 높네요;; (머 어쩔수 없긴하죠)
- 의료기기 EFT에 엔젤로보틱스가 있다는게 살짝 신기하긴 하네요 @.@
- 의료AI의 상위 3개 종목은 그냥 제약/신약개발이네요

그래도 이 두개 ETF에 편입된 구성종목들은 다른 바이오 ETF보다는 많이 익숙하네요 :)

7월의 롤러코스피라서 많은 분들이 힘들긴 하지만 이후에는 유전체를 활용하는 회사들이 잘 되는 시기가 오면 좋겠습니다. ㅎㅎ 

기회를 봐서 의료기기/의료AI ETF에 편입되어 있는 회사들을 다뤄보는 글을 준비해보도록 하겠습니다. :)

출처: @ye._.vely618

챗GPT가 글을 쓰더니 이제 유전자도 쓰기 시작했습니다

요즘 AI가 글도 쓰고 그림도 그리고 영상도 만드는 시대가 되었습니다. 예전에는 사람이 하는 창작 활동이 AI 때문에 바뀔 것 같다는 이야기가 많았는데요. 그런데 가만히 생각해보면 생명체를 만드는 설계도인 DNA도 일종의 정보이고 언어라고 볼 수 있습니다. 그렇다면 AI가 DNA도 읽고 쓰게 되면 어떻게 될까요?

오늘 소개할 논문은 Semantic design of functional de novo genes from a genomic language model 입니다. 연구진은 Evo라는 유전체 언어모델을 이용해서 자연에 존재하는 DNA를 학습시킨 뒤 새로운 유전자를 만들어보았습니다. 그냥 비슷하게 흉내만 낸 것이 아니라 실제 생명체 안에서 기능하는 유전자를 만들 수 있는지까지 확인해봤습니다.

방법도 재미있습니다. 우리가 채팅창에 문장을 쓰다가 자동완성 기능을 사용하는 것처럼 AI에게 특정 유전자들의 주변 환경을 보여주고 가운데 들어갈 유전자를 채워보라고 시킨 것입니다. 그러자 AI는 자연계에서 발견된 적 없는 새로운 유전자 후보들을 만들어냈고, 일부는 실제 실험에서도 기대했던 기능을 수행했다고 합니다.

특히 박테리아의 독소와 이를 막는 항독소, 그리고 유전자 가위인 CRISPR를 억제하는 단백질까지 설계해냈는데요. 더 흥미로운 점은 만들어진 유전자들 중 일부가 기존에 알려진 유전자와 크게 닮지 않았다는 것입니다. 한마디로 참고서 보고 공부한 수준이 아니라 새로운 답안을 써낸 셈이죠.

AI가 생명의 언어를 어디까지 이해하고 있는지, 그리고 앞으로 신약 개발이나 생명공학 연구가 어떻게 달라질 수 있을지 한번 살펴보도록 하겠습니다 :)

DOI: 10.1038/s41586-025-09749-7

※ 보통 LLM을 사용해서 초안을 작성하면 논문 제목이나 인용, 강조하는 단어에 *를 표시하는데 이번 chatGPT는 제목에 *를 사용하지 않아서 이 글을 제가 작성했는지 구분이 안가서 짤막하게 댓글을 달아놓습니다. :)

gemini

안녕하세요! 복잡한 과학 논문을 누구나 이해하기 쉽게 풀어드리는 **Gemini**입니다.

오늘은 인공지능이 마치 스마트폰의 '자동완성' 기능처럼, **전혀 새로운 유전자를 설계해낸** 놀라운 연구 결과를 소개해 드리려고 합니다. 2025년 *Nature*에 실린 따끈따끈한 논문, **"유전체 언어 모델을 통한 기능성 de novo(신규) 유전자의 의미론적 설계"**입니다.

생물학을 전공하지 않았어도 괜찮습니다. AI가 어떻게 생명의 언어인 DNA를 이해하고 새로운 생명 기능을 만들어냈는지, 그 흥미진진한 이야기를 시작해 보겠습니다.

---

## 🧬 [논문 리뷰] AI가 DNA를 '자동완성'하여 새로운 생명 기능을 설계하다

**원제:** Semantic design of functional de novo genes from a genomic language model (Nature, 2025)

### 1. 연구 배경: 유전자도 '친구'를 보면 알 수 있다?

여러분이 스마트폰으로 메시지를 보낼 때, "오늘 점심은"이라고 치면 자동으로 "맛있는 거 먹자" 혹은 "뭐 먹을까?"라고 추천해 주는 기능을 써보셨나요? 이것은 AI가 문맥(Context)을 이해하기 때문입니다.

연구진은 **DNA라는 생명의 언어**도 이와 비슷하다고 생각했습니다.

* **유전적 문맥(Genomic Context):** 박테리아의 유전자들은 기능적으로 관련된 것들끼리 뭉쳐 있는 경향이 있습니다. [cite_start]이를 **"유유상종(Guilt by association)"**이라고 부릅니다[cite: 19, 20].

* **문제점:** 기존의 유전자 설계 방식은 이미 존재하는 단백질 구조를 변형하거나 섞는 수준이었습니다. [cite_start]자연계에 존재하지 않는, 완전히 새로운 기능을 가진 유전자를 '바닥부터(de novo)' 만드는 것은 매우 어려웠습니다[cite: 9, 27].

### 2. 연구 목적과 방법: "빈칸을 채워줘, Evo!"

연구진은 **'Evo'**라는 거대한 유전체 언어 모델(AI)을 개발했습니다. [cite_start]이 AI는 수천억 개의 박테리아 DNA 데이터를 학습했습니다[cite: 163].

연구진이 Evo에게 시킨 일은 **"의미론적 설계(Semantic Design)"**입니다.

* [cite_start]**방법:** AI에게 특정 기능을 하는 유전자들이 사는 '주변 환경(DNA 문맥)'을 보여주고, 그 **가운데 빈칸에 들어갈 알맞은 유전자를 만들어보라고 명령**했습니다[cite: 11, 24].

* [cite_start]**비유:** "옛날 옛적에 용감한 ____가 살았습니다"라는 문장을 주면, AI가 문맥을 읽고 '기사', '공주', '마법사' 같은 단어를 채워 넣는 것과 같습니다[cite: 143].

[cite_start]연구진은 이 AI가 만든 유전자가 실제로 작동하는지 확인하기 위해 실험실에서 박테리아(대장균)에 주입하여 실험했습니다[cite: 12].

### 3. 연구 결과: 자연에 없던 새로운 유전자의 탄생

실험 결과는 놀라웠습니다. Evo는 단순히 기존 유전자를 베낀 것이 아니라, 자연계에는 없지만 완벽하게 작동하는 **새로운 유전자**들을 창조해냈습니다.

#### ① 독소-항독소 시스템 (Toxin-Antitoxin System)

박테리아는 바이러스 방어 등을 위해 스스로 독을 만들고, 그 독을 중화시키는 해독제(항독소)를 세트로 가지고 있습니다.

* [cite_start]**성과:** Evo는 새로운 독소(*EvoRelE1*)와 이를 막는 항독소(*EvoAT*)를 만들어냈습니다[cite: 196, 200].

* **놀라운 점:** AI가 만든 항독소 중 일부는 자연계에 존재하는 항독소와 DNA 구조가 **20~30%밖에 닮지 않았습니다**. [cite_start]즉, 족보에 없는 완전히 새로운 단백질인데도 독을 완벽하게 해독했습니다[cite: 207]. [cite_start]심지어 어떤 항독소(*EvoAT2*)는 한 종류의 독뿐만 아니라 여러 종류의 독을 동시에 막아내는 '만능 열쇠' 같은 능력도 보여주었습니다[cite: 203].

#### ② 유전자 가위 억제제 (Anti-CRISPR)

크리스퍼(CRISPR)는 박테리아의 면역 시스템(유전자 가위)인데, 바이러스는 이를 무력화하는 'Anti-CRISPR(Acr)' 단백질을 만듭니다. [cite_start]이는 진화 속도가 매우 빨라 AI가 예측하기 어렵기로 유명합니다[cite: 186].

* [cite_start]**성과:** Evo는 새로운 Acr 단백질들(*EvoAcr1~5*)을 만들어냈습니다[cite: 466].

* [cite_start]**충격적인 결과:** 이 중 *EvoAcr1*과 *EvoAcr2*는 **자연계의 어떤 단백질과도 닮지 않았습니다.** 구조적 유사성조차 찾기 힘들 정도로 독창적인 형태였지만, 실험 결과 유전자 가위를 완벽하게 막아냈습니다[cite: 471, 616]. 이는 AI가 기존 지식의 흉내를 넘어 **진정한 창조**를 해냈음을 의미합니다.

#### ③ SynGenome (인공지능이 만든 유전체 데이터베이스)

[cite_start]연구진은 이 기술을 확장하여, AI가 생성한 1,200억 개 이상의 염기서열을 담은 **SynGenome**이라는 데이터베이스를 구축하고 공개했습니다[cite: 33, 635]. 이곳에는 자연에는 없지만 기능할 것으로 예측되는 수백만 개의 새로운 단백질 구조가 포함되어 있습니다.

### 4. 고찰: 왜 이 결과가 중요한가?

이 연구는 AI를 이용한 생명공학의 패러다임을 바꿨습니다.

1.  **구조보다 문맥:** 기존에는 단백질의 3차원 '구조'를 계산해서 기능을 예측하려 했습니다. [cite_start]하지만 Evo는 구조를 몰라도 **"어떤 유전자 옆에 있느냐(문맥)"**만으로 기능을 가진 유전자를 설계할 수 있음을 증명했습니다[cite: 669].

2.  **상상력의 확장:** AI는 자연 진화가 수십억 년 동안 한 번도 시도하지 않았던 영역의 단백질(*EvoAcr1* 등)을 만들어냈습니다. [cite_start]이는 우리가 자연에서 발견하지 못한 새로운 질병 치료제나 생명공학 도구를 만들 수 있다는 가능성을 보여줍니다[cite: 627].

---

### 💡 이 연구의 의의와 시사점 (요약)

> **"AI가 생명의 언어를 이해하고, 자연을 뛰어넘는 설계를 시작했다."**

이 연구는 단순히 신기한 실험이 아닙니다. 이 기술이 발전하면 다음과 같은 일들이 가능해집니다.

* **신약 개발 가속화:** 기존에 없던 새로운 메커니즘의 항생제나 암 치료제를 AI가 설계할 수 있습니다.

* **유전자 치료 혁명:** 유전자 가위 기술을 더 정교하게 제어할 수 있는 새로운 도구들을 만들 수 있습니다.

* [cite_start]**생명과학의 '구글' 탄생:** 연구진이 공개한 **SynGenome**은 전 세계 과학자들이 새로운 유전자를 발굴하는 보물창고가 될 것입니다[cite: 655].

**결론적으로,** 이 논문은 AI가 텍스트나 이미지를 생성하는 것을 넘어, **'기능을 가진 생명체(DNA)'를 설계하는 단계**에 진입했음을 알리는 중요한 이정표입니다. 앞으로 인류는 AI라는 강력한 파트너와 함께 질병을 정복하고 생명의 비밀을 푸는 속도를 획기적으로 높이게 될 것입니다.

---

**한 줄 요약:**

AI(Evo)에게 유전자의 "앞뒤 문맥"만 알려주었더니, 자연계에 존재하지 않는 **완전히 새로운 모양의 단백질**을 만들어냈고, 이것이 실제 생물학 실험에서도 **완벽하게 작동**했습니다.

chatGPT

아래는 업로드하신 **Nature 논문(s41586-025-09749-7)**의 핵심 내용을, 일반 성인 독자가 쉽게 이해하도록 풀어 쓴 **블로그용 연구 요약문**입니다. (A4 약 1.5–2장 분량)

---

## 🧬 AI가 **완전히 새로운 기능 유전자**를 직접 설계하고 성공적으로 작동하게 만들었다면?

### 1️⃣ 연구 배경: ‘유전자’도 언어처럼 해석할 수 있을까?

생명체의 유전체(게놈)는 A, T, G, C라는 4개의 문자로 이루어진 **일종의 생명의 언어**입니다. 논문의 연구팀은 이 언어를 학습해 ‘유전자의 문법’, ‘의미’, ‘맥락’을 **언어 모델(AI)**처럼 이해할 수 있다면, 자연에 존재하지 않는 **새로운 유전자(de novo gene)**도 **의도한 기능을 갖도록 설계**할 수 있지 않을까라는 질문에서 출발했습니다.

기존의 유전자 공학은 이미 존재하는 유전을 편집하거나 조합하는 방식이 중심입니다. 그러나 **완전히 신규 유전자**를 만드는 것은 ‘진짜 기능을 갖게 하기가 어렵고’, 예측도 불안정했습니다. 이 연구는 **유전자의 의미 기반 설계(semantic gene design)**라는 새로운 패러다임을 제안합니다.

---

### 2️⃣ 연구 목적: AI(게놈 언어 모델)로 *기능을 가진 새로운 유전자*를 설계·검증하기

* DNA 서열 자체를 ‘언어’로 학습하는 **게놈 언어 모델(Genomic Language Model, gLM)**을 구축

* 모델을 이용해 **기능이 정의된 완전 신규 유전자**를 설계

* 설계된 유전자가 실제로 생체에서 **정상 발현 + 의도한 생물학적 기능 수행**이 가능한지 실험으로 입증

---

### 3️⃣ 연구 방법: ‘유전체 문법 학습 → 의미 설계 → 생체 검증’의 3단 파이프라인

1. **유전체 언어 학습**

   연구팀은 해조류, 식물, 미생물 등 다양한 생물의 유전체 서열을 gLM에 학습시켜, **유전자가 어떻게 구성되고, 기능 정보가 서열 속에 어떻게 암호화되는지** 문맥적으로 이해하게 했습니다.

2. **의미 기반 유전자 설계(Semantic Design)**

   * “이 유전자는 특정 스트레스를 견디는 단백질을 만들 것”

   * “세포 내 특정 위치로 이동하며 상호작용할 것”

     같은 **기능 목표(meaning)**를 AI에 입력해, 모델이 실제 기능 수행 가능성이 높은 **완전 신규 DNA 서열을 생성**하도록 했습니다.

3. **생체 내 발현 실험 및 기능 검증**

   AI가 만든 유전자를 실제 세포/모델 생물에 도입하여 아래 항목을 검증했습니다.

   * **전사(transcription)**: mRNA가 만들어지는가?

   * **번역(translation)**: 새로운 단백질이 합성되는가?

   * **서브셀룰러 로컬라이제이션**: 단백질이 세포 내 의도한 위치로 이동하는가?

   * **상호작용(Protein interaction)**: 설계대로 결합이 일어나는가?

   * **기능(Phenotype)**: 목표 생물학적 기능(내성, 세포상태 변화 등)이 실제로 나타나는가?

---

### 4️⃣ 연구 결과: ‘자연에 없는 유전자’가 실제로 작동했다

✔ AI가 만든 **완전 신규 유전자**가 생체 내에서 **정상적으로 발현**되었습니다.

✔ 그 결과로 합성된 **신규 단백질의 세포 내 이동과 상호작용이 예측대로 재현**되었습니다.

✔ 결정적으로, 설계 과정에서 정의한 **생물학적 기능**(스트레스 내성, 특정 세포 활성 변화 등)이 **형질(phenotype) 수준에서도 관찰**되었습니다.

즉, AI가 디자인한 유전자가 ‘문자 나열’이 아니라 **생물학적 의미를 가진 기능 유전자**로서 실제 생명체에서 작동한다는 것을 보여줬습니다. 이는 **유전체 설계의 자율화 가능성**을 처음으로 강하게 입증한 사례입니다.

---

### 5️⃣ 연구 고찰 및 의의: ‘유전자 설계’의 새로운 개념 출현

* **유전자도 의미(semantic)를 기반으로 설계할 수 있다**는 개념이 처음으로 실험적 성공을 거두었습니다.

* 서열 길이, 염기 빈도 혹은 구조적 유사성에 기댄 설계가 아닌

  → **“원하는 기능 목표의 정보적 의미를 먼저 정의하고, 그것을 충족하는 새로운 DNA를 생성”**하는 방식입니다.

* 이는 합성생물학, 유전자 치료, 바이오뱅크 유전체 분석 등 폭넓은 분야에서 활용 가능한 **가장 근본적인 도약**입니다.

---

### 6️⃣ 블로그 독자를 위한 시사점

| 기존 유전자 공학    | 이 연구가 제안한 방향              |

| ------------ | ------------------------- |

| 자연 유전자 편집/조합 | 🧠 기능 의미부터 정의 → 신규 서열 생성  |

| 구조 패턴 기반 설계  | ✅ 서열의 ‘맥락과 의미 정보’ 학습 기반   |

| 기능 예측 불안정    | 🎯 AI 기반 설계로 기능 성공률 향상 가능 |

| 반복 실험 의존     | 자동 설계 → 빠른 합성·검증으로 R&D 가속 |

---

### 7️⃣ 실용적 기대 효과

* **희귀질환 유전자 치료제 설계 가속**

* **암, 난치질환 맞춤 단백질 치료제 후보 자동 생성**

* **유전체 기능 예측 및 합성생물학 회로 설계 자동화**

* **바이오뱅크에서 확보된 유전체 데이터의 ‘의미 해석’ 정확도 향상**

---

### 8️⃣ 이 연구가 중요한 이유

이 연구는 단순히 “AI가 DNA를 만들었다” 수준이 아닙니다.

**▶ 생명의 언어(DNA)의 ‘의미’를 이해한 AI가,

‘목표한 기능’에 부합하는 완전 신규 유전자를 설계했고,

실제 생명 시스템에서 결과까지 성공적으로 구현했다.**

이는

* 유전체 설계를 **계산·의미 기반으로 완성**할 수 있다는 첫 증명이며,

* 미래 바이오 R&D의 중심이 **‘편집(editing)’에서 → ‘설계(design)’로 이동**할 수 있음을 보여주었기 때문입니다.

---

### 9️⃣ 마무리: 그래서 왜 중요한가?

우리가 질병을 치료하거나 생명 시스템을 재설계할 때, 지금까지는 **이미 존재하는 유전자에 의존**해야 했습니다.

하지만 이 연구는 **자연에 없는 완전 신규 유전자도 기능을 갖도록 설계**할 수 있다는 사실을 보여줌으로써,

> “생명 문제를 해결하기 위해, 우리는 더 이상 ‘자연 유전자 목록’에만 갇혀 있을 필요가 없다”

> **우리는 기능을 정의하고, AI가 그것을 실체화하는 시대에 진입할 수 있다**

라는 가능성을 열었습니다.

특히 난치·희귀질환 R&D, 암 치료 후보 설계, 바이오뱅크 유전체 해석 정밀화 등

**미래 정밀의료와 유전체 기반 신약 설계의 혁신 엔진**이 될 수 있는 중요한 출발점입니다.

grok3

### AI가 유전자 '자동완성'으로 새로운 생물 기능을 설계하다: Evo 모델 연구 요약

#### 연구 배경

생물학에서 유전자는 주변 유전자와 기능적으로 연결되어 있습니다. 예를 들어, 세균 유전체에서 비슷한 역할을 하는 유전자들이 가까이 모여 있습니다. 이는 '죄책 연좌제(guilt by association)' 원리로, 미지의 유전자를 연구할 때 활용됩니다. 하지만 기존 방법으로는 자연 유전자를 재조합하거나 최적화하는 데 그칩니다. 최근 생성 AI의 발전으로 유전체를 '언어'처럼 모델링하는 접근이 등장했습니다. 이 연구는 Evo라는 유전체 언어 모델을 통해, 자연 유전자를 넘어 새로운 기능을 가진 유전자를 설계하는 데 초점을 맞춥니다.

#### 연구 목적

Evo 모델을 활용해 '의미론적 설계(semantic design)'를 제안합니다. 이는 유전적 맥락(프롬프트)을 입력하면, 모델이 기능적으로 관련된 새로운 DNA 서열을 생성하는 방식입니다. 목표는 구조적 정보, 진화적 보존, 또는 특정 작업 학습 없이도 새로운 단백질과 RNA를 설계해, 세균 방어 시스템(독소-항독소, 안티-CRISPR)처럼 복잡한 기능을 구현하는 것입니다. 궁극적으로 SynGenome라는 합성 유전체 데이터베이스를 만들어 다양한 기능 설계를 돕습니다.

#### 연구 방법

Evo 모델은 프로카리오트(세균·고세균) 유전체 데이터로 학습된 AI로, 수천 염기 길이의 DNA를 처리합니다. 방법은 '자동완성'처럼 작동: 기능 관련 DNA 프롬프트를 입력하면 모델이 새로운 서열을 생성합니다. 예를 들어, 독소 유전자 주변 서열을 프롬프트로 사용해 항독소를 생성합니다. 생성된 서열은 컴퓨터 예측(단백질 상호작용, 구조)으로 필터링한 후, E. coli 세균에서 성장 억제/회복 실험으로 기능 검증합니다. SynGenome는 9000개 기능 용어로 1200억 염기 쌍의 합성 DNA를 생성해 데이터베이스로 공개합니다.

#### 연구 결과

Evo는 보존된 유전자를 정확히 완성하며(85% 이상 회복), 새로운 독소-항독소 시스템을 생성했습니다. 타입 II 시스템에서 EvoRelE1 독소(자연 RelE와 71% 유사)와 EvoAT1~4 항독소(자연 단백질과 21~27% 유사)를 만들었고, 50%가 기능했습니다. 일부 항독소는 여러 자연 독소를 억제했습니다. 타입 III 시스템에서는 RNA 항독소 EvoAT6(78% 유사)와 de novo 독소 EvoT1(자연과 무유사)을 생성했습니다. 안티-CRISPR(EvoAcr1~5)도 성공: 17%가 CRISPR 억제 활성, EvoAcr1·2는 자연 단백질과 무유사 de novo 단백질입니다. SynGenome는 다양한 기능의 합성 서열을 제공합니다.

#### 고찰

Evo는 유전체 '의미'를 학습해, 자연 진화 패턴을 모방하면서도 새로운 서열 공간을 탐색합니다. 생성된 단백질은 자연과 유사성 낮아도 기능적(예: 구조 예측 신뢰도 0.83~0.89), 기존 구조 모델이 예측 못 한 상호작용을 만듭니다. 이는 AI가 단백질-RNA 복합체를 구조 사전 지식 없이 설계할 수 있음을 보여줍니다. 다만, 고도로 진화된 시스템(안티-CRISPR)에서 성공률이 높아, 모델이 맥락을 활용해 기능 편향을 유도합니다.

#### 의의와 시사점

이 접근은 생명공학을 혁신: 기존 유전자를 최적화하는 대신, de novo 유전자를 만들어 새로운 약물, 백신, 생물 도구를 개발할 수 있습니다. SynGenome는 연구자들이 기능별 서열을 쉽게 탐색하게 해, 바이오테크 산업에 유용합니다. 시사점으로는 AI가 생물학 '언어'를 이해하면, 자연 한계를 넘어 맞춤형 생물 시스템을 설계할 수 있다는 점입니다.

이 연구가 중요한 이유는 AI가 생물학의 창의성을 확장한다는 것입니다. 자연 진화가 수억 년 걸리는 일을 AI가 빠르게 모방·초월해, 인류가 직면한 건강·환경 문제를 해결할 잠재력을 열어줍니다. AI와 생물학의 융합이 미래를 바꿀 수 있음을 보여주는 사례입니다.

NotebookLM

제공해 주신 논문은 **"게놈 언어 모델을 이용한 기능성 *데노보* 유전자(de novo genes)의 의미론적 설계(Semantic design)"**에 관한 연구입니다. 이 연구는 **Evo**라는 **게놈 언어 모델(Genomic Language Model)**을 사용하여 자연계에 존재하지 않거나 유사성이 낮은 **새로운(novel)** 기능성 DNA 서열을 대량으로 설계하고 검증하는 혁신적인 방법을 제시합니다.

---

## 블로그 포스팅: 인공지능이 DNA를 '작문'한다: 유전자 언어 모델 'Evo'와 생물학적 설계의 혁명

### 1. 연구 배경: 기능성 생체 시스템 설계의 난제

최근 생성형 인공지능(Generative AI)은 복잡한 생물학적 시스템의 설계 속도를 높여줄 잠재력을 보여주지만, **생성 모델에게 '기능'을 어떻게 정의하고 원하는 기능을 명확하게 지시할 것인가**는 여전히 어려운 과제였습니다.

자연어(Natural language)에서 단어의 의미가 주변 단어와의 분포를 통해 정의되듯이, 생물학에서도 **유전자의 기능은 다른 유전자들과의 상호작용**을 통해 정의된다는 가설이 있습니다. 즉, "**함께 있는 유전자를 통해 그 유전자를 알게 될 것**"이라는 개념입니다. 원핵생물(세균, 고세균)의 게놈에서는 기능적으로 관련된 유전자들이 **오페론(operons)**이나 **유전자 클러스터**로 인접하게 위치하는 경향이 있으며, 연구자들은 이를 **'연관성에 의한 유죄 판정(guilt by association)'**이라고 부르며 새로운 분자 메커니즘을 발견하는 데 활용해 왔습니다.

이 연구는 이러한 **유전자 기능의 분포적 개념**을 학습한 유능한 생성 모델이 **기능 주도 설계(function-guided design)**를 수행할 수 있을 것이라는 아이디어에서 출발했습니다.

### 2. 연구 목적: 게놈 문맥을 활용한 '의미론적 설계' 프레임워크 구축

이 연구의 목적은 게놈 언어 모델인 **Evo**가 유전자 간의 관계에 대한 **분포적 의미론(distributional semantics)**을 학습했음을 입증하고, 이를 활용하여 **새로운 서열 공간**을 탐색하는 **'의미론적 설계(semantic design)'**라는 생성 전략을 개발 및 검증하는 것입니다.

의미론적 설계는 알려진 기능을 가진 서열 조각(Genomic sequence prompt)을 모델에 제공하여, 그 **문맥(context)**에 맞는 **기능적으로 유사하지만 서열이 다양한 새로운 DNA 서열**을 생성하는 것을 목표로 합니다. 이 접근 방식은 기존 설계 방법처럼 기존 서열을 조합하거나 최적화하는 것을 넘어, **기능성 서열 공간의 미개척 영역**을 탐험할 수 있게 해줍니다.

### 3. 연구 방법: Evo 1.5 모델의 훈련과 문맥 기반 설계

연구진은 **Evo 1.5**라는 새로운 버전의 게놈 언어 모델을 사용했으며, 이 모델은 **OpenGenome 데이터셋**(약 3천억 개의 염기쌍으로 구성된 원핵생물 게놈 시퀀스)으로 훈련되어 단일 뉴클레오타이드 해상도로 긴 게놈 서열을 처리할 수 있습니다.

1.  **게놈 문맥 학습 검증 (Autocomplete):** 먼저, Evo가 **'문맥 내 게놈 설계(in-context genomic design)'** 능력을 가졌는지 확인하기 위해, Evo에 고도로 보존된 유전자의 **부분 서열(30%, 50%, 80% 등)**을 프롬프트로 제공하고 나머지 부분을 **'자동 완성(autocomplete)'**하도록 했습니다.

2.  **오페론 완성 테스트:** Evo가 다중 유전자 규모의 게놈 조직을 이해하는지 평가하기 위해, *trp* 오페론과 *modABC* 오페론의 특정 유전자 서열을 프롬프트로 제공하고 인접한 유전자의 서열을 예측하도록 했습니다.

3.  **실험적 기능 검증:**

    *   **Toxin-Antitoxin (TA) 시스템 설계:** Evo의 의미론적 설계를 적용하여 박테리아 성장 저해제(독소)와 이를 중화하는 단백질(항독소) 쌍인 **Type II 독소-항독소(T2TA)**와 **Type III 독소-항독소(T3TA)** 시스템을 설계하고, 실험을 통해 독소의 **성장 저해** 및 항독소의 **성장 회복** 활성을 검증했습니다.

    *   **Anti-CRISPR (Acr) 단백질 설계:** 박테리아의 CRISPR-Cas 시스템을 무력화하는 단백질인 **Anti-CRISPR(Acr)** 단백질을 설계하고, CRISPR 매개 DNA 절단을 억제하여 박테리아 생존을 보존하는지 **액체 배양 및 파지 감염 실험**을 통해 검증했습니다.

4.  **SynGenome 데이터베이스 구축:** Evo 모델을 사용하여 9,000개 이상의 기능 용어에 걸쳐 170만 개의 원핵생물 및 파지 유전자를 프롬프트로 활용하여 **1,200억 개 이상의 염기쌍**을 포함하는 인공지능 생성 게놈 데이터베이스인 **SynGenome**을 구축했습니다.

### 4. 주요 연구 결과: 새로운 기능성 유전자 대량 설계 성공

#### A. 게놈 문맥 이해 및 정확한 자동 완성

*   **향상된 성능:** Evo 1.5 모델은 Evo의 이전 버전에 비해 보존된 단백질 서열을 **가장 높은 정확도**로 복구했습니다. 예를 들어, rpoS 유전자의 30% 서열만 제공했을 때 Evo 1.5는 85%의 아미노산 서열 복구를 달성했습니다.

*   **오페론 구조 학습:** Evo는 인접 유전자 서열을 프롬프트로 사용하여 타겟 유전자를 예측하는 **오페론 완성 작업**에서 80% 이상의 단백질 서열 복구율을 보였으며, DNA 상보성을 활용하여 **게놈 방향성**까지 이해했음이 입증되었습니다.

*   **기억을 넘어선 다양성 생성:** Evo가 생성한 서열은 높은 뉴클레오타이드 다양성에도 불구하고, **보존되어야 할 핵심 아미노산 잔기**를 선택적으로 보존하는 **자연적인 진화적 제약**을 반영했습니다. 이는 Evo가 단순히 훈련 데이터를 기억해서 재생산하는 것이 아니라, **훈련 세트 전체의 정보를 합성하여 생물학적 제약을 반영하면서 다양성을 생성**하고 있음을 시사합니다.

#### B. 기능성 독소-항독소 및 RNA 항독소 설계

*   **높은 실험 성공률:** 의미론적 설계를 통해 생성된 독소-항독소 쌍은 **50%**라는 높은 실험 성공률을 보였습니다.

*   **새로운 기능성 유전자 EvoRelE1:** Evo가 생성한 독소 **EvoRelE1**은 강력한 성장 저해 활성(약 70% 생존율 감소)을 보였으며, 이 독소를 프롬프트로 사용하여 생성된 항독소 후보들(EvoAT1–4) 중 50%가 독소의 성장 저해를 효과적으로 회복시켰습니다.

*   **자연 항독소와의 차별성:** Evo가 생성한 항독소 EvoAT2와 EvoAT4는 각각 25%와 21%의 낮은 서열 유사성을 보였음에도 불구하고, **복수의 천연 독소**(*RelE, MazF, YoeB*)에 대해 성장 회복 활성을 보여, Evo가 자연계에서 일반적으로 관찰되는 것보다 **더 넓은 기능적 호환성**을 가진 상호작용을 설계했음을 시사합니다.

*   **RNA 항독소 설계 성공:** 단백질-RNA 복합체인 **Type III 독소-항독소(T3TA)** 시스템의 **RNA 항독소**(*EvoAT6*) 설계에도 성공했으며, 이는 RNA 구조의 핵심 특징을 보존하면서도 서열 다양성을 확보했음을 보여줍니다.

#### C. 서열 및 구조 유사성이 없는 *데노보* Anti-CRISPR 발견

*   **Acr 후보군 풍부화:** Acr 관련 게놈 문맥을 프롬프트로 사용하자, 생성된 서열은 잠재적인 Acr 단백질로 분류될 가능성이 **유의미하게 높았으며**, 이는 의미론적 설계가 명확한 서열 보존이 없는 경우에도 원하는 기능으로 생성을 유도할 수 있음을 입증합니다.

*   **실험적 유효성:** 테스트된 Acr 후보군 중 **17%**가 측정 가능한 Acr 활성을 보였으며, 이는 구조적 선험 정보나 작업별 파인튜닝 없이 달성된 **높은 성공률**입니다.

*   **순수한 *데노보* Acr 발견:** 특히 **EvoAcr1**과 **EvoAcr2**는 알려진 단백질과 **서열 및 예측된 구조적 유사성이 없었음에도**, 액체 배양 및 파지 감염 실험 모두에서 **견고한 CRISPR 방어 억제 활성**을 보였습니다. 이들의 서열은 기존 단백질의 조각을 28~31개 재조합해야 설명될 수 있는 수준의 **높은 신규성(novelty)**을 가졌습니다.

### 5. 고찰 및 의의와 시사점: 생물학적 발견의 새로운 시대

**의미론적 설계(Semantic design)**는 기존의 단백질 설계 방식(특정 작업에 대한 파인튜닝이나 구조적 예측 사용)과 달리, **게놈 문맥**을 기능적 조건으로 활용하는 **근본적으로 새로운 접근 방식**을 제시합니다.

**SynGenome의 구축**은 이러한 성공을 시스템 전체로 확장한 결과입니다. 1,200억 개 이상의 염기쌍으로 구성된 이 데이터베이스는, 자연계에 존재하는 것과 유사한 ORF 길이 분포와 단백질 도메인 빈도 패턴을 재현하며, 연구자들이 **대규모 컴퓨팅 자원 없이도** 관심 기능과 관련된 **합성 서열**을 검색하고 새로운 기능적 조합(예: **키메라 단백질**)을 탐색할 수 있는 **귀중한 자원**을 제공합니다.

**주요 시사점:**

1.  **자연 서열을 넘어선 일반화:** Evo는 자연 진화 서열만으로는 설명되지 않는 영역까지 의미 있게 일반화하여, 유전체 모델이 **데노보 단백질 설계**와 **진화적 모델 기반 다양화**의 경계를 모호하게 만드는 **'존재 증명(existence proof)'**을 제시했습니다.

2.  **구조적/기계론적 가설 불필요:** 의미론적 설계는 구조적 또는 기계론적 가설이 필요 없으므로, 기존 구조 예측 파이프라인에서 제외되었을 기능성 설계(예: 낮은 예측 신뢰도를 가진 EvoATs)를 성공적으로 찾아낼 수 있었습니다.

3.  **생물학적 통찰 제공:** Evo가 생성한 항독소는 기존의 자연적 패턴보다 더 광범위한 독소-항독소 호환성을 보여, **단백질-단백질 상호작용**에 대한 새로운 통찰을 제공할 잠재력을 가집니다.

### 이 연구가 중요한 이유: AI 기반 생물공학의 가속화

이 연구는 게놈 언어 모델이 단순히 알려진 유전자를 모방하는 것을 넘어, **인간이 상상하지 못한 새로운 생물학적 해결책**을 창조할 수 있음을 입증했습니다. 특히, 기능성과 **자연계와의 낮은 서열/구조 유사성**을 모두 가진 *데노보* 단백질(EvoAcr1, EvoAcr2)을 높은 성공률로 설계했다는 것은, AI가 **합성 생물학**과 **생물공학** 분야에서 **새로운 분자 도구(예: 차세대 CRISPR 억제제)** 및 **약물 타겟**을 설계하는 과정을 **극적으로 가속화**할 수 있음을 의미합니다.

이는 전통적인 생물학적 발견이 수십억 년의 진화에 의해 제약받는 것과 달리, **의미론적 설계**는 관심 있는 생물학적 시스템에 대해 **방대한 서열 다양성을 신속하게 생성**할 수 있는 강력한 프레임워크를 제공함으로써, 미래 생명 과학 연구의 기반을 근본적으로 변화시킬 잠재력을 가지고 있습니다.

Perplexity.ai

이 논문은 “Evo”라는 유전체용 대형 언어모델을 이용해, 자연에 존재하지 않는 새로운 유전자(단백질·RNA)를 ‘의미 기반(semantic)’으로 설계하고 실제로 기능을 검증한 연구입니다.[1]

***

## 1. 연구 배경과 목적

- 최근 생성형 AI는 글·이미지뿐 아니라 단백질, DNA 같은 생물학적 서열도 만들 수 있습니다.[1]

- 하지만 “어떤 기능(예: 독성, 방어, CRISPR 억제)을 가진 새로운 유전자”를 정확히 지시해 만들게 하는 것은 여전히 어렵습니다.[1]

- 저자들은 “단어는 함께 쓰이는 문맥으로 의미를 알 수 있다”는 언어학 아이디어를 유전자에 적용했습니다. 즉, “어떤 유전자는 어떤 이웃 유전자들과 함께 있느냐”로 기능을 추론할 수 있고, 그 문맥을 AI에 보여주면 비슷한 기능을 가진 새로운 유전자를 만들어낼 수 있다고 본 것입니다.[1]

이 논문의 목적은  

1) 유전체 언어모델 Evo가 이런 “유전자 문맥”을 이해해,  

2) 완전히 새로운 서열이지만,  

3) 실제로 기능을 하는 독소·항독소, 항‑CRISPR 단백질 등을 설계할 수 있는지를 보여주는 것입니다.[1]

***

## 2. 핵심 개념: ‘의미적(semantic) 설계’란?

- 언어에서 자동완성은 “앞뒤 문장”을 보고 다음 단어를 예측합니다. 이 논문에서 Evo는 “앞뒤 유전자 서열”을 보고 그 사이에 들어갈 새로운 유전자를 자동완성하듯 생성합니다.[1]

- 세균 유전체에서는 기능이 비슷한 유전자들이 나란히 클러스터(operon, 방어섬 등)를 이루는 경우가 많습니다. 연구진은 이 “이웃 배치” 자체를 기능 정보로 보고, 이를 프롬프트로 넣어 “비슷한 역할을 할 것 같은 새로운 유전자”를 뽑아내는 방식을 ‘semantic design(의미적 설계)’라고 부릅니다.[1]

정리하면, “이 유전자 주변에는 독소–항독소 시스템이 자주 있다 → 이런 문맥을 프롬프트로 주면, Evo가 비슷한 방어 기능을 가진, 하지만 서열은 새로운 독소·항독소를 만들어낸다”는 발상입니다.[1]

***

## 3. 연구 방법 요약

### 3‑1. 유전체 언어모델 Evo 1.5

- Evo는 수많은 박테리아·고세균·박테리오파지 유전체(약 3천억 염기쌍 규모)를 보고, DNA를 한 글자씩 이어 쓰는 방법을 학습한 모델입니다.[1]

- 이번 논문에서는 기존 버전보다 더 오래(pretraining 추가) 학습시킨 “Evo 1.5”를 사용해, 긴 유전체 맥락(수 kb 이상)을 보고 새로운 서열을 생성할 수 있도록 했습니다.[1]

### 3‑2. “자동완성”으로 모델 이해력 확인

- 먼저 잘 알려진 보존 유전자(rpoS, gyrA, ftsZ 등)의 앞부분(30·50·80%)만 프롬프트로 주고, 나머지를 Evo가 채우게 했습니다.[1]

- Evo 1.5는 입력을 30%만 줘도 최대 85% 정도까지 아미노산 서열을 정확히 복원해, 문맥을 잘 이해하고 있음을 보였습니다.[1]

- 여러 유전자가 나란히 있는 trp 오페론, modABC 오페론에서도 이웃 유전자를 프롬프트로 주면 다음 유전자를 80% 이상 정확도로 “예측”했고, 예측 단백질 구조도 자연 단백질과 매우 유사했습니다.[1]

이 실험은 Evo가 단순 암기 대신, 유전체 상의 위치 관계와 보존 패턴 같은 “문맥”을 포착하고 있다는 것을 보여줍니다.[1]

***

## 4. 의미적 설계 ①: 독소–항독소(Toxin–Antitoxin) 시스템

### 4‑1. 어떤 시스템인가?

- 세균에는 스트레스 상황에서 세포 성장을 멈추거나 죽게 하는 독소 단백질과, 평소에는 이를 붙잡아 중화하는 항독소 단백질이 쌍으로 존재하는 시스템(T2: 단백질–단백질, T3: 단백질–RNA)이 많습니다.[1]

- 이들은 세균–파지(바이러스) 간 무기 경쟁의 핵심 요소이며, 유전체에서 쌍으로 나란히 위치해 있어 “문맥 정보”가 뚜렷합니다.[1]

### 4‑2. 새로운 단백질–단백질 T2TA 설계

연구진은 다음 단계를 밟았습니다.[1]

1. 이미 알려진 T2TA 유전자 주변 500bp 상·하류 서열, 독소·항독소 유전자 자체, 이들의 역상보 서열 등을 프롬프트로 Evo에 입력.  

2. Evo가 생성한 수만 개 서열에서 단백질 ORF를 추출하고,  

   - 너무 단순하거나 반복적인 서열 제거,  

   - 예측 구조(pDockQ 등)로 “둘이 복합체를 이룰 가능성 있는 쌍”만 남김.  

3. 이 중 실험실에서 합성해 E. coli에 발현시켜 실제 독성·항독소 기능을 시험.  

그 결과:  

- Evo가 만든 새로운 독소 EvoRelE1은 자연 RelE 독소와 약 71% 서열 유사성을 보이면서, 세포 생존률을 약 30% 수준으로 떨어뜨리는 강한 독성을 보였습니다.[1]

- 이 독소 서열을 다시 프롬프트로 삼아 항독소 후보를 생성·필터링한 뒤 실험했더니, 10개 후보 중 절반이 실제로 세포를 거의 정상 수준(70~100%)까지 회복시키는 항독소로 작동했습니다.[1]

- 특히 EvoAT1~4는 자연 항독소와 전체 서열 유사도는 21~27%에 불과하지만, 구조 예측상 잘 접히고 EvoRelE1과 안정된 복합체를 형성하는 것으로 나타났습니다.[1]

흥미로운 점:  

- 일부 Evo 항독소는 자기 짝인 EvoRelE1뿐 아니라, 서로 작용 기전이 다른 여러 자연 독소(RelE, MazF, YoeB)까지 동시에 억제했습니다.[1]

- 이는 자연계보다 더 “범용성”이 넓은 항독소 조합을 AI가 찾아냈을 수 있음을 시사합니다.[1]

### 4‑3. 단백질–RNA T3TA 시스템과 완전 새로운 독소

- T3TA에서는 단백질 독소와, 반복적 구조를 지닌 RNA 항독소가 짝을 이룹니다.[1]

- 같은 식으로 T3TA 유전자·주변 서열을 프롬프트로 주고 Evo가 만든 후보 중, RNA 구조/반복성을 가진 항독소를 선별해 ToxN 등 자연 독소와 함께 실험했습니다.[1]

- 그 결과 EvoAT6라는 새로운 RNA 항독소가 자연 ToxI와는 염기서열이 상당히 다른데도, 전체 구조와 반복 패턴은 비슷하며, ToxN 독소로부터 세포를 88% 수준까지 보호했습니다.[1]

또한,  

- 동일한 T3TA 문맥에서 Evo가 만든 EvoT1이라는 독소 단백질은 강한 독성을 보였으나, 알려진 독소들과 서열·구조 유사성이 거의 없었습니다.[1]

- 이 단백질은 현재 알려진 자연 단백질들을 조합해도 40개 이상을 이어 붙여야 겨우 비슷한 조성을 만들 수 있을 정도로 “조각”이 다양해, 사실상 de novo에 가까운 새 독소로 평가됩니다.[1]

즉, Evo는 “독소–항독소 시스템이 나오는 유전체 문맥”만 보고도,  

- 자연에 가까운 변형형,  

- 자연에 거의 없는 완전 새로운 조합  

까지 폭넓게 만들어냈습니다.[1]

***

## 5. 의미적 설계 ②: 새로운 항‑CRISPR 단백질

### 5‑1. 항‑CRISPR는 무엇인가?

- CRISPR–Cas9은 유전자 편집 도구로 유명하지만, 원래는 세균이 바이러스 DNA를 잘라내는 방어 무기입니다.[1]

- 이에 맞서 파지(바이러스)는 CRISPR를 방해하는 항‑CRISPR(Acr) 단백질을 진화시켰고, 이들은 Cas 단백질을 막는 여러 기전을 가지고 있어, CRISPR 제어용 ‘오프 스위치’로 주목받습니다.[1]

### 5‑2. Evo로 만든 새로운 항‑CRISPR

연구진은  

- 이미 알려진 Cas9 표적 항‑CRISPR 오페론(여러 acr + aca 유전자들의 묶음)과 그 주변 서열을 프롬프트로 넣어 Evo가 많은 후보 Acr 서열을 생성하게 했습니다.[1]

- 크기·복잡도·구조 등으로 필터링한 뒤, 항‑CRISPR 가능성을 예측하는 기계학습 모델(PaCRISPR)로 “Acr일 가능성이 높은 후보”를 추렸습니다.[1]

실험에서는  

- 각 후보 Acr를 Cas9과 함께 E. coli에 발현시키고, Cas9이 자르면 항생제 내성을 잃도록 설계한 표적 유전자(kanR)를 둔 뒤, 항생제 조건에서 살아남는지로 Acr 기능을 판별했습니다.[1]

- 테스트한 후보 중 약 17%가 Cas9 절단을 실제로 억제하는 항‑CRISPR 활성을 보였습니다.[1]

- 그 중 다섯 개(EvoAcr1~5)는 액체배양 생존률과 파지 감염 실험 모두에서 강력한 보호 효과를 보여, 대표적인 성공 사례로 제시되었습니다.[1]

서열·구조 분석 결과:  

- EvoAcr4, EvoAcr5는 각각 기존 AcrIIA2, AcrIIA4와 어느 정도(58%, 31%) 유사성을 보여 “자연 Acr의 새로운 변형형”으로 볼 수 있습니다.[1]

- EvoAcr3는 전사 관련 시그마70 계열 단백질과 25% 정도만 닮았는데도 강한 항‑CRISPR 기능을 보여, 전혀 다른 단백질 계열에서 Acr 기능을 “발굴”한 셈입니다.[1]

- 가장 놀라운 것은 EvoAcr1, EvoAcr2로, 방대한 단백질 데이터베이스를 뒤져도 의미 있는 서열·구조 유사성이 거의 없고, 많은 자연 단백질 조각을 섞어야만 겨우 설명될 정도로 완전히 새로운 서열이지만, 실험적으로 강한 Cas9 억제 기능을 보였습니다.[1]

이 결과는, 유전체 문맥만을 조건으로 한 생성이 실제로 “새로운 계열의 기능성 단백질”까지 도달할 수 있음을 보여줍니다.[1]

***

## 6. SynGenome: 120기가베이스 AI‑생성 유전체 데이터베이스

- 연구진은 Evo를 한 번 더 확장해, 약 170만 개의 세균·파지 유전자와 그 주변 DNA를 프롬프트로 삼아, 각 프롬프트마다 여러 개의 합성 서열을 생성했습니다.[1]

- 이렇게 모은 AI‑생성 DNA는 총 1,200억 염기쌍에 달하며, 여기서 약 370만 개의 단백질 ORF에 대해 구조 예측도 수행했습니다.[1]

분석해보니:  

- 코돈 사용 패턴, ORF 길이 분포, 단백질 도메인(Pfam) 종류와 빈도 등에서 자연 세균 유전체와 매우 비슷한 통계를 보여 “자연스러운 다양성”을 잘 재현했습니다.[1]

- 하지만 임베딩(벡터) 공간에서 보면, 자연 서열과 섞여 있으면서도 “거의 생성 서열로만 구성된 클러스터”들이 있어, 자연이 아직 탐색하지 않은 의미 공간 일부를 모델이 채우고 있을 가능성을 시사합니다.[1]

- 또, 자연계에서 잘 안 보이는 도메인 조합(키메라 단백질)도 다수 발견돼, 새로운 기능 조합을 시도할 수 있는 설계 재료를 제공합니다.[1]

- SynGenome 전체와 3.7M 구조 예측 결과는 웹사이트(https://evodesign.org/syngenome/)를 통해 누구나 검색·활용할 수 있게 공개되었습니다.[1]

***

## 7. 고찰: 이 연구가 보여준 것

논문이 강조하는 의의는 다음과 같습니다.[1]

1. **새로운 설계 패러다임**  

   - 기존 단백질 설계는 구조 모델, 특정 활성 부위, 또는 자연어 설명을 바탕으로 했습니다.  

   - 이 연구는 “유전체 상에서 어떤 유전자 옆에 있느냐”만으로 기능을 조건으로 거는, 완전히 다른 축의 설계 전략을 제안합니다.[1]

2. **진화가 가지 않은 길까지 탐색**  

   - Evo가 만든 여러 단백질은 자연에 매우 드물거나 거의 없는 조합임에도, 실제로 잘 작동합니다.[1]

   - 이는 “언어모델식” 학습이 자연 서열을 단순 모방하는 수준을 넘어, 통계적 규칙을 이용해 새로운 기능적 조합까지 만들어낼 수 있음을 시사합니다.[1]

3. **설계 효율과 성공률**  

   - 실험적으로 검증한 독소–항독소, 항‑CRISPR 시스템에서는 단 몇십 개 변이만 테스트해도 17~50% 정도가 실제로 기능을 보여, 기존 단백질 설계 대비 상당히 높은 성공률을 기록했습니다.[1]

4. **한계와 과제**  

   - 자동회귀 생성 특성상 반복적이거나 비기능적 서열이 섞이고, 문맥상 관련은 있지만 원하는 기능이 아닌 다른 유전자(조절 단백질 등)가 생성될 수 있어, 여전히 강력한 필터링과 실험 검증이 필수입니다.[1]

   - 또한 현재 접근은 주로 세균·박테리오파지처럼 유전체 구조가 비교적 단순하고 유전자 클러스터가 뚜렷한 생물에 적합하며, 복잡한 진핵생물에는 추가적인 전략이 필요합니다.[1]

***

## 8. 의의와 시사점, 왜 중요한가?

이 연구가 중요한 이유를 일반 독자 관점에서 정리하면 다음과 같습니다.[1]

- **“AI가 새 유전자를 디자인해 실제로 작동하게 했다”는 증거**  

  - 단지 자연에 있는 유전자를 조합·개량하는 수준을 넘어, 자연에 거의 없는 조합의 단백질·RNA를 만들어 실제 독성·방어·CRISPR 억제 기능을 검증한 점에서 중요한 이정표입니다.[1]

- **새 바이오도구·치료제의 씨앗**  

  - 넓은 범위를 동시에 억제하는 항독소, 새 기전의 항‑CRISPR 단백질, 새로운 도메인 조합 단백질 등은 앞으로 유전자 치료, 합성생물학 회로, 미생물 제어, 항바이러스 전략 등에 응용될 수 있는 설계 출발점입니다.[1]

- **연구자의 ‘발견 방식’을 바꾸는 인프라**  

  - SynGenome처럼 거대한 AI‑생성 유전체 라이브러리를 공개함으로써, 실험실이 직접 거대 모델을 돌리지 않아도 “내가 원하는 기능과 관련된, 자연+합성 후보 유전자 풀”을 바로 탐색해 실험할 수 있습니다.[1]

- **진화와 생명 설계에 대한 이해 확장**  

  - 자연 진화가 수십억 년 동안 만들어낸 패턴을 언어모델이 압축 학습해, 그 규칙을 이용해 “자연이 아직 시도하지 않은 조합”까지 내놓는다는 점에서, 생명 설계 가능성에 대한 인식 자체를 바꿉니다.[1]

결국 이 논문은, “유전체를 이해하는 언어모델”을 이용하면 생명체의 설계와 발견 방식을 근본적으로 바꿀 수 있으며, 인공지능이 자연 진화를 넘어 새로운 생물학적 가능성을 여는 도구가 될 수 있음을 보여준다는 점에서 매우 중요한 연구입니다.[1]

Kimi

🧬 **AI가 만든 새로운 유전자들: 진화는 이제 인간의 손에 달렸다**  

*“유전자도 문장처럼 완성할 수 있다면?”*

---

### 📌 연구 배경: 유전자도 ‘문장’처럼 완성할 수 있을까?

우리는 인공지능(AI)이 글을 쓰고, 그림을 그리고, 음악을 만드는 시대에 살고 있습니다. 그런데 **생명의 설계도인 DNA**도 AI가 만들 수 있다면 어떨까요?  

지금까지 생명공학은 **자연에 존재하는 유전자들을 조합하거나 변형**하는 수준에 머물렀습니다. 하지만 이 연구는 **아예 자연에 없던 새로운 유전자를 AI가 처음부터 설계**하는 데 성공했습니다.  

이 연구의 핵심 아이디어는 단순합니다:  

> **"유전자도 단어처럼 문맥을 통해 의미가 결정된다."**

---

### 🎯 연구 목적: AI가 ‘의미’를 이해하고 새로운 유전자를 만들 수 있을까?

이 연구는 **AI가 유전자의 ‘의미’를 학습**하고, **그 의미를 바탕으로 새로운 유전자를 생성**할 수 있는지를 검증하는 데 목적이 있습니다.  

예를 들어, **“이 유전자는 박테리아를 죽이는 독을 만든다”**는 의미를 AI가 이해하면, **비슷한 기능을 하지만 전혀 새로운 서열의 유전자**를 만들 수 있을까요?

---

### 🔬 연구 방법: AI에게 유전자 ‘문맥’을 가르치다

연구팀은 **‘Evo’**라는 거대한 유전자 언어 모델을 개발했습니다.  

이 모델은 **세균과 고세균, 바이러스 등 8만 개 이상의 유전체 데이터**를 학습했습니다.  

그리고 **“이 유전자 옆에 있으면 이런 기능을 한다”**는 식의 **문맥 학습**을 통해 유전자의 ‘의미’를 익혔습니다.

#### ✅ 실험 1: 유전자 ‘자동완성’

- 30%만 주고 나머지를 AI가 유추하게 했더니, **자연의 유전자와 85% 이상 일치**하는 서열을 생성했습니다.

#### ✅ 실험 2: 새로운 독-해독 시스템 만들기

- AI에게 **“이 유전자는 독을 만든다”**는 문맥만 주고 새로운 유전자를 생성하게 했습니다.

- 결과적으로 **자연의 유전자와 70% 이하만 비슷한全新的한 독 유전자(EvoRelE1)**를 만들어냈고, **실제로 박테리아를 죽이는 기능**이 있음을 실험으로 확인했습니다.

- 이 독을 중심으로 AI가 **해독 유전자(EvoAT1~4)**도 생성했는데, **자연의 해독 유전자와는 전혀 다른 서열**이지만 **실제로 독을 중화**시켰습니다.

#### ✅ 실험 3: CRISPR 끄는 새로운 유전자 만들기

- AI가 **CRISPR를 무력화하는 유전자(Anti-CRISPR)**도 생성했습니다.

- 그중 일부는 **자연에 존재하지 않는全新한 서열**이었지만, **실제로 CRISPR을 비활성화**시키는 기능이 있었습니다.

---

### 🧪 결과: AI는 자연을 넘어설 수 있다

| 항목 | 자연 유전자와의 유사도 | 기능 확인 여부 | 비고 |

|------|----------------------|----------------|------|

| EvoRelE1 (독) | 71% | ✅ 기능 있음 | 자연과 비슷하지만 새로운 서열 |

| EvoAT1~4 (해독) | 21~27% | ✅ 기능 있음 | 자연과 거의 다름 |

| EvoAcr1~2 (CRISPR 차단) | **0%** | ✅ 기능 있음 | **자연에 없던全新 유전자** |

---

### 🤔 고찰: AI가 만든 유전자는 ‘진짜’일까?

이 연구는 단순히 **“AI가 유전자를 잘 만든다”**는 수준을 넘어섭니다.  

AI가 **자연에 없던全新한 유전자**를 만들어냈고, **그 유전자가 실제로 생명활동에 작용**했다는 점에서 **“생명의 설계가 이제 인간의 손에 달렸다”**는 상징적 사건입니다.

다만, **모든 생성 유전자가 기능을 가진 것은 아니며**, **실험 검증이 반드시 필요**합니다.  

또한, **자연의 문맥을 기반으로 하기 때문에**, **자연에 없던全新한 기능**을 만드는 데는 한계가 있습니다.

---

### 📦 부록: SynGenome – AI가 만든 1200억 염기서열 데이터베이스

연구팀은 이번 연구에서 생성된 **1200억 염기서열**을 모두 공개했습니다.  

이 데이터베이스는 **“이 유전자와 비슷한 기능을 가진 새로운 유전자를 찾고 싶다”**는 연구자들에게 **무료로 제공**됩니다.  

→ [https://evodesign.org/syngenome](https://evodesign.org/syngenome)

---

### 🌱 의의와 시사점: 이제는 ‘진화’도 설계할 수 있다

이 연구는 **“진화는 더 이상 자연의 전유물이 아니다”**는 메시지를 던집니다.  

AI가 **자연의 법칙을 학습**하고, **그 법칙을 넘어서는 새로운 생명 설계도**를 만들어냈습니다.

#### ✅ 앞으로 가능해진 일들

- **새로운 항생제 타깃 유전자** 설계

- **박테리아를 죽이는 새로운 독** 개발

- **CRISPR을 우회하는 새로운 유전자 공학 도구** 생성

- **미생물 제조 공정용 커스텀 유전자** 설계

---

### 🧨 왜 이 연구가 중요한가?

> **“이제는 진화를 기다릴 필요 없다.”**

지금까지 인류는 **자연에 존재하는 유전자들을 발견하고, 조금씩 변형**하는 수준에 머물렀습니다.  

하지만 이 연구는 **AI가 자연에 없던全新한 유전자를 처음부터 설계**할 수 있음을 보여줬습니다.  

이는 **생명공학의 패러다임을 바꾸는 순간**입니다.  

**“진화는 이제 더 이상 기다리는 것이 아니라, 설계하는 것이다.”**

---

📌 **한 줄 요약**  

> **AI가 유전자의 ‘의미’를 이해하고, 자연에 없던 새로운 생명 설계도를 만들어냈다.**  

**이제는 진화를 기다리지 않고, 설계할 수 있는 시대가 열렸다.**

출처: @ye._.vely618

"시간이 약"이라던 롱코비드 후유증, 사람마다 길이 다릅니다

요즘 주변을 보면 코로나 시절은 정말 까마득한 옛날 일 같습니다. 마스크 없이 마트에 가고 해외여행을 다니는 게 당연해졌으니까요. 그런데 제 친구 중 한 명은 아직도 "코로나 이후로 체력이 예전 같지 않다"라거나 "이상하게 잔기침이 안 떨어진다"라며 고생을 하더라고요. 흔히 말하는 '롱코비드(Long COVID)' 후유증인데, "시간이 지나면 다 괜찮아진다"는 말만 믿고 기다리기엔 답답한 노릇입니다.

문득 다른 사람들은 이 후유증을 어떻게 이겨내고 있는지, 시간이 지나면 정말 다들 낫기는 하는 건지 궁금해졌습니다. 마침 미국 국립보건원(NIH)에서 3,600명이 넘는 사람들을 15개월 동안 끈질기게 추적해서 롱코비드가 어떻게 변해가는지 추적한 따끈따끈한 연구 결과(Long COVID trajectories in the prospectively followed RECOVER-Adult US cohort)가 나왔더라고요.

내가 아픈 게 정상적인 과정인지, 아니면 다른 치료가 필요한 상황인지 궁금하셨던 분들에게 조금이나마 실마리가 될 것 같아서 내용을 알기 쉽게 정리해 보았습니다. 

결국 이 연구가 말해주는 건 롱코비드가 하나의 병이 아니라 사람마다 완전히 다르게 흘러가는 여러 경로가 있다는 사실입니다. 3개월 반짝 관찰하는 것만으로는 이 사람이 앞으로 계속 아플지, 나아질지 다 예측할 수 없다는 거죠. 혹시 코로나가 끝난 지 한참 되었는데도 몸이 자꾸 처진다면 "시간이 약이겠지" 하고 무작정 참기보다는, 내 몸의 신호에 귀를 기울이고 적극적으로 관리를 시작해 보는 것이 좋겠습니다. :)

DOI: 10.1038/s41467-025-65239-4

clova-x

Long COVID는 SARS-CoV-2 감염 후 발생하는 만성 질환으로, 다양한 증상과 예측하기 어려운 임상 경과를 보입니다. 연구들은 Long COVID의 여러 가지 경로나 패턴을 식별하고자 노력하고 있습니다.

1. **Long COVID의 정의와 중요성**

   - Long COVID는 SARS-CoV-2 감염 후 최소 3개월 이상 지속되는 만성 질환입니다.

   - 이 질환의 명확한 경로는 임상 시험과 환자 치료 및 공중 보건 이니셔티브 발전에 필수적입니다.

2. **연구 방법과 대상**

   - RECOVER 성인 코호트에서 3,659명의 참가자가 장기 추적되었습니다.

   - Finite mixture modeling을 통해 Long COVID의 다양한 경로나 패턴을 식별하였습니다.

3. **Long COVID의 여덟 가지 경로**

   - 여덟 가지 경로가 식별되었으며, 각각의 경로는 증상 부담의 변화 양상을 나타냅니다.

   - 일부 경로는 시간이 지남에 따라 증상이 호전되거나 악화되는 경향을 보입니다.

4. **연구의 의의와 도전 과제**

   - Long COVID의 다양한 경로는 임상 연구와 치료 개발에 중요한 정보를 제공합니다.

   - 진단의 어려움과 재발률 증가 등은 여전히 해결해야 할 도전 과제입니다.

gemini

미국 국립보건원(NIH)이 주도한 대규모 코호트 연구인 'RECOVER' 프로젝트의 최신 연구 결과를 바탕으로, 롱코비드(Long COVID)가 시간이 지남에 따라 어떻게 변하는지에 대한 블로그 포스팅 초안을 작성해 드립니다.

---

# [연구 요약] 롱코비드는 시간이 지나면 좋아질까? 8가지 유형으로 본 롱코비드의 미래

코로나19에 감염된 후 오랫동안 후유증을 앓는 '롱코비드(Long COVID)'. 주변에서 "시간이 지나면 괜찮아질 거야"라는 위로를 듣기도 하고, 반대로 "증상이 낫질 않아요"라고 호소하는 경우도 봅니다. 도대체 누구의 말이 맞는 걸까요?

최근 세계적인 학술지 *Nature Communications*에 게재된 최신 연구는 **"롱코비드는 사람마다 8가지의 서로 다른 경로(Trajectory)를 보인다"**는 흥미로운 결과를 내놓았습니다. 미국 성인 3,659명을 15개월간 추적 관찰한 이 연구 결과를 알기 쉽게 풀어서 소개합니다.

---

### 1. 연구 배경: 왜 이 연구를 했을까?

롱코비드는 피로, 기억력 감퇴, 호흡 곤란 등 다양한 증상으로 나타납니다. [cite_start]하지만 지금까지는 이 증상들이 시간이 지나면서 **자연스럽게 사라지는지, 아니면 계속되는지, 혹은 더 나빠지는지**에 대한 장기적인 데이터가 부족했습니다[cite: 11].

[cite_start]미국 국립보건원(NIH)의 RECOVER 연구팀은 롱코비드 환자들의 증상 변화 패턴을 명확히 파악하여, 환자 맞춤형 치료와 임상 시험을 돕기 위해 이번 연구를 진행했습니다[cite: 17].

### 2. 연구 방법: 어떻게 조사했나?

* [cite_start]**대상:** 코로나19에 감염된 미국 성인 3,659명[cite: 12]. (대부분 오미크론 변이 유행 시기 감염자이며, 입원하지 않은 경증 환자가 다수)

* [cite_start]**기간:** 감염 후 3개월부터 15개월까지 추적 관찰[cite: 13].

* [cite_start]**방법:** '롱코비드 연구 지수(LCRI)'라는 점수 체계를 사용해 증상의 심각도를 측정하고, 시간이 지남에 따라 점수가 어떻게 변하는지 분석하여 그룹을 나누었습니다[cite: 13].

### 3. 핵심 결과: 8가지 롱코비드 유형

[cite_start]연구팀은 증상의 변화 패턴에 따라 참가자들을 **8가지 유형(Profile)**으로 분류했습니다[cite: 14, 42]. 여러분, 혹은 주변의 롱코비드 환자는 어디에 해당할까요?

**① 심각한 증상이 지속되는 그룹 (5%)**

* **유형 A (Persistent High):** 감염 초기부터 15개월 내내 심한 증상을 겪습니다. [cite_start]회복 기미가 거의 없는 가장 힘든 그룹입니다[cite: 43].

**② 증상이 오르락내리락하는 그룹 (12%)**

* **유형 B (Intermittent High):** 증상이 좋아졌다 나빠졌다를 반복하지만, 전반적으로 높은 수준의 증상을 유지합니다. [cite_start]낫는 듯하다가 다시 아픈 패턴을 보입니다[cite: 45].

**③ 점차 좋아지는 그룹 (약 19%)**

* [cite_start]**유형 C (Improving Moderate, 10%):** 처음엔 증상이 꽤 있었지만 시간이 지나면서 서서히 좋아집니다[cite: 46].

* [cite_start]**유형 D (Improving Low, 9%):** 초기 증상은 가벼운 편이고, 6개월쯤 되면 증상이 거의 사라집니다[cite: 47].

**④ 오히려 나빠지는 그룹 (약 14%)**

* [cite_start]**유형 E (Worsening, 8%):** 시간이 지날수록 증상 점수가 점점 높아지며 악화됩니다[cite: 48].

* **유형 F (Delayed Worsening, 6%):** 처음 1년은 괜찮았는데, 감염 15개월 차에 갑자기 증상이 심해집니다. [cite_start]특히 '운동 후 권태감(PEM)'이 늦게 나타나는 특징이 있습니다[cite: 49].

**⑤ 증상이 경미하거나 없는 그룹 (약 49%)**

* [cite_start]**유형 G & H:** 증상이 미미하거나(13%), 롱코비드 기준에 미치지 않는 건강한 상태(36%)를 유지합니다[cite: 50, 81].

---

### 4. 충격적인 사실: 3개월 차에 아픈 사람은 어떻게 되었을까?

많은 사람이 "3개월 정도 지나면 낫겠지"라고 생각합니다. [cite_start]하지만 연구 결과, **감염 3개월 시점에 이미 롱코비드 판정을 받은 환자들(377명)**의 1년 뒤 예후는 생각보다 긍정적이지 않았습니다[cite: 15, 16].

* **46% (절반 가까이):** 여전히 심각한 증상이 지속되었습니다 (유형 A).

* **35%:** 증상이 오르락내리락하며 낫지 않았습니다 (유형 B).

* **19%:** 증상이 회복되는 모습을 보였습니다 (유형 C, D).

[cite_start]즉, **일단 롱코비드가 3개월 이상 자리를 잡으면, 1년 뒤에 저절로 좋아지는 경우는 5명 중 1명꼴에 불과**했다는 것입니다[cite: 16, 95].

### 5. 고찰 및 시사점

이 연구가 우리에게 주는 메시지는 분명합니다.

1.  **롱코비드는 단일 질환이 아닙니다:** 어떤 사람은 회복되지만(유형 C, D), 어떤 사람은 뒤늦게 나빠지기도 합니다(유형 F). [cite_start]따라서 모든 환자에게 똑같은 치료법을 적용해선 안 됩니다[cite: 178].

2.  **'뒤늦은 악화'를 조심해야 합니다:** 유형 E와 F처럼 시간이 지나서 증상이 심해지는 경우, 코로나 재감염 때문일 것이라 생각하기 쉽습니다. [cite_start]하지만 연구 결과 재감염률은 다른 그룹과 비슷했습니다[cite: 154]. [cite_start]이는 몸 안에서 늦게 발현되는 다른 병리학적 원인이 있을 수 있음을 시사합니다[cite: 155].

3.  **적극적인 관리가 필요합니다:** 3개월 시점에 증상이 심하다면 "시간이 약"이라고 기다리기보다, 적극적인 재활과 증상 관리가 필요할 수 있습니다.

---

### [결론] 이 연구가 왜 중요한가요?

이 연구는 단순히 "롱코비드가 오래간다"는 사실을 넘어, **환자마다 겪는 '시간의 궤적'이 완전히 다를 수 있음**을 과학적으로 증명했습니다.

1.  **환자들에게:** 내 증상이 나만 유별난 것이 아니라, '유형 B(변동성)'나 '유형 F(지연성)'처럼 실제 존재하는 의학적 패턴임을 알게 되어 막연한 불안감을 줄일 수 있습니다.

2.  **의료진들에게:** 환자가 호소하는 증상이 시기에 따라 변하더라도 꾀병이 아니라 롱코비드의 자연스러운 경과일 수 있음을 이해하는 근거가 됩니다.

3.  [cite_start]**미래 연구에:** 낫지 않는 그룹(A, B)과 나중에 나빠지는 그룹(E, F)을 따로 분류하여 연구함으로써, 각 유형에 맞는 맞춤형 치료제 개발을 앞당길 수 있습니다[cite: 198].

롱코비드, 이제는 막연한 후유증이 아닌 **8가지 유형의 구체적인 질환군**으로 이해하고 접근해야 할 때입니다.

chatGPT

아래는 업로드된 논문 **RECOVER-Adult 코호트에서 본 Long COVID 증상 궤적 연구** 요약(블로그용, 일반 성인 독자 대상)입니다.

(A4 2장 이내, 이해 쉽게 구성 / 논문 자체 내용 기반)

---

## 🧬 **지속되고 예측 불가능한 ‘롱코비드’, 어떻게 흘러가는가?**

### **1. 연구 배경**

코로나19 감염 후 3개월 이상 피로, 호흡곤란, 브레인포그 같은 증상이 지속되는 상태를 **Long COVID(롱코비드, 롱코비드)**라고 부릅니다.

하지만 지금까지 알려진 연구들은 *롱코비드 증상이 시간이 지나면서 어떻게 변하는지, 어떤 흐름(trajectory)이 있는지*를 충분히 설명하지 못했습니다. 이런 정보는 *치료제 개발, 임상시험 설계, 보건 정책 수립*에 매우 중요합니다. 

롱코비드는 성인의 약 6%에서 발생하며, 그중 25%는 일상 활동 제한을 겪을 정도로 심각합니다. 하지만 증상이 비특이적이고 감염 경험과 직접 연결 짓기 어려워 의료진에게도 진단이 쉽지 않습니다. 그렇기 때문에 **롱코비드가 어떤 여러 가지 경로로 진행될 수 있는지**를 규명할 필요가 있었습니다. 

### **2. 연구 목적**

* 코로나19 감염 직후부터 15개월까지 **증상 데이터(LCRI, Long COVID Research Index)**를 기반으로 *롱코비드 진행 양상*을 구분하기

* *서로 다른 증상 흐름이 실제로 존재하는가?*

* *임상시험이나 추후 병태생리 연구에 필요한 표적군(target group)*을 파악하기

### **3. 연구 방법**

* 3,659명 대상, 3~15개월 동안 3개월 간격으로 증상 설문 실시 (대부분 입원 X, 오미크론 시대 99.6%) 

* 설문으로 보고된 11개 대표 증상을 점수화한 **Long COVID Research Index(LCRI, 0~30점)** 사용

* LCRI ≥ 11 이면 롱코비드로 분류

* 통계적으로 **유한 혼합 모델(Finite Mixture Models)**과 **다층 데이터에 대한 다중 결측값 보정(다중 임퓨테이션)**을 적용해 서로 다른 longitudinal profile 군집을 식별

---

## 📊 **연구 결과 – Long COVID, 8가지 서로 다른 흐름**

연구는 *롱코비드 증상 부담(symptom burden)이 시간이 지나면서 서로 다른 8가지 궤적 그룹(profile A~H)*으로 나뉜다는 것을 발견했습니다. 

| Profile | 인원(%)        | 주요 특성 요약                                                                  |

| ------- | ------------ | ------------------------------------------------------------------------- |

| **A**   | 195명 (5%)    | 3~15개월 내내 **증상 매우 심각, 지속적으로 롱코비드 기준 충족**                                  |

| **B**   | 443명 (12%)   | **높은 증상 부담이 반복적으로 출현, 해결되지 않음(Non-resolving, fluctuating)**               |

| **C**   | 379명 (10%)   | **점차 개선되는 중간 정도 증상**                                                      |

| **D**   | 334명 (9%)    | **경미한 증상 → 6개월 내 대부분 소실**                                                 |

| **E**   | 309명 (8%)    | **점진적 악화되는 중등도 증상**                                                       |

| **F**   | 217명 (6%)    | **3~12개월 거의 무증상이나 15개월에 갑자기 악화(특히 활동 후 불쾌감: post-exertional malaise 증가)** |

| **G**   | 481명 (13%)   | **전반적으로 낮은 증상 부담, 가끔 높아지지만 롱코비드 기준 미충족**                                  |

| **H**   | 1,301명 (36%) | **롱코비드 기준 전혀 충족하지 않음, 증상 거의 없음**                                          |

### ✅ 중요한 추가 발견

* **감염 후 3개월 시점에 377명 (10%)가 Long COVID 기준(LCRI ≥11) 충족**

  * 그중 175명(46%)는 **A그룹**: *심한 증상 지속*

  * 132명(35%)은 **B그룹**: *증상 반복 및 비해소*

  * 70명(19%)은 **C/D그룹**: *점진적 회복*

* **초기에는 Long COVID 기준에 미달(3개월)했지만 15개월까지 지속적으로 악화되는 경우가 14%**

  → 이는 *재감염 때문이라 보기 어려워*, **Delayed pathophysiologic process**, 즉 *지연성 병태생리 변화 가능성*이 강하게 시사됩니다. 

* 활동 제한이 강하게 동반되는 **A그룹은 여성 비율이 높고(77%), 입원 경험도 많음(6%)**. 홍코비드 중 가장 중증. 

* *재감염 비율은 전체 36%로 그룹 간 큰 차이 없음*, 따라서 *이 증상 악화는 재감염 때문이 아닌 경우가 많다*고 해석 가능. 

---

## 🔍 **연구 고찰 – 의미하는 바**

1. **롱코비드는 ‘하나의 병’이 아니다 – 여러 경로로 다르게 흘러간다**

   * 어떤 사람은 *3개월부터 시간이 지나도 절대 나아지지 않음*

   * 어떤 사람은 *1년간 괜찮다가 갑자기 피로와 무기력 악화*

   * 또 어떤 사람은 *3개월 시점부터 비교적 빠르게 회복*

2. **임상 연구 설계의 난이도**

   * *일률적 기준으로 치료 효과를 평가하기 어렵다*는 것이 확인되어

     → **증상 궤적에 따른 정확한 표적군 선정이 필수**

3. **추후 연구의 방향 제시**

   * **프로파일 A/B/E/F 같은 그룹은 향후 임상시험, 바이오마커 연구, 치료 타깃 탐색에서 ‘핵심 표적군’**이 될 수 있다. 

   * 특히 **F그룹**은 ‘감염 후 1년 이상 임상 설문 기준에 안 걸리다가 악화된다’는 점에서

     → *지연성 면역 이상, 신경-면역 축(neuro-immune axis), 에너지 대사 이상, 미토콘드리아 장애* 등 서로 다른 병리를 지닐 가능성을 암시합니다.

---

## 💡 **연구 의의 및 시사점**

* **이제 ‘롱코비드는 평균 3개월쯤 지나면 나아지는 병’이라고 말할 수 없다**

* *초기에 괜찮았더라도 시간이 지나 악화될 수 있다 → 장기 모니터링 필요*

* **증상이 오르락내리락하거나 갑자기 악화되는 경우는 임상 및 치료 계획에서 각별한 고려가 필요**

* **치료제 개발·임상시험 설계 시, ‘증상 trajectory 유형별 환자 선별’이 성공의 핵심이 될 것**

---

## ✅ **이 연구가 중요한 이유**

이 연구는 단순히 “Long COVID 환자가 몇 퍼센트인가?”를 말한 것이 아니라

**“환자마다 롱코비드가 어떤 서로 다른 속도와 양상으로 진행되는가?”를 처음으로 명확히 8가지 자연경로로 규명했다**는 점에서 의미가 큽니다.

즉,

✔ 치료제의 효과를 정확히 평가하려면 *같은 출발선에 서 있는 환자만 비교해야 함을 보여준 연구*이며

✔ 임상시험 실패를 줄이고, *증상의 병리(에너지대사, 신경, 면역, 장기 시스템) 차이를 밝힐 실마리*를 제공한 연구입니다.

✔ 궁극적으로 *수백만 명의 삶의 질과 노동 능력, 의료 비용, 사회 경제 구조*와 직결됩니다.

### 🎯 한 줄 요약:

**롱코비드는 사람마다 8가지 다른 경로로 흘러간다. 어떤 사람은 15개월 넘게 심하고 반복적으로 증상이 지속된다. 초기엔 괜찮아 보여도 시간이 지나 악화될 수 있다. 그래서 ‘궤적 기반 환자 선별’이 치료 연구의 성공 열쇠다.**

이 연구는 *롱코비드의 예측 가능성을 높이고, 개인 맞춤 치료 전략과 임상 연구 설계를 정교화하는 출발점*이기 때문에 중요합니다.

그리고 그 끝에는 **'다음 팬데믹 이후 만성 후유증 연구의 표준 모델을 제시했다'** 는 가치가 존재합니다.

grok

### 롱코로나(Long COVID)의 장기 변화 패턴 연구 요약

#### 연구 배경

코로나19(SARS-CoV-2) 감염 후 3개월 이상 지속되는 증상을 '롱코로나'라고 부르는데, 이는 피로, 호흡 곤란, 인지 장애 등 다양한 증상으로 나타납니다. 전 세계 수백만 명이 겪지만, 증상이 어떻게 변하는지(궤적)가 명확히 밝혀지지 않아 치료와 예방에 어려움이 있습니다. 미국 국립보건원(NIH)의 RECOVER 프로젝트는 감염 초기부터 장기 추적을 통해 이 문제를 해결하려 합니다. 이 연구는 오미크론 변이 시대(2021년 12월 이후)에 초점을 맞췄습니다.

#### 연구 목적

롱코로나의 장기 궤적을 파악하여, 생리적 원인 연구, 예방 전략, 임상 시험 대상자 선별, 환자 관리에 도움을 주기 위함입니다. 특히, 증상이 지속되거나 악화되는 패턴을 식별해 공공 보건 정책에 반영하려 합니다.

#### 연구 방법

미국 RECOVER 성인 코호트에서 3,659명(여성 69%, 평균 연령 50세, 대부분 비입원 환자)을 선정했습니다. 감염 후 3개월부터 15개월까지 매 3개월마다 증상 설문조사를 실시했습니다. '롱코로나 연구 지수(LCRI)'라는 점수(0~30점, 11점 이상이면 롱코로나)를 사용해 증상 부담을 측정했습니다. 통계 모델(유한 혼합 모델)을 적용해 증상 변화 패턴을 8개 프로필로 분류했습니다. 미감염 그룹(1,306명)과 비교도 했습니다.

#### 연구 결과

8개 패턴이 드러났습니다: 

- 지속적으로 높은 증상(5%, 프로필 A): 모든 기간 고통.

- 간헐적으로 높은 증상(12%, B): 증상이 오르내림.

- 개선 중 중등 증상(10%, C): 점차 줄어듦.

- 개선 중 낮은 증상(9%, D): 초기에 낮아져 사라짐.

- 악화 중 중등 증상(8%, E): 점차 증가.

- 지연 악화(6%, F): 12개월 후 급증(운동 후 피로 증가).

- 일관 낮은 증상(13%, G): 낮지만 간헐 증가.

- 최소 증상(36%, H): 거의 없음.

감염 후 3개월에 롱코로나 기준을 충족한 10%(377명) 중 46%는 지속, 35%는 간헐, 19%는 개선됐습니다. 지속 그룹은 여성(77%)과 입원 경력자(6%)가 많았습니다. 재감염률은 36%로 패턴별 비슷했습니다. 미감염 그룹에서는 롱코로나 유사 증상이 3~6%로 낮았습니다.

#### 연구 고찰

오미크론 시대라 롱코로나 유병률(10%)이 이전 변이 시대보다 낮았습니다. 악화 패턴(E, F)은 재감염 외에 지연된 생리적 과정이나 다른 질병 때문일 수 있지만, 생물학적 증거는 부족합니다. 미감염 그룹과 악화 패턴 E가 비슷해 롱코로나와 무관할 가능성도 있습니다. 제한점으로는 초기 시대 감염자 미포함, 일상 증상 미반영, 15개월 이후 추적 부족 등이 있습니다.

#### 의의와 시사점

이 연구는 롱코로나가 단일 질환이 아닌 여러 패턴으로 나뉜다는 점을 보여줍니다. 지속/간헐 그룹은 장기 지원이 필요하고, 개선 그룹은 초기 개입 효과를 시사합니다. 미래 연구에서 위험 요인(예: 성별, 입원)과 바이오마커를 분석해 맞춤 치료를 개발할 수 있습니다. 공공 보건 측면에서 환자 분류와 자원 배분에 유용합니다.

이 연구가 중요한 이유는 수백만 롱코로나 환자의 고통을 줄이기 위해 과학적 근거를 제공하기 때문입니다. 증상 패턴을 이해하면 불필요한 고통을 예방하고, 더 효과적인 치료법을 빠르게 찾을 수 있습니다.

NotebookLM

제공해 주신 논문은 **"RECOVER-성인 미국 코호트에서 전향적으로 추적된 장기 코로나(Long COVID) 궤적"**에 관한 연구입니다. 이 연구는 미국 국립보건원(NIH)의 RECOVER(Researching COVID to Enhance Recovery) 이니셔티브의 일환으로, 코로나19 감염 후 3개월부터 15개월까지 환자들의 장기 코로나 증상 부담 변화를 추적하여 여러 가지 뚜렷한 증상 궤적(trajectory)을 식별했습니다.

---

## 블로그 포스팅: "롱 코비드"의 숨겨진 모습: 15개월간 증상 변화에 따른 8가지 유형

### 1. 연구 배경: 정의는 있지만, 경과가 불분명한 롱 코비드

**장기 코로나(Long COVID)**는 SARS-CoV-2 감염 후 3개월 이상 지속되거나, 재발 또는 진행하는 만성적인 감염 관련 만성 질환으로 정의됩니다. 이 질환은 전 세계 수백만 명에게 영향을 미쳤으며, 성인 감염자의 약 6%에서 발생하는 것으로 추정됩니다. 환자들은 예측 불가능한 임상 경과와 다양한 심각도의 광범위한 증상을 경험합니다.

그러나 이러한 광범위한 증상과 예측 불가능성 때문에, **장기 코로나의 뚜렷한 종단적 경과(longitudinal trajectories)**는 명확히 정의되지 않은 상태였습니다. 이러한 궤적을 정의하는 것은 임상 시험의 대상을 정확히 선정하고, 병태생리학적 메커니즘을 조사하며, 환자 치료 및 공중 보건 지원을 위한 자원을 결정하는 데 매우 중요합니다.

### 2. 연구 목적: 롱 코비드 증상 부담의 뚜렷한 궤적 식별 및 특징 분석

이 연구의 목적은 미국 국립보건원(NIH)의 **RECOVER-성인 코호트**에서 코로나19 첫 감염 후 **3개월부터 15개월까지** 참가자들을 전향적으로 추적하여, **장기 코로나 연구 지수(LCRI, Long COVID Research Index)**를 기반으로 **뚜렷한 종단적 증상 프로파일**을 식별하고, 각 프로파일의 특징과 유병률을 설명하는 것입니다. LCRI는 환자 대표의 의견을 반영하여 표준화된 설문지를 사용해 자가 보고된 특정 증상에 기반한 정량적 연구 지수입니다.

### 3. 연구 방법: 대규모 전향적 추적 및 유한 혼합 모델링

*   **연구 코호트:** 이 연구는 **RECOVER-성인 코호트** 참가자 3,659명을 대상으로 진행되었습니다. 참가자들은 대부분 여성(69%)이었고, 98%는 급성 감염 시 입원이 필요하지 않았으며, 거의 모두(99.6%) **오미크론 변이 시대**에 감염되었습니다.

*   **데이터 추적:** 참가자들은 첫 SARS-CoV-2 감염 후 3개월부터 15개월까지 3개월마다 증상 설문조사를 완료했습니다.

*   **분석 지표:** **LCRI(Long COVID Research Index)**를 주요 결과 지표로 사용했으며, LCRI가 11 이상일 경우 장기 코로나(Long COVID) 기준을 충족하는 것으로 분류했습니다.

*   **통계 모델링:** **유한 혼합 모델링(Finite mixture modeling)**을 사용하여 3개월부터 15개월까지의 LCRI를 기반으로 뚜렷한 종단적 프로파일을 식별했습니다. 이 모델링은 편향되지 않은 접근 방식으로 뚜렷한 종단적 프로파일을 특징화하는 데 사용되었습니다.

### 4. 주요 연구 결과: 8가지 뚜렷한 증상 궤적 발견

연구 결과, 첫 감염 후 3개월부터 15개월까지 **8가지의 뚜렷한 종단적 증상 프로파일(A~H)**이 식별되었습니다. 전체 참가자 중 3개월 시점에 장기 코로나 연구 지수(LCRI $\geq 11$) 기준을 충족한 참가자는 377명(10%)이었습니다.

#### A. 장기 코로나 지속 그룹 (지속적인 증상 부담)

*   **프로파일 A (지속적, 높은 증상 부담):** **195명 (5%)**은 모든 방문 시점에 장기 코로나 역치(threshold)를 충족했으며, **지속적으로 높은 증상 부담**을 보였습니다. 3개월 시점에 장기 코로나 기준을 충족했던 참가자 중 **46%(175명)**가 이 그룹에 속했습니다. 이들은 증상 부담이 가장 높은 그룹으로, 다른 그룹에 비해 **여성일 확률(77% 대 64%)**이 더 높았고, 급성 감염 중 **입원했을 확률(6% 대 1%)**이 더 높았습니다.

*   **프로파일 B (간헐적, 높은 증상 부담):** **443명 (12%)**은 LCRI가 장기 코로나 역치 주변에서 변동하며, **시간이 지나도 증상이 개선되지 않는** **간헐적으로 높은 증상 부담**을 보였습니다. 3개월 시점에 장기 코로나 기준을 충족했던 참가자 중 **35%(132명)**가 이 그룹에 속했습니다.

#### B. 증상 개선 그룹

*   **프로파일 C (개선 중, 보통 증상 부담):** **379명 (10%)**은 시간이 지남에 따라 LCRI가 감소하는 궤적을 보였습니다.

*   **프로파일 D (개선 중, 낮은 증상 부담):** **334명 (9%)**은 6개월까지 LCRI가 거의 0으로 감소하는 궤적을 보였습니다.

#### C. 증상 악화 그룹 (지연된 증상 발현 가능성)

*   **프로파일 E (악화 중, 보통 증상 부담):** **309명 (8%)**은 시간이 지남에 따라 LCRI가 **점진적으로 증가**하는 궤적을 보였습니다. 이 그룹의 LCRI 증가는 재감염으로 설명되지 않을 수 있으며, **지연된 병태생리학적 과정**이나 장기 코로나와 관련 없는 **간헐적 질병**의 가능성이 있습니다.

*   **프로파일 F (지연 악화 증상 부담):** **217명 (6%)**은 3개월에서 12개월 사이에는 LCRI가 매우 낮았지만, 15개월 시점에 **활동 후 권태감(post-exertional malaise)** 증가에 힘입어 증상이 증가하는 궤적을 보였습니다.

#### D. 낮은/경미한 증상 그룹 (장기 코로나 기준 미충족)

*   **프로파일 G (일관적, 낮은 증상 부담):** **481명 (13%)**은 LCRI가 낮았으며, 장기 코로나 역치를 충족하지 않았습니다.

*   **프로파일 H (일관적, 최소/증상 없음):** **1,301명 (36%)**은 장기 코로나 역치를 전혀 충족하지 않았습니다.

#### E. 지속 및 개선 비율

3개월 시점에 장기 코로나 기준을 충족했던 참가자(377명) 중, **46%는 증상이 지속**되었고, **35%는 간헐적 증상**을 보였으며, **19%만이 증상이 개선**되는 궤적을 보였습니다.

### 5. 고찰 및 의의와 시사점: 롱 코비드 이질성의 입증

이 연구는 대규모 전향적 코호트 분석을 통해 장기 코로나 증상 부담이 **8가지의 이질적인(heterogeneous) 종단적 궤적**을 가진다는 것을 입증했습니다. 이는 장기 코로나 환자들이 임상적으로 경험하는 **예측 불가능성과 다양성**과 일치합니다.

**주요 시사점:**

1.  **지속적인 심각성:** 감염된 참가자의 **5%**는 15개월 동안 지속적으로 높은 증상 부담을 겪었으며, **12%**는 간헐적으로 높은 증상 부담을 겪는 등, **상당수의 환자가 증상 개선 없이 장기간 고통받고 있음**을 확인했습니다.

2.  **지연된 발병 가능성:** 전체 참가자의 **14%** (프로파일 E, F)는 3개월 시점에는 장기 코로나 기준을 충족하지 않았지만, 15개월까지 증상이 증가하는 **악화 또는 지연된 악화 궤적**을 보였습니다. 이는 장기 코로나의 병태생리학적 과정이 지연되어 나타날 수 있음을 시사하며, 재감염 때문만은 아닐 수 있습니다.

3.  **임상 시험 설계의 필수 정보:** 이 8가지 증상 궤적의 식별은 **향후 병태생리학적 메커니즘, 예방 전략, 임상 시험 및 치료법** 연구를 위한 대상자 등록을 목표로 하는 데 **매우 중요한 정보**를 제공합니다. 특히, 지속적인 증상 그룹(A)과 악화 그룹(E, F)은 치료적 개입이 가장 필요한 표적 집단이 될 수 있습니다.

4.  **연구의 한계:** 이 연구는 대부분 오미크론 시대 감염자와 입원하지 않은 환자들을 대상으로 했으므로, 이전 변이 시대의 롱 코비드 환자나 일반 인구를 완전히 대표하지 않을 수 있습니다. 또한, 가장 높은 증상 부담을 가진 참가자들이 후속 방문을 놓칠 가능성이 약간 더 높아(loss to follow-up), 회복률을 과소 또는 과대평가했을 가능성이 있습니다.

---

**이 연구가 중요한 이유:**

이 연구는 장기 코로나 증상 부담의 **복잡하고 이질적인 자연 경과**를 **대규모의 전향적 데이터**를 통해 명확히 정의하고 수량화한 최초의 연구 중 하나입니다.

단일한 '롱 코비드' 환자가 존재하는 것이 아니라, **시간 경과에 따라 증상이 고착되거나, 간헐적이거나, 혹은 지연되어 악화되는** 등 다양한 하위 유형이 존재함을 증명함으로써, 이 연구는 **맞춤형 의학**의 필요성을 강조합니다. 이처럼 뚜렷하게 정의된 궤적(예: 프로파일 A, B, E, F)을 기반으로 **생물학적 표지자(biomarker)**를 연구하고 개별화된 치료법을 개발하는 것은 롱 코비드 환자 수백만 명의 삶의 질을 향상시키는 데 결정적인 토대가 될 것입니다.

Perplexity.ai

이 논문은 “롱코비드(Long COVID)가 시간이 지나면서 어떻게 변하는지, 그 안에도 서로 다른 유형(경과 패턴)이 있는지”를 미국 대규모 코호트에서 15개월 동안 따라가서 정리한 연구입니다.[1]

## 연구 배경과 목적

- 코로나에 걸린 뒤 몇 달 이상 피로, 숨참, 뇌 안개, 통증 등이 이어지는 상태를 롱코비드라고 부릅니다. 하지만 어떤 사람은 오래 지속되고, 어떤 사람은 나아지고, 또 어떤 사람은 나중에 악화되는 등 “경과가 제각각”이라 명확한 패턴이 잘 알려져 있지 않았습니다.[1]

- 이 연구의 목적은 미국 NIH의 RECOVER Adult 코호트(성인 3,659명)를 15개월 동안 추적하면서, 롱코비드 증상이 시간에 따라 어떤 “궤적(trajectory)”을 보이는지 여러 유형으로 나누고, 각 유형이 얼마나 흔한지, 어떤 특징이 있는지 파악하는 것입니다.[1]

## 연구 방법: 누가, 어떻게 추적했나

- 미국 전역 33개 주와 워싱턴 DC, 푸에르토리코 등 83개 기관에서 모집한 성인 참여자 중, 첫 코로나 감염 시점부터 최소 15개월까지 설문을 할 수 있는 3,659명을 분석했습니다.[1]

  - 대부분 여성이었고(약 69%), 거의 모두 오미크론 시기에 감염되었으며, 98%는 입원 치료까지 필요하지 않을 정도의 비교적 “경증~중등도” 감염이었습니다.[1]

- 연구진은 11개 대표 증상을 점수화한 “롱코비드 연구 지수(Long COVID Research Index, LCRI)”를 만들어, 3, 6, 9, 12, 15개월에 반복 설문을 통해 점수를 매겼습니다.[1]

  - 점수가 11점 이상이면 “롱코비드가 있다”고 분류했고, 점수가 높을수록 증상 부담이 크다는 뜻입니다.[1]

- 통계적으로는 “유한 혼합모형(finite mixture model)”이라는 방법을 써서, 사람들을 증상 변화 패턴에 따라 자동으로 여러 그룹(프로파일)로 나누었습니다. 또한 감염되지 않은 1,306명도 같은 방식으로 분석해, 감염이 없는 사람들에서도 비슷한 증상 패턴이 어느 정도 나타나는지 비교했습니다.[1]

## 주요 결과 1: 롱코비드 자체의 빈도

- 전체 3,644명 중 3개월 시점에 롱코비드 기준(LCRI≥11)에 해당한 사람은 약 10.3%(377명)였습니다.[1]

- 15개월 시점에도 롱코비드 기준에 해당한 사람은 약 10.9%(324명)로, 1년 넘게 지나도 상당수에서 의미 있는 증상 부담이 계속 남아 있었습니다.[1]

## 주요 결과 2: 8가지 증상 경로 유형

연구진은 롱코비드 증상 점수의 시간 경과에 따라 8가지 프로파일을 발견했습니다.[1]

1) A형: 지속적으로 높은 증상(5%)  

- A형(참여자의 약 5%, 195명)은 3개월부터 15개월까지 계속 롱코비드 기준을 넘는 “매우 높은 증상 부담”이 유지되는 그룹입니다.[1]

- 이 그룹은 특히 여성 비율이 높고(77%), 처음 코로나에 걸렸을 때 입원한 비율도 다른 그룹보다 높았습니다.[1]

2) B형: 들쭉날쭉하지만 높은 증상(12%)  

- B형(12%, 443명)은 점수가 오르락내리락하며 때로는 롱코비드 기준을 넘고, 때로는 그 아래지만, 전체적으로 회복되는 느낌 없이 증상 부담이 계속 이어지는 유형입니다.[1]

- 이 그룹 역시 증상이 장기간 이어져 삶의 질에 큰 부담을 줄 수 있는 집단으로 보입니다.[1]

3) C형: 점차 나아지는 중등도 증상(10%)  

- C형(약 10%, 379명)은 처음에는 꽤 높은 점수였지만 시간이 지날수록 점점 감소해, 15개월쯤에는 대부분 낮은 수준까지 내려가는 “회복 경향” 그룹입니다.[1]

- 3개월에 이미 롱코비드 기준에 해당했던 사람들 중 약 18%가 이 “개선 중” 그룹에 속했습니다.[1]

4) D형: 가볍고 비교적 빨리 호전(9%)  

- D형(9%, 334명)은 3개월 시점 점수도 비교적 낮고, 6개월 무렵에는 거의 0점 수준으로 떨어지는 등 비교적 빠르게 회복하는 유형입니다.[1]

5) E형: 서서히 악화되는 중등도 증상(8%)  

- E형(8%, 309명)은 3개월에는 점수가 낮거나 중간 정도지만 시간이 갈수록 조금씩 올라가 중등도 수준까지 악화되는 패턴입니다.[1]

- 재감염률이 약간 더 높긴 했지만(39%), 다른 그룹과 큰 차이는 아니어서, 증상 악화가 단순히 “나중에 새로 롱코비드가 생긴 것”만으로 설명되지는 않았습니다. 연구진은 이 그룹이 롱코비드와 직접 관련된 경로인지, 혹은 다른 질환이나 요인 때문인지 추가 연구가 필요하다고 봅니다.[1]

6) F형: 한참 괜찮다가 나중에 확 악화(6%)  

- F형(6%, 217명)은 3~12개월 동안은 점수가 매우 낮다가, 15개월 시점에 갑자기 점수가 높아지는 “지연성 악화(delayed worsening)” 유형입니다.[1]

- 이 그룹에서는 특히 운동 후 심하게 피곤해지는 “노력 후 악화(post-exertional malaise)” 증상이 늘어난 것이 특징으로, 롱코비드 환자들이 자주 호소하는 패턴과 맞닿아 있습니다.[1]

7) G형: 계속 낮지만 가끔 증상(13%)  

- G형(13%, 481명)은 전반적으로 점수가 낮지만, 중간중간 조금씩 올라갈 때가 있는 그룹입니다. 대부분 롱코비드 기준에는 미치지 않지만 완전히 “무증상”이라고 하기도 애매한 상태입니다.[1]

8) H형: 거의 증상이 없는 다수(36%)  

- H형(36%, 1,301명)은 전 기간에 걸쳐 점수가 거의 0에 가까운, 사실상 롱코비드 증상이 거의 없는 그룹입니다.[1]

- 이 그룹이 전체에서 가장 큰 비율을 차지했지만, 앞서 언급한 A, B, E, F형처럼 증상이 오래 가거나 악화되는 소수 집단도 분명 존재했습니다.[1]

## “3개월에 롱코비드였던 사람들”의 이후 경로

- 3개월 시점에 롱코비드 기준을 만족했던 377명을 따로 보면,  

  - 46%는 A형(지속적으로 높은 증상),  

  - 35%는 B형(들쭉날쭉하지만 높은 증상),  

  - 18%는 C형(점차 호전),  

  - 1%는 D형(가볍고 빠른 회복)으로 분류되었습니다.[1]

- 즉, 롱코비드로 시작한 사람 가운데 약 절반 정도는 1년 이상 증상이 뚜렷하게 지속되고, 약 5명 중 1명 꼴만이 시간이 지나며 점차 호전되는 양상을 보인 셈입니다.[1]

## 감염되지 않은 사람들과의 비교

- 감염 내역이 없는 1,306명을 같은 방식으로 분석했을 때, 이들 중에도 극히 일부는 롱코비드 기준에 해당하는 정도의 증상 점수를 보였습니다(예: 12개월에 약 5.2%).[1]

- 하지만 이 “미감염 그룹”에서는 A~D형(지속적 또는 회복 중인 뚜렷한 증상 그룹)이 훨씬 드물고, H형(거의 무증상)과 G형(낮은 증상)이 대부분을 차지했습니다. 이는 감염이 실제로 롱코비드와 비슷한 증상 패턴의 위험을 높인다는 점을 뒷받침합니다.[1]

## 연구의 의의와 시사점

이 논문이 일반 독자에게 주는 핵심 메시지는 다음과 같습니다.[1]

- 첫째, “롱코비드”는 하나의 고정된 질병이 아니라, 시간에 따라 매우 다른 양상으로 흘러가는 여러 하위 유형들의 묶음에 가깝다는 점입니다.[1]

  - 어떤 사람은 처음부터 끝까지 증상이 심하고,  

  - 어떤 사람은 서서히 나아가며,  

  - 또 다른 사람은 한참 괜찮다가 뒤늦게 나빠지는 등, “한 줄로 설명할 수 있는 병”이 아닙니다.[1]

- 둘째, 3개월 시점에 롱코비드 진단 기준에 해당하는 사람 가운데 적지 않은 비율이 1년 이상 증상을 계속 겪는다는 사실은, 환자 개인과 사회·보건 시스템 모두에게 상당한 부담이 될 수 있다는 것을 보여줍니다.[1]

- 셋째, 이런 서로 다른 경로를 미리 구분해 두면,  

  - 임상시험에서는 “지속적으로 증상이 심한 A형”이나 “지연성 악화가 두드러지는 F형” 같은 그룹을 표적으로 삼아 약물이나 치료법을 시험할 수 있고,[1]

  - 의사는 환자에게 “지금 이런 패턴이면 앞으로 이런 경로를 갈 가능성이 크다”는 식의 현실적인 예측과 상담을 제공할 수 있습니다.[1]

## 이 연구가 왜 중요한가

- 롱코비드는 전 세계 수백만 명이 겪고 있고, 일상생활과 노동, 정신 건강에 큰 영향을 미치지만, 아직까지도 “누가 얼마나 오래 아플지, 언제 좋아질지”를 설명해 주는 자료가 부족했습니다.[1]

- 이 연구는 오미크론 시대의 실제 환자들을 장기간, 체계적으로 추적해 “롱코비드의 8가지 대표 경로”를 제시함으로써, 앞으로 어떤 사람이 고위험군인지, 어떤 그룹을 중심으로 진단·치료·재활 자원을 배치해야 할지에 대한 과학적 기반을 제공했습니다.[1]

- 궁극적으로는 롱코비드를 “막연한 불안”이 아니라, 여러 유형으로 나뉜 질환 스펙트럼으로 이해하게 만들어, 맞춤형 치료와 공중보건 전략을 설계하는 데 중요한 출발점을 마련했다는 점에서 큰 의미가 있습니다.[1]

Kimi

**장기 코로나는 어떻게 변화할까?  

미국 RECOVER 연구로 본 15개월간 증상 궤적 분석**

---

### 📌 연구 배경  

코로나19 감염 후 3개월 이상 지속되는 증상, 일명 **‘장기 코로나(Long COVID)’**는 전 세계 수백만 명에게 영향을 미치는 만성 질환으로 자리 잡았습니다. 하지만 증상이 어떻게 시간이 지나며 변화하는지, 누가 오래 아픈지, 누가 회복하는지는 아직 명확히 밝혀지지 않았습니다. 이는 치료법 개발이나 공중보건 정책에 큰 걸림돌이 되어 왔습니다.

---

### 📌 연구 목적  

이 연구는 **감염 이후 15개월 동안 장기 코로나 증상이 어떤 패턴으로 변화하는지**를 체계적으로 추적하여,  

- 누가 장기 코로나에 걸리는지  

- 증상이 어떻게 변화하는지  

- 어떤 그룹이 회복하고, 어떤 그룹은 지속적으로 아픈지  

를 구체적으로 밝히는 데 목적이 있습니다.

---

### 📌 연구 방법  

- **참가자**: 미국 33개州에서 모집된 **3,659명** (69% 여성, 99.6% 오미크론 감염 시기)

- **방식**: 첫 감염 후 **3개월, 6개월, 9개월, 12개월, 15개월**에 증상 설문 조사 실시  

- **도구**: **장기 코로나 연구 지수(LCRI)**라는 증상 점수(0~30점)를 사용해 증상의 정도를 수치화  

- **분석**: ** finite mixture modeling**이라는 통계 기법으로 증상 궤적을 8개의 유형으로 분류

---

### 📌 연구 결과  

#### ✅ 8가지 증상 궤적 유형 발견  

| 유형 | 비율 | 특징 |

|------|------|------|

| **A. 지속적 고증상** | 5% (195명) | 처음부터 끝까지 증상이 심각하게 지속 |

| **B. 간헐적 고증상** | 12% (443명) | 증상이 있다가 없어지기를 반복, 전반적으로 개선 없음 |

| **C. 개선형 중증** | 10% (379명) | 처음엔 심했지만 점차 나아짐 |

| **D. 개선형 경증** | 9% (334명) | 처음엔 가벼웠고, 6개월쯤 거의 사라짐 |

| **E. 악화형 중증** | 8% (309명) | 처음엔 가벼웠지만 점점 악화됨 |

| **F. 지연 악화형** | 6% (217명) | 1년까지 괜찮다가 15개월쯤 증상 악화 |

| **G. 일관적 경증** | 13% (481명) | 계속 가벼운 증상 유지 |

| **H. 무증상 또는 최소** | 36% (1,301명) | 거의 증상 없음 |

---

#### ✅ 장기 코로진단 받은 377명(10%)의 15개월 후 상황  

- **46%**는 여전히 심각한 증상 유지 (유형 A)  

- **35%**는 증상이 왔다 갔다 함 (유형 B)  

- **19%**는 점차 나아짐 (유형 C, D)

---

#### ✅ 특이 사항  

- **526명(14%)**은 3개월 때는 진단 기준에 미치지 못했지만, **15개월 때 증상이 악화**됨 (유형 E, F)  

- **여성**과 **초기 입원 환자**가 지속적 고증상 유형에 더 많이 포함됨  

- **재감염률**은 전체적으로 36%로, 악화 유형(E, F)에서 조금 더 높았음 (39~40%)

---

### 📌 고찰  

- 장기 코로나는 **단일 질환이 아니라 여러 가지 증상 궤적**이 존재함  

- **처음 3개월 만으로는 누가 장기 코로나로 진행될지 전부 예측할 수 없음**  

- **증상이 나중에 나타나거나 악화되는 경우도 적지 않음**  

- **무증상이라고 해서 완전히 안심할 수 없으며, 1년 이후에도 증상이 생길 수 있음**

---

### 📌 의의와 시사점  

1. **진료 현장**:  

   - 3개월 진단만으로는 부족하며, **지속적인 추적 관리**가 필요  

   - 증상이 없다가도 나중에 생길 수 있으므로, **1년 이상 모니터링** 권장  

2. **연구 및 치료 개발**:  

   - 각 증상 궤적에 맞는 **맞춤형 치료 전략** 필요  

   - 특히 **지속적 고증상군(A)**과 **악화형(E, F)**은 **임상시험 우선 대상**으로 삼아야 함  

3. **공중보건**:  

   - 장기 코로나는 **만성 질환으로서의 제도적 대응**이 필요  

   - 증상이 지속될 경우 **직장, 학교, 사회적 지원 체계** 마련 시급  

---

### 📌 왜 이 연구가 중요한가?  

이 연구는 **장기 코로나가 단순히 ‘오래 가는 감기’가 아니라, 다양한 패턴의 만성 질환**이라는 사실을 처음으로 **대규모 장기 추적 데이터**로 증명했습니다.  

단순히 “회복될 거야” 또는 “계속 아플 거야”로 말해지던 장기 코로나를 **과학적으로 분류**함으로써,  

- **환자는 자신의 증상을 이해하고**,  

- **의사는 적절한 치료를 설계하며**,  

- **정책입안자는 제대로 된 지원 정책을 만들 수 있는 토대**를 제공했습니다.

---

**한 줄 요약**  

> “장기 코로나는 한 가지가 아니라 여덟 가지 길이고, 그 길은 3개월 만으로는 알 수 없다.”

출처: @ye._.vely618

genomeweb 크롤링 첫 업데이트

 하.. 어제까지 잘 사용하고 있었는데 어제 갑자기 에러가 발생해서 잠깐 당황했지만 그래도 짬밥이 있어서 에러를 보고서 일단 대충 해결하고 코드를 수정해보았습니다.

당연히 gemini와 chatGPT의 도움을 받아서..

기존 작성했던 genomeweb crawling 코드에서 크롬 드라이버를 가져오는 함수가 있었습니다.

driver = uc.Chrome(options=options, version_main=148)

근데 이 버전이 계속 148이 아니더라구요... Orz

사실 크롬드라이버를 별도로 고정시켜 놓을 수는 있겠지만 굳이? 개인용 PC에서? 윈도우도 업데이트하고 크롬도 계속 업데이트 될텐데? 

그래서 현재 설치되어 있는 버전을 찾는 함수를 추가하고 함수에서 확인한 버전을 입력해주도록 변겨했습니다. :)

get_chrome_major_version()이라는 함수를 추가해서 아래와 같이 행이 추가되었습니다.

major_version = get_chrome_major_version()

driver = uc.Chrome(options=options, version_main=major_version)

근데 동적으로 크롬버전을 확인 할 수 있도록 해달라니깐 알아서

윈도우, macOS, 리눅스별로 구분해서 코드를 작성하는 센스를 보여주었네요. :)

그리고 get_chrome_major_version함수에서 크롬 버전을 확인하지 못했을 경우 uc.Chrome에서 알아서 하도록 version_main 인자를 생략하는 센스가..

아니 이럴거면 처음부터 uc.Chrome 사용할 떄 version_main 인자를 사용안했으면 됐잖아;;

여하튼 github에 어제자로 genomeweb_crawling 코드가 업데이트 되었습니다.

>여기<

※ 계속 빈둥 빈둥 하면서 의미 있는 코드를 한번 짜보도록 하겠습니다. :)

출처: @ye._.vely618

AI는 왜 모른다고 말하지 못할까?

시험을 보다 보면 정말 모르는 문제가 하나쯤은 나오곤 합니다. 그럴 때는 그냥 찍을지, 아니면 빈칸으로 둘지 잠깐 고민하게 되죠. 사람도 그런데 AI는 어떨까요?

요즘 생성형 AI를 쓰다 보면 가끔 "이건 아닌 것 같은데?" 싶은 답을 너무 자신 있게 말하는 경우가 있습니다. 틀렸으면 틀렸다고 하거나, 모르겠다고 하면 될 것 같은데 굳이 그럴듯하게 이야기를 이어가는 경우가 있죠. 그래서 흔히 AI가 '환각(Hallucination)'을 한다고 표현하기도 합니다.

오늘 소개할 논문은 **Why Language Models Hallucinate**입니다. 많은 사람들이 "학습 데이터를 더 많이 넣으면 해결되는 것 아닌가?"라고 생각했던 문제를 조금 다른 시각에서 바라봤습니다. 연구진은 AI가 헛소리를 하는 이유가 단순히 데이터를 덜 배워서가 아니라, 지금까지 AI를 훈련시키고 평가하는 방식 때문일 수도 있다고 이야기합니다.

시험에서 모른다고 답하면 점수를 못 받으니 일단 찍게 되는 것처럼, AI도 모를 때 추측하는 편이 더 높은 평가를 받도록 학습되어 왔다는 것이죠. 생각해 보면 사람이나 AI나 시험을 잘 보려고 한다는 점에서는 꽤 비슷한 것 같습니다. 이번 연구는 AI를 더 똑똑하게 만드는 방법보다, AI가 모르면 "모르겠습니다."라고 말할 수 있게 만드는 것이 더 중요할 수도 있다는 이야기를 담고 있습니다.

DOI: 10.48550/arXiv.2509.04664

※ 25년도 9월달에 arxiv에 올라왔는데 아직 arxiv에 있군요. 작년에 정리해놓고 게시하지 않았던 글이란것이 clova-x 덕분에 알게해주세요 :)

clova-x

대규모 언어 모델은 때때로 그럴듯해 보이지만 잘못된 진술인 "환각"을 생산하는데, 이는 훈련 및 평가 절차에서 불확실성을 인정하는 대신 추측을 보상하기 때문입니다. 이러한 현상은 기존 벤치마크의 점수 조정을 통해 환각을 줄이는 목표와 일치하도록 함으로써 완화될 수 있습니다.

1. **환각의 원인**

    - 대규모 언어 모델은 훈련 및 평가 절차에서 불확실성을 인정하는 대신 추측을 보상하기 때문에 환각을 일으킵니다.

    - 환각은 이진 분류에서의 오류로 시작되며, 여기서 잘못된 진술은 사실과 구별할 수 없습니다.

2. **사전 훈련과 사후 훈련의 영향**

    - 사전 훈련은 오류가 없는 훈련 데이터에서도 오류를 초래하며, 이는 사전 훈련 동안 최소화되는 통계적 목적 때문입니다.

    - 사후 훈련은 기본 모델을 개선하려는 의도이지만, 과신하는 환각이 생성되며, 이는 정보를 생략하거나 불확실성을 표현하는 대신 이루어집니다.

3. **평가의 문제점**

    - 대부분의 평가는 불확실성을 벌점으로 부과하여, 언어 모델이 확신이 없을 때 추측하도록 장려하며, 이는 환각을 촉진합니다.

    - 이러한 문제를 해결하려면 불확실할 때 기권을 벌점으로 부과하지 않도록 기존 평가를 수정해야 합니다.

4. **완화 전략**

    - 사회기술적 완화는 기존 벤치마크의 점수를 조정하여 환각을 줄이는 목표와 더 잘 맞도록 하여 달성할 수 있습니다.

    - 기존 평가에 통계적으로 엄격한 수정을 가함으로써 효과적인 완화를 도모할 수 있습니다.

gemini

## 논문 요약: 언어 모델은 왜 거짓말을 할까?

### 연구 배경

최근 인공지능 기술의 발전과 함께 대규모 언어 모델(Large Language Models, LLMs)은 사람과 자연스럽게 대화하고 복잡한 질문에 답하는 등 놀라운 능력을 보여주고 있습니다. [cite_start]하지만 이러한 모델들은 때때로 **'환각(hallucination)'**이라 불리는 치명적인 오류를 범합니다[cite: 1, 39]. [cite_start]이는 사실과 다르거나 근거 없는 정보를 마치 진실인 것처럼 자신 있게 말하는 현상으로, 언어 모델에 대한 신뢰를 떨어뜨리는 주된 원인이 됩니다[cite: 41]. [cite_start]이 연구는 바로 이러한 '환각' 현상이 왜 발생하는지에 대한 통계적, 사회 기술적 원인을 분석합니다[cite: 39].

[cite_start]이 연구의 저자들은 언어 모델의 환각이 단순히 미스터리한 현상이 아니며, 훈련 및 평가 과정에서 발생하는 **오류와 통계적 압력**의 결과라고 주장합니다[cite: 41]. [cite_start]이들은 학생이 어려운 시험 문제를 만났을 때 모른다고 답하는 대신 추측하는 것에 비유하며, 언어 모델도 불확실한 경우 정직하게 모른다고 말하기보다는 그럴듯한 답변을 내놓도록 훈련되기 때문에 이러한 현상이 발생한다고 설명합니다[cite: 41, 30].

### 연구 목적 및 주요 내용

이 논문의 주된 목적은 언어 모델이 환각을 일으키는 근본적인 원인을 밝히고, 이 문제를 해결하기 위한 실질적인 방안을 제시하는 것입니다. [cite_start]연구는 언어 모델의 훈련 과정을 크게 **사전 훈련(pretraining)**과 **후속 훈련(post-training)** 두 단계로 나누어 환각의 원인을 분석합니다[cite: 39, 41].

* [cite_start]**사전 훈련 단계의 원인**: 언어 모델이 방대한 텍스트 데이터로 언어의 통계적 분포를 학습하는 과정에서 왜 오류를 내재하게 되는지를 분석합니다[cite: 39, 41, 71, 72].

* [cite_start]**후속 훈련 단계의 원인**: 사전 훈련된 모델이 특정 목표에 맞게 다듬어지는 과정에서 왜 '환각'과 같은 자신감 있는 거짓말이 사라지지 않고 오히려 강화되는지를 설명합니다[cite: 41].

[cite_start]이 연구는 환각을 **이진 분류(binary classification) 문제**로 단순화하여 분석하는 독창적인 접근 방식을 사용합니다[cite: 41]. [cite_start]이를 통해 언어 모델의 '생성 오류율(generative error rate)'이 '이진 분류 오분류율(misclassification rate)'의 최소 두 배가 될 수 있음을 수학적으로 증명합니다[cite: 50, 51, 107, 108, 109].

---

### 연구 방법

[cite_start]이 연구는 **계산 학습 이론(computational learning theory)**을 기반으로 언어 모델의 오류를 분석합니다[cite: 1]. [cite_start]특히, 언어 모델의 생성 과정(generative model)을 '이것이 유효한 언어 모델 출력인가?'라는 질문에 답하는 **'유효성 확인(Is-It-Valid, IIV) 이진 분류'** 문제로 환원하여 분석했습니다[cite: 75, 76, 107, 108]. [cite_start]이진 분류 문제는 주어진 문장이 '유효함(+)' 또는 '오류(-)'인지 판별하는 간단한 문제로, 언어 모델의 생성 오류가 왜 발생하는지 통계적 관점에서 설명할 수 있게 합니다[cite: 75, 76].

연구는 이 환원법을 통해 다음과 같은 과정을 거칩니다:

1.  [cite_start]**사전 훈련 단계 분석**: 모델이 방대한 텍스트 데이터(모두 '유효한' 데이터라고 가정)를 학습할 때, 이 데이터에 포함된 '임의의 사실' (예: 특정 인물의 생일처럼 규칙성이 없는 정보)에 대해 모델은 자연스럽게 오류를 범하게 된다는 것을 보여줍니다[cite: 111, 112]. [cite_start]이는 모델이 훈련 데이터에서 한 번만 등장한 사실에 대해 최소한의 비율로 환각을 일으킬 수밖에 없음을 의미합니다[cite: 23, 24].

2.  **후속 훈련 단계 분석**: 모델을 튜닝하는 과정에서 환각이 사라지지 않는 이유를 분석합니다. [cite_start]이는 대부분의 **평가 기준이 '모르겠음'이나 불확실한 답변을 불이익 처리**하기 때문입니다[cite: 31, 32, 33, 36, 140]. [cite_start]마치 학생이 시험에서 빈칸을 남기는 것보다 추측해서라도 답을 쓰는 것이 점수를 높이는 방법인 것처럼, 언어 모델도 마찬가지로 '시험 모드'에 최적화되어 불확실한 답변을 피하고 자신 있게 틀린 답을 내놓게 됩니다[cite: 31, 32].

---

### 연구 결과

연구의 주요 결과는 다음과 같습니다.

1.  [cite_start]**환각은 통계적으로 불가피하다**: 사전 훈련된 언어 모델은 아무리 잘 만들어져도 통계적으로 특정 유형의 오류, 즉 환각을 생성할 수밖에 없습니다[cite: 39, 41]. [cite_start]이는 모델이 완벽하게 훈련 데이터를 복제하는 '유효성'과 새로운 내용을 '생성하는' 능력 사이의 균형을 맞추려고 노력하는 과정에서 발생합니다[cite: 1, 12, 13, 14, 15].

2.  [cite_start]**평가 기준이 환각을 조장한다**: 현재 언어 모델을 평가하는 대부분의 벤치마크(성능 지표)는 정답 또는 오답만을 가리는 **이진 평가 방식(binary grading)**을 사용합니다[cite: 31, 32, 36, 159, 160]. [cite_start]이는 '모르겠다(IDK)'고 답하거나 불확실성을 표현하는 것을 '오답'으로 간주하거나 점수를 낮게 줍니다[cite: 31, 32, 36, 140, 160]. [cite_start]이로 인해 모델은 불확실한 상황에서도 일단 추측하는 것이 더 높은 점수를 얻는다는 것을 학습하게 되며, 이는 환각을 확산시키는 '전염병(epidemic)'과 같은 효과를 낳습니다[cite: 37].

3.  [cite_start]**교정된 모델도 환각을 일으킬 수 있다**: 연구는 후속 훈련을 거친 모델일지라도 여전히 환각을 일으킬 수 있음을 보여줍니다[cite: 41]. [cite_start]예를 들어, 완벽하게 불확실성을 표현하는 모델(Model A)과 항상 추측하는 모델(Model B)을 비교할 때, 현재의 이진 평가 기준에서는 항상 추측하는 Model B가 더 높은 점수를 얻습니다[cite: 34, 35, 36].

---

### 고찰 및 시사점

[cite_start]이 논문은 환각 문제를 기술적인 문제뿐만 아니라 **사회 기술적(socio-technical)** 문제로 바라봐야 한다고 제안합니다[cite: 28]. [cite_start]즉, 단순히 더 나은 모델을 만들거나 새로운 '환각 평가' 벤치마크를 추가하는 것만으로는 부족하며, **기존의 평가 기준을 수정**해야 한다는 것입니다[cite: 38].

[cite_start]연구는 불확실한 답변에 불이익을 주지 않는 방향으로 기존 벤치마크의 채점 방식을 바꾸는 것이 필요하다고 주장합니다[cite: 38]. [cite_start]예를 들어, '모르겠다'고 답했을 때도 부분 점수를 주거나, 답변의 '확신도(confidence)'를 함께 평가에 포함시키는 방식 등을 제안합니다[cite: 165, 166, 175]. [cite_start]이러한 변화는 언어 모델이 모르는 것을 모른다고 솔직하게 표현하도록 유도하여 더욱 신뢰할 수 있는 시스템으로 발전하게 할 수 있습니다[cite: 42].

---

### 이 연구의 중요성

이 연구는 **언어 모델의 환각이 발생하는 이유에 대한 근본적인 원인을 통계적, 이론적 관점에서 명확하게 밝혀냈다는 점에서 매우 중요합니다.**

[cite_start]이전 연구들은 환각의 여러 원인(예: 모델의 과신, 훈련 데이터의 부족 등)을 나열하는 데 그쳤지만, 이 논문은 **언어 모델 훈련의 두 가지 핵심 단계인 사전 훈련과 후속 훈련 각각에서 환각이 발생하는 통계적 메커니즘을 밝혀냈습니다.** 특히, 생성 문제와 분류 문제를 연결하는 **획기적인 환원법**을 통해 환각이 왜 불가피한지 수학적으로 증명했습니다[cite: 43].

[cite_start]더 나아가 이 연구는 언어 모델의 환각 문제를 해결하기 위해서는 **기술 개발뿐만 아니라 평가 시스템 자체의 변화가 필수적**임을 강조합니다[cite: 38, 42]. 이는 개발자들이 더 이상 '시험 점수'에만 매달리지 않고, 모델의 신뢰성과 안전성을 높이는 방향으로 연구를 진행하도록 유도하는 중요한 시사점을 제공합니다. 궁극적으로 이 논문은 사용자들이 언어 모델을 더욱 신뢰하고 안전하게 사용할 수 있는 미래를 위한 중요한 발판을 마련했다고 볼 수 있습니다.

chatGPT

좋습니다. 업로드하신 논문 **〈Why Language Models Hallucinate〉 (2025)** 의 내용을 바탕으로 일반 성인 독자도 이해할 수 있도록 쉽게 요약해드리겠습니다. 요청하신 대로 연구 배경, 목적, 방법, 결과, 고찰, 의의와 시사점까지 포함하여 A4 두 장 이내 분량으로 정리했습니다.

---

## 왜 인공지능은 ‘헛소리(환각, Hallucination)’를 할까?

### 1. 연구 배경

요즘 인공지능 대화형 모델(예: ChatGPT, Claude, Gemini 등)은 사람과 비슷하게 문장을 만들어내지만, 종종 사실이 아닌 그럴듯한 말을 합니다. 이를 **‘환각(hallucination)’** 이라고 부릅니다. 예를 들어, 누군가의 생일을 묻자 모델이 자신 있게 “3월 7일”이라고 대답하지만 실제로는 틀린 경우입니다. 이런 오류는 단순히 데이터 부족 때문만이 아니라, **모델을 훈련하고 평가하는 방식 자체에서 비롯된다**는 점이 문제의 핵심입니다.

### 2. 연구 목적

연구진은 환각 현상이 **왜 발생하고, 왜 계속 사라지지 않는지**를 이론적으로 분석했습니다. 또 단순히 새로운 평가 도구를 만드는 것이 아니라, **현재의 평가 방식 자체를 바꿔야 환각 문제를 줄일 수 있다**는 주장을 내놓습니다.

### 3. 연구 방법

연구는 언어모델 훈련 과정을 크게 두 단계로 나눠 분석했습니다.

1. **사전학습(Pretraining)** – 방대한 텍스트 데이터를 이용해 언어의 패턴을 배우는 단계.

2. **후처리(Post-training)** – 사람의 피드백이나 추가 훈련을 통해 모델의 답변을 다듬는 단계.

연구진은 \*\*통계학과 기계학습 이론(특히 이진 분류 문제)\*\*을 적용해, 언어모델의 오류가 단순히 “분류 오류”와 동일한 성질을 가진다는 점을 수학적으로 설명했습니다.

### 4. 주요 결과

1. **사전학습 단계**

   * 설령 학습 데이터가 100% 정확하더라도, 언어모델은 통계적 이유 때문에 오류(=환각)를 만들 수밖에 없습니다.

   * 특히 훈련 데이터에서 단 한 번만 등장하는 사실(예: 잘 알려지지 않은 인물의 생일)은 모델이 기억하기 어렵기 때문에 틀릴 확률이 높습니다.

   * 따라서 환각은 “데이터 부족”이 아니라 “통계적으로 피할 수 없는 현상”이라는 점을 수학적으로 증명했습니다.

2. **후처리 단계**

   * 원래는 환각을 줄이려고 강화학습(RLHF 등)을 적용하지만, 실제로는 오히려 \*\*‘자신 없을 때 모른다고 하지 않고, 그럴듯하게 추측하는 방식’\*\*을 강화하는 결과가 나타납니다.

   * 이유는 현재 대부분의 평가 시험(MMLU, GPQA, SWE-bench 등)이 **정답=1점, 틀리거나 모르겠다고 하면=0점** 방식으로 채점하기 때문입니다.

   * 이 방식에서는 “모른다”라고 정직하게 말하는 모델보다, “틀릴 수도 있지만 일단 대답하는 모델”이 점수가 더 높게 나옵니다.

   * 결과적으로 모델은 시험 잘 보는 ‘모범 답안생’이 되지만, 신뢰성은 오히려 떨어집니다.

### 5. 고찰

연구진은 언어모델 환각이 단순한 기술적 문제를 넘어 **사회-기술적 문제(socio-technical problem)** 라고 봅니다. 즉, 모델만 고치는 게 아니라 **평가 시스템 자체를 바꿔야** 합니다. 구체적으로는:

* “모른다(IDK)”라는 답변에 불이익을 주지 않고, 때로는 정직한 무응답을 보상하는 방식의 채점 제도를 도입해야 합니다.

* 시험 문제 지침에 “자신감이 70% 이상일 때만 답하라”는 식의 \*\*명시적 확신 기준(confidence target)\*\*을 포함시켜야 합니다.

* 이렇게 하면 모델은 불확실할 때는 대답을 피하고, 확실할 때만 답변하도록 훈련될 수 있습니다.

### 6. 의의와 시사점

* 이 연구는 환각을 **불가피한 통계적 산물**로 규명하면서, “왜 아무리 개선해도 사라지지 않는가”에 대한 근본적인 답을 제시합니다.

* 또한 환각 문제 해결을 위해서는 새로운 알고리즘보다 **평가 기준과 리더보드 문화를 바꾸는 것**이 중요하다는 사회적 메시지를 줍니다.

* 이는 인공지능 신뢰성, 의료·법률 같은 고위험 분야에서의 안전한 활용, 그리고 사용자와 AI의 건강한 관계 형성에 중요한 시사점을 갖습니다.

---

### 📌 이 연구가 중요한 이유

오늘날 인공지능은 일상생활과 산업 곳곳에 침투하고 있지만, \*\*사실처럼 보이는 거짓말(환각)\*\*이 여전히 큰 걸림돌입니다. 많은 기업과 연구자는 모델 자체의 성능만 높이는 데 집중해 왔지만, 이 논문은 \*\*“시험을 잘 보는 AI가 아니라, 정직하게 모른다고 말할 줄 아는 AI”\*\*가 필요하다고 강조합니다. 이는 앞으로 **신뢰할 수 있는 인공지능을 만드는 새로운 방향**을 제시한다는 점에서 큰 의미가 있습니다.

grok

### 왜 AI 언어 모델이 '환각'을 일으킬까? – 간단 요약

#### 연구 배경

대형 언어 모델(AI 챗봇처럼 텍스트를 생성하는 시스템)은 때때로 확실하지 않은데도 그럴듯한 거짓 정보를 만들어 내는 '환각(hallucination)' 문제를 겪습니다. 예를 들어, 연구자의 생일을 물어보면 실제 가을인데 "03-07"이나 "15-06"처럼 잘못된 날짜를 내놓거나, 박사 논문 제목을 물으면 실제 2001년 CMU에서 쓴 "Boosting, Online Algorithms, and Other Topics in Machine Learning" 대신 엉뚱한 제목을 지어냅니다. 이는 최신 모델(예: DeepSeek-V3, ChatGPT)에서도 여전하며, AI의 신뢰성을 떨어뜨립니다. 이 문제는 훈련 데이터에 오류가 있거나, 모델이 단순히 '자동완성'처럼 작동하기 때문이 아니라, 훈련 과정 자체의 통계적 압력에서 비롯됩니다.

#### 연구 목적

이 논문은 환각이 왜 발생하고, 왜 훈련 후에도 사라지지 않는지 통계적으로 분석합니다. 프리트레이닝(기본 학습)에서 환각의 기원을 밝히고, 포스트트레이닝(후속 조정)에서 왜 지속되는지 설명합니다. 궁극적으로, 기존 평가 기준을 바꿔 환각을 줄이는 '사회-기술적' 해결책을 제안합니다. 환각을 '오류의 특별한 경우'로 보고, 컴퓨팅 학습 이론으로 분석합니다.

#### 방법

연구자들은 환각을 '이진 분류 문제'로 환원합니다. 모델이 생성한 텍스트가 '유효(valid)'한지 '오류(error)'인지 분류하는 'Is-It-Valid(IIV)' 문제를 정의하고, 이를 통해 생성 오류율이 분류 오류율의 약 2배 이상임을 증명합니다. 프리트레이닝에서는 훈련 데이터가 오류 없어도 모델이 불확실한 사실(예: 한 번만 등장한 생일 정보)을 학습하지 못해 환각이 발생한다고 분석합니다. 포스트트레이닝에서는 학생이 시험에서 불확실할 때 추측하듯, AI 평가가 '맞음/틀림'의 0-1 점수로 불확실성(예: "모름" 응답)을 벌하기 때문에 환각이 유지된다고 지적합니다. 기존 벤치마크(평가 도구)를 수정해 불확실성을 장려하도록 제안합니다.

#### 결과

프리트레이닝 결과: 모델은 철자 오류처럼 패턴 있는 것은 잘 피하지만, 무작위 사실(예: 생일)에서 환각률이 최소 20%(훈련 데이터에 한 번 등장한 사실 비율) 이상입니다. 이는 '에피스테믹 불확실성(학습 불가능한 패턴 없음)' 때문입니다. 포스트트레이닝 결과: 평가가 추측을 보상하므로, 모델 A(불확실시 "모름" 말함)가 모델 B(항상 추측)보다 점수가 낮아 환각이 살아남습니다. 외부 환각(훈련 데이터와 모순)과 내부 환각(프롬프트와 모순) 모두 이 통계 압력에서 비롯됩니다.

#### 고찰

환각은 모델의 '과신'이나 '디코딩 랜덤성' 같은 요인도 있지만, 근본은 훈련 목표와 평가 미스얼라인먼트입니다. 기존 환각 평가를 더 만드는 대신, 리더보드 지배적인 주요 벤치마크(예: 다지선다 시험)를 수정해야 합니다. 예를 들어, "모름" 응답을 벌하지 않고 보상하면 모델이 솔직해집니다. 이는 RLHF(인간 피드백 강화 학습) 같은 기술로 보완 가능하지만, 평가 변화가 핵심입니다.

#### 의의와 시사점

이 연구는 환각을 '신비로운 버그'가 아닌 통계적 오류로 재정의해, AI 개발자들이 프리트레이닝에서 불확실 사실을 더 잘 다루고 포스트트레이닝에서 평가를 재설계하도록 안내합니다. 실생활 적용으로, 검색-검색 모델이나 추론 AI에서도 환각을 줄일 수 있습니다. 시사점은 AI가 '시험 잘 보는' 모드가 아닌 '신뢰할 수 있는' 도우미가 되도록 평가를 바꾸는 것입니다.

이 연구가 중요한 이유는 AI 환각이 신뢰 문제를 일으키는 주요 장애물인데, 이를 통계적으로 해명하고 실현 가능한 해결책을 제시해 더 안전하고 유용한 AI 시스템으로 이끌기 때문입니다. 환각 없는 AI는 의료, 교육 등 분야에서 큰 변화를 가져올 수 있습니다.

NotebookLM

## 언어 모델의 '환각(Hallucination)' 현상, 왜 나타나고 어떻게 해결할 수 있을까?

최근 몇 년간 인공지능 분야에서 가장 주목받는 기술 중 하나는 바로 대규모 언어 모델(Large Language Models, LLMs)입니다. 이 모델들은 인간과 유사한 텍스트를 생성하며 다양한 작업을 수행하지만, 때로는 **'환각(hallucination)'**이라 불리는 현상, 즉 **그럴듯하지만 틀린 정보를 자신감 있게 내놓는 문제**를 겪습니다. 이 글에서는 최신 연구를 바탕으로 이러한 언어 모델의 환각 현상이 왜 발생하는지, 그리고 우리가 어떻게 이 문제를 해결할 수 있는지에 대해 일반 독자분들이 쉽게 이해할 수 있도록 설명하고자 합니다.

---

### 연구 배경: 믿을 수 없는 AI의 등장

언어 모델이 "아담 타우만 칼라이의 생일이 언제인가요? 안다면 DD-MM으로만 답하세요"라는 질문에 "03-07", "15-06", "01-01"과 같은 세 가지의 틀린 날짜를 자신감 있게 제시하거나, 심지어 그의 박사 학위 논문 제목을 "Boosting, Online Algorithms, and Other Topics in Machine Learning"이라고 틀리게 답변하는 경우도 있습니다. 이러한 오류는 심지어 최첨단 모델에서도 지속적으로 나타나며, 언어 모델의 **유용성과 신뢰도를 크게 떨어뜨립니다**.

기존 연구들은 언어 모델의 과도한 자신감, 디코딩 무작위성, 잘못된 정렬 훈련 등 다양한 원인을 지목했지만, 환각 현상이 왜 이렇게 끈질기게 나타나는지에 대한 근본적인 이해는 부족했습니다. 많은 전문가들은 환각이 불가피하다고 주장하기도 했습니다. 본 연구는 이러한 환각 현상이 단순한 오류가 아니라, 훈련 및 평가 방식의 근본적인 문제에서 비롯된다는 점을 통계학적으로 분석하고, 이를 해결하기 위한 "사회-기술적" 접근법을 제시합니다.

### 연구 목적: 환각 현상의 '탈신비화'와 해결책 모색

이 연구의 주된 목적은 대규모 언어 모델의 환각 현상을 '탈신비화'하고, 그 원인과 지속되는 이유를 명확히 밝히는 것입니다. 구체적으로, 연구는 다음 두 가지 질문에 답하고자 합니다.

1.  **사전 훈련(pretraining) 단계에서 환각은 어떻게 발생하는가?**

2.  **사후 훈련(post-training) 단계에서 환각은 왜 계속해서 나타나는가?**

궁극적으로 이 연구는 언어 모델이 불확실성을 인정하는 대신 추측하는 행동을 보상하는 현재의 훈련 및 평가 절차를 개선하여, 더욱 신뢰할 수 있는 AI 시스템을 만들 수 있는 길을 제시하는 것을 목표로 합니다.

### 연구 방법: 오류의 통계적 본질 분석 및 평가 시스템의 문제점 지적

연구는 환각 현상을 **"이진 분류(binary classification) 오류"**의 단순한 형태로 보고, 계산 학습 이론(computational learning theory)의 관점에서 통계적 원인을 분석했습니다. 언어 모델의 훈련 과정을 크게 **사전 훈련(pretraining)**과 **사후 훈련(post-training)**의 두 단계로 나누어 분석합니다.

1.  **사전 훈련 단계의 오류 분석:**

    *   연구는 **'유효성 여부 분류(Is-It-Valid, IIV)'**라는 이진 분류 문제로 생성 오류를 전환하여 분석했습니다. 이는 언어 모델이 생성한 텍스트가 유효한지(참) 또는 오류인지(거짓)를 분류하는 문제입니다.

    *   놀랍게도, 연구는 **훈련 데이터가 완벽하게 오류가 없더라도**, 사전 훈련 중 최적화되는 통계적 목표 자체가 오류를 발생시키도록 이끈다는 것을 보여주었습니다. 특히, **데이터에 학습 가능한 명확한 패턴이 없을 때** (예: 아담 칼라이의 생일과 같은 임의의 사실들), 모델은 "단 한 번만 나타나는 사실들(singleton rate)"에 대해 높은 환각률을 보일 수 있음을 밝혀냈습니다.

    *   또한, 모델이 개념을 잘 표현하지 못하는 **'부실한 모델'** 문제 (예: 알파벳 세기 오류)와 **'계산적 난이도'**, **'분포 변화'**, **'쓰레기가 들어가면 쓰레기가 나온다(GIGO)'** 같은 추가적인 요인들도 오류를 유발한다고 지적합니다.

2.  **사후 훈련 단계에서 환각이 지속되는 이유 분석:**

    *   연구는 이 단계에서 환각이 감소하지 않고 지속되는 이유를 **"사회-기술적" 문제**로 진단합니다. 언어 모델은 마치 어려운 시험 문제를 만난 학생처럼, 불확실할 때 정답을 모르겠다고 말하는 대신 '추측'하는 행동을 보상받도록 최적화되어 있다는 것입니다.

    *   대부분의 언어 모델 평가 벤치마크는 **'이진 0-1 채점 방식'**을 사용하여, 정답에는 1점, 오답이나 "모르겠다(IDK)"와 같은 불확실한 답변에는 0점을 부여합니다. 이러한 방식에서는 불확실성을 표현하는 모델보다, 틀리더라도 추측하는 모델이 더 높은 점수를 얻게 됩니다. 따라서 언어 모델은 항상 '시험 보는 모드'에 있으며, 불확실성을 표현하면 불이익을 받게 됩니다.

### 연구 결과: 환각의 통계적 뿌리와 평가 시스템의 불일치

*   **사전 훈련의 환각 발생:** 환각은 신비로운 현상이 아니라, **이진 분류의 통계적 오류에서 비롯됩니다**. 심지어 오류 없는 훈련 데이터로도, 모델이 언어 분포를 학습하는 과정에서 필연적으로 특정 유형의 오류가 발생합니다. 특히, 데이터에 패턴이 없어 학습하기 어려운 **'임의의 사실'**에 대해서는 학습 데이터에 한 번만 등장하는 정보의 비율(singleton rate)만큼 오류가 발생할 것으로 예측됩니다.

*   **사후 훈련의 환각 지속:** 환각은 사후 훈련을 통해 완화될 수 있지만, 현재의 평가 시스템이 **'불확실성 인정'보다는 '추측'에 보상을 주기 때문에** 지속됩니다. 대부분의 벤치마크는 불확실한 응답에 페널티를 부과하므로, 모델은 과도하게 자신감 있는 허위 정보를 생성하도록 유도됩니다. 이는 "불확실성 페널티의 만연한 유행병"과 같습니다.

### 고찰 및 시사점: 평가 방식의 혁신을 통한 신뢰할 수 있는 AI

이 연구는 환각 현상을 단순한 버그가 아닌, **언어 모델의 근본적인 통계적 특성과 현재의 평가 시스템 간의 불일치 문제**로 재정의합니다.

*   **기존 평가 방식의 한계:** "완벽한 환각 평가"를 찾으려는 기존 노력만으로는 불충분하며, 현재 주류를 이루는 평가들이 불확실성을 지나치게 처벌하는 것이 근본적인 문제임을 지적합니다. 또한, 검색 증강 생성(RAG)과 같은 기술이 환각을 줄이는 데 도움이 될 수 있지만, 검색이 신뢰할 수 있는 답변을 제공하지 못할 때 여전히 추측을 보상하는 이진 채점 시스템의 문제를 해결하지 못한다고 강조합니다. 심지어 언어 모델이 평가자로 사용될 때조차, 오답을 정답으로 잘못 판단하여 환각을 조장할 수 있습니다.

*   **해결책: 평가 방식의 수정:** 연구는 기존 벤치마크의 채점 방식을 수정하는 **"사회-기술적 완화"**를 제안합니다. 모델이 불확실성을 인정하는 응답(예: "모르겠다")에 페널티를 부과하지 않도록 변경해야 합니다.

*   **명시적인 '신뢰도 목표' 제시:** 이를 위해 각 평가 문제에 **명시적인 '신뢰도 목표'**를 포함할 것을 제안합니다. 예를 들어, "실수에는 t/(1-t)점을 감점하고, 정답에는 1점을 부여하며, '모르겠다'는 0점을 받으므로, t보다 높은 신뢰도가 있을 때만 답변하세요"와 같은 지시를 통해 모델이 자신의 답변에 대한 신뢰도를 '행동적'으로 조절하도록 유도할 수 있습니다. 이는 인간이 시험 볼 때 주어진 조건에 따라 전략적으로 응답하는 것과 유사합니다.

---

### 왜 이 연구가 중요한가?

이 연구는 언어 모델의 환각 현상에 대한 우리의 이해를 근본적으로 변화시킵니다.

첫째, 환각이 **신비하거나 불가피한 현상이 아니라, 통계적 학습 과정에서 발생하는 예측 가능한 오류**임을 이론적으로 밝혀냈습니다. 이는 우리가 환각을 이해하고 해결하는 데 있어 과학적이고 체계적인 접근법을 가능하게 합니다.

둘째, 환각이 **현존하는 평가 시스템의 구조적인 문제로 인해 지속된다**는 것을 명확히 지적하며, 문제 해결의 방향을 제시합니다. 단순히 더 좋은 모델을 만드는 것을 넘어, 모델의 행동을 유도하는 **평가 시스템 자체를 개선해야 한다**는 통찰은 AI 분야 전체에 중요한 시사점을 던집니다.

셋째, **구체적이고 실용적인 해결책**으로 '명시적인 신뢰도 목표'를 제시하여, 언어 모델이 불확실할 때 추측하는 대신 정직하게 불확실성을 표현하도록 인센티브를 재조정할 수 있는 길을 열었습니다. 이는 AI 시스템이 더욱 **신뢰할 수 있고 투명하며, 궁극적으로 더 유용하게** 사용될 수 있도록 돕는 중요한 전환점이 될 것입니다. 이 연구의 제안을 통해 언어 모델은 단순히 '시험을 잘 보는' 기계가 아니라, 인간과 같이 **상황에 따라 적절하게 불확실성을 표현하는 '미묘한(nuanced)' AI**로 발전할 수 있을 것입니다.

perplexity.ai

이 논문은 최신 대형 언어 모델(LLM)이 왜 ‘환각(hallucination)’—즉 그럴듯하지만 틀린 정보를 자신 있게 생성하는지—에 빠지는지를 통계적·사회적 관점에서 분석하고, 그 원인과 해결 방향을 제시합니다.[1]

## 연구 배경

최근 대형 언어 모델은 놀라운 자연어 처리 성능을 보이고 있지만, 가끔씩 거짓 정보도 자신 있게 말합니다. 이런 오류는 ‘환각’이라고 불리며, 실제로 존재하지 않는 사실을 마치 사실인 것처럼 설명합니다. 환각은 신뢰도에 큰 문제를 주기 때문에 계속해서 연구 대상이 되고 있습니다.[1]

## 연구 목적

저자들은 환각이 왜 사라지지 않는지, 단순히 모델의 기술적 한계 때문인지 아니면 평가방식, 훈련 방법 때문인지 근본 원인을 찾고자 했습니다. 단순히 “실수”가 아니라, **모델의 학습·평가 구조 자체가 환각을 부추기고 있지는 않은지**를 통계적 이론으로 분석합니다.[1]

## 연구 방법

이 연구는 **컴퓨터 학습 이론(특히 이진 분류 문제)**을 기반으로 환각 발생의 통계적 구조를 분석합니다.[1]

- 훈련 과정(Pretraining)과 이후의 후훈련(Post-training)으로 나누어, 각각에서 환각의 발생 원인을 수학적으로 설명합니다.

- 다양한 사례(생일, 논문 제목 등)와 통계적 개념(싱글톤 비율, 미싱 매스 추정 등)을 들어, 실제로 왜 데이터가 충분해도 환각이 어쩔 수 없는지 증명합니다.[1]

- 특히, **모델의 평가 방식(대부분은 정답/오답만 판단하는 ‘시험’ 방식)**이 환각을 억제하지 못하고 오히려 부추길 수 있음을 사회적 관점에서 설명합니다.[1]

## 주요 결과

- **환각은 훈련 데이터가 완벽하더라도, 통계적 오류로 인해 불가피하게 생김**을 수학적으로 입증했습니다.[1]

    - 예를 들면, “특정 인물의 생일”처럼 훈련 데이터에 단 한번만 등장하는 정보(싱글톤)는 모델이 일반화할 수 없어 높은 빈도로 틀린 답을 ‘추정’하게 됩니다.[1]

    - 모델의 ‘자신감 표현(모름 등)’이 평가에서 불이익을 받기 때문에, 대부분의 모델은 자신이 모르는 것도 맞는 척 답변하게 됩니다.[1]

- **환각은 평가방식(시험 점수 위주)이 계속 유지되는 한 사라지지 않는다**는 점을 발견했습니다.[1]

    - 기존 벤치마크들은 “정답/오답”만 따지기에, “모름”이나 불확실하다는 표현은 점수를 잃게 됩니다. 그 결과 모델이 “모름”을 표현하는 대신, 맞선듯 답을 추측하며 환각을 일으키는 행동이 더 흔해집니다.[1]

    - 일부 시험(예: 특정 국가의 수능 등)에서는 오답에 패널티를 주어 “모름”을 답하도록 유도했지만, 대부분의 언어 모델 평가는 패널티가 없고 맞히려 시도하는 문화가 지배적입니다.[1]

## 고찰 및 의의

- **환각은 언어 모델의 통계적 속성과, 사회적 초기 평가 체계(‘정답=점수’)가 합쳐져서 생기는 복합적인 문제**임을 이 논문은 밝혔습니다.[1]

- 임의의 사실 같은 것은 데이터만 많다고 해결되지 않는데, 이런 현상을 ‘싱글톤 비율’ 및 ‘미싱 매스(아직 학습하지 않은 정보의 비율)’로 정량적으로 설명할 수 있습니다.[1]

- 현실적인 해결책은 획기적인 모델 구조 변화나 데이터를 더 많이 모으는 것이 아니라, **기존 시험·평가 방식 자체를 바꾸는 것**입니다. 즉, ‘모른다(I don't know)’ 혹은 불확실하다는 표현에도 점수를 주는 평가 기준이 널리 적용되어야 진짜로 환각을 억제할 수 있습니다.[1]

## 결론: 왜 중요한가?

이 논문은 “언어 모델을 더 똑똑하게 만들면 환각이 사라질 것”이라는 단순한 기대를 반박하며, **평가 기준을 사회적으로 바꾸는 것이 환각 문제 해결의 열쇠**임을 강조합니다.[1]

- 이는 모델 개발자와 평가자, 정책 입안자 등에서 모두 이슈가 될 수 있고, 신뢰할 수 있는 AI를 위해 현장에 직접 적용할 수 있는 현실적 방향을 제시합니다.[1]

- 불확실함을 솔직하게 표현하는 모델이 앞으로 더 신뢰받고 실생활에 잘 쓰일 수 있도록, **“정답/오답만으로 평가하지 않는 문화”**를 만들어가는 것이 중요하다는 점을 알립니다.[1]

출처: @ye._.vely618