AlphaGenome Atlas, 90억 개 예측이 바꾸는 바이오 투자의 질문
DNA 한 글자가 바뀌었습니다. 단백질의 모양은 그대로일 수 있습니다. 하지만 그 단백질을 얼마나 만들지, 어느 조직에서 만들지, RNA를 어떻게 이어 붙일지가 달라진다면 이야기가 달라집니다. 유전체를 읽어 변이를 발견한 다음에도, 그 변화의 의미를 해석하는 일이 남는 이유입니다. [1][3]
2026년 9월 8일 공개된 Google DeepMind의 AlphaGenome Atlas는 약 90억 개 단일염기 치환의 분자적 영향을 미리 계산해 찾아볼 수 있게 만든 자원입니다. 90억 개를 실험으로 검증했다는 뜻도, 질병의 원인을 모두 밝혔다는 뜻도 아닙니다. 다만 연구자들이 각자 모델을 돌려 후보를 고르던 작업의 일부가 공통의 검색 기반으로 바뀝니다. [1]
투자 관점에서 주목할 변화는 여기입니다. 좋은 예측을 누구나 활용할수록, 예측 자체의 희소성은 낮아지고 그것을 새로운 실험 결과와 사업상 권리로 전환하는 능력이 중요해질 수 있습니다. 어떤 스타트업에는 원가 절감이고, 어떤 스타트업에는 차별화의 상실입니다.
1. 새 모델의 등장과 예측 지도의 공개는 다른 사건입니다
AlphaGenome 기본 모델은 2025년 6월 공개됐고, 연구의 최종판은 2026년 1월 28일 Nature에 실렸습니다. 이번 Atlas는 그 모델을 대규모로 실행한 예측과 해석 정보를 연결해 제공하는 단계입니다. 모델 성능의 진보와 연구자의 이용 방식 변화를 구분해야 합니다. [2][3]
90억이라는 숫자는 규모를 이해하는 데 도움이 됩니다. 인간 유전체의 위치를 약 30억 곳으로 단순화하면, 각 위치의 염기를 나머지 세 종류 중 하나로 바꾸는 경우는 약 90억 개입니다. 이는 단일 치환의 경우의 수를 설명하는 근사치입니다. 삽입·결실·구조변이와 여러 변이의 조합까지 모두 해결했다는 의미로 확대하면 안 됩니다.
공식 발표상 Atlas는 약 1페타바이트 규모이며, 분자 기능 예측, 변이 영향 점수인 AVI, 그 점수를 구성하는 특징의 기여도, 2,500개 이상의 반복적인 DNA 서열 무늬를 연결합니다. AVI는 AlphaGenome과 단백질 변화에 초점을 맞춘 AlphaMissense의 정보를 결합합니다. [1][6]
이용자의 질문도 바뀔 수 있습니다. “이 변이를 계산할 수 있을까”보다 “높은 점수가 어느 분자 과정에서 나왔고, 내 질환 연구에 관련이 있는가”가 앞에 옵니다. 계산 장비와 분석 인력을 갖추지 못한 연구팀에도 실험 후보를 좁힐 출발점이 생기는 셈입니다.
다만 검색이 쉬워졌다는 사실과 답이 맞다는 사실은 별개입니다. AVI가 높은 변이가 특정 환자의 질병 원인일 확률을 그대로 알려준다고 해석해서는 안 됩니다. 점수의 분해 역시 모델이 무엇을 근거로 예측했는지에 대한 설명이지, 생물학적 원인을 실험으로 증명한 결과는 아닙니다.
2. AlphaGenome은 DNA를 읽고 무엇을 예측하나요
직관적인 작동 방식은 두 서열의 비교입니다. 기준 DNA와 변이가 들어간 DNA를 각각 넣고, 유전자 활동에 관한 예측이 얼마나 달라지는지 봅니다. 학습에는 사람과 생쥐의 유전체 및 유전자 발현·염색질 등 실험 자료가 쓰였습니다. DNA 글자의 다음 순서를 맞히는 언어 모델과는 학습 목표가 다릅니다. [2]
예측 대상은 여러 분자 과정입니다. 유전자 발현은 유전자의 정보가 얼마나 읽히는지, 스플라이싱은 RNA에서 필요한 부분을 어떻게 이어 붙이는지에 관한 문제입니다. 염색질 접근성은 DNA가 감겨 있는 상태에서 관련 단백질이 특정 부위에 접근하기 쉬운지를 뜻합니다. 한 변이가 여러 과정에 영향을 줄 수 있어 함께 보는 의미가 있습니다. [2][3]
Nature 최종판의 AlphaGenome은 약 100만 염기쌍의 서열을 입력받아 11종의 출력 유형을 예측합니다. 일부 출력은 염기 하나 수준까지 구분합니다. 모든 결과가 같은 해상도인 것은 아닙니다. 연구진은 유전체 신호 예측 24개 평가 중 22개, 변이 효과 예측 26개 평가 중 25개에서 가장 강한 외부 비교 모델과 같거나 앞선 결과를 보고했습니다. [3]
여기서 ‘25/26’을 96%의 임상 정확도로 바꾸면 잘못입니다. 서로 다른 평가 과제에서의 상대적 성과를 센 숫자입니다. 환자를 진단한 비율도, 신약 후보의 성공 확률도 아닙니다.
사업적으로는 그동안 기능별 도구를 조합해야 했던 분석의 일부를 한 모델로 처리할 수 있다는 의미가 있습니다. 그러나 기능을 통합했다고 고객의 의사결정까지 자동으로 통합되지는 않습니다. 여러 예측이 서로 다른 방향을 가리킬 때 어떤 결과를 신뢰할지, 어떤 실험으로 확인할지가 제품의 몫으로 남습니다.
3. 관련 논문을 보면 ‘갑자기 완성된 유전체 AI’가 아닙니다
이번 발표는 앞선 연구가 해결해 온 문제 위에 놓여 있습니다. 무엇이 새로워졌는지 보려면 각 연구의 질문을 나눠 보는 편이 정확합니다.
| 연구 | 직접 다룬 문제 | Atlas를 이해하는 데 주는 맥락 |
|---|---|---|
| Enformer, Nature Methods, 2021 | 먼 DNA 조절 부위의 정보를 함께 사용해 유전자 발현을 예측 | 유전자 주변의 짧은 서열만으로는 설명하기 어려운 조절 관계를 다뤘습니다. [4] |
| Borzoi, Nature Genetics, 2025 | DNA에서 RNA 시퀀싱 신호를 예측하고 여러 조절 효과를 해석 | 약 52만 염기쌍 입력과 32염기쌍 단위 출력을 사용했습니다. 길게 보는 것과 세밀하게 보는 것의 계산상 절충을 보여줍니다. [5] |
| AlphaMissense, Science, 2023 | 아미노산이 바뀌는 변이의 영향을 예측 | 단백질 변화에 관한 정보가 AVI에 결합되는 배경입니다. [6] |
| AlphaGenome, Nature, 2026 | 긴 서열과 여러 분자 기능, 세밀한 출력을 통합 | Atlas의 분자 영향 예측을 만드는 기본 모델입니다. [3] |
Enformer는 2021년에 이미 장거리 상호작용을 활용해 비암호화 변이와 유전자 발현을 연결하려 했습니다. 따라서 이번 발표를 ‘처음으로 비암호화 DNA를 해석했다’고 소개하는 것은 부정확합니다. Borzoi 역시 RNA 신호를 통해 발현뿐 아니라 RNA 처리의 여러 측면을 다뤘습니다. [4][5]
AlphaMissense와의 관계도 혼동하기 쉽습니다. 단백질의 아미노산 변화가 문제인 변이와, 그 단백질을 만드는 양이나 RNA 처리 방식이 문제인 변이는 질문이 다릅니다. 두 정보를 묶으면 후보를 비교할 수 있는 범위는 넓어집니다. 그렇다고 서로 다른 질환과 조직에서 필요한 판단이 하나의 숫자로 완전히 같아지는 것은 아닙니다. [6]
이 연구 흐름에서 Atlas의 별도 의미는 모델을 이용할 수 있는 상태에서, 대규모 예측을 바로 탐색할 수 있는 상태로 넘어갔다는 점입니다. 과학적 성능만큼 배포 방식이 연구의 출발점을 바꿀 수 있습니다.
4. 실제 사례는 유망하지만, 무엇을 검증했는지 구분해야 합니다
희귀질환: 점수보다 중요한 것은 확인 가능한 작동 원리였습니다
공식 사례에서 Broad Institute의 GREGoR 연구진은 DNM1 관련 뇌전증 연구에서 이전에 놓쳤던 변이를 살폈습니다. 모델은 잘못된 RNA 접합 부위가 생겨 단백질이 비정상적으로 길어지는 기전을 제시했고, 실험으로 그 예측을 확인했습니다. [7]
이 사례의 가치는 ‘AI가 높은 점수를 줬다’에서 끝나지 않았다는 데 있습니다. 무엇이 잘못될지에 대한 구체적인 가설이 있었고, 연구진이 실험으로 확인했습니다. 모델의 예측이 다음 행동으로 연결된 것입니다.
반대로 이 사례 하나로 희귀질환 진단율이 얼마나 높아졌는지는 알 수 없습니다. 많은 환자에게 같은 절차를 적용했을 때 추가로 해결되는 비율, 잘못 지목하는 비율, 결과를 설명하는 데 드는 시간까지 확인해야 진단 사업의 가치를 평가할 수 있습니다.
집단유전 연구: 무관한 후보를 덜 섞어 신호를 찾았습니다
Exeter 연구진은 UK Biobank 참여자 5만 4,000명 이상의 전장유전체 자료를 분석했습니다. DeepMind는 비암호화 영역의 유전적 연관성을 22% 더 발견했다고 발표했습니다. 공식 제품 페이지에는 한 사례에서 후보 변이를 526개에서 4개로 좁혔다는 설명도 있습니다. [1][7]
22%는 발표상 발견한 연관성의 증가입니다. 진단 정확도가 22%포인트 높아졌다거나 신약 성공률이 22% 개선됐다는 뜻이 아닙니다. 526개에서 4개로 줄인 사례 역시 모든 유전자와 질환에서 반복되는 일반적인 압축률로 써서는 안 됩니다.
투자자로서는 후보를 줄였다는 사실만 확인해서도 부족합니다. 제외한 후보 안에 중요한 원인이 얼마나 남았는지 봐야 합니다. 빨리 끝낸 분석이 중요한 기회를 놓쳤다면, 겉으로 드러나는 생산성 향상이 실제 가치 향상은 아닐 수 있습니다.
5. 넓은 지도를 갖는 것과 환자 한 명을 설명하는 것은 다릅니다
AlphaGenome의 Nature 논문 자체도 한계를 명시합니다. 특히 10만 염기쌍보다 먼 조절 부위의 영향, 조직·세포별 차이, 특정 조건에서의 변이 효과를 정확히 재현하는 일은 여전히 어렵습니다. 긴 입력을 받는다는 사실만으로 그 안의 모든 장거리 상호작용을 정확히 이해한다고 볼 수 없습니다. [3]
별도의 사전공개 논문인 「AlphaGenome Enhances Personal Gene Expression Prediction but Retains Key Limitations」도 참고할 만합니다. GTEx 자료에서 개인별 유전자 발현 예측이 Enformer보다 개선됐지만, 개인 수준 자료로 직접 학습한 전통적인 기계학습 모델에는 미치지 못하는 부분이 있다고 보고했습니다. 다만 평가가 무작위로 고른 300개 유전자에 한정됐다는 연구 자체의 제약도 있습니다. 동료평가를 마친 확정적 결론이나 Atlas 자체의 검증으로 취급할 수는 없습니다. [8]
이 대조가 중요한 이유는 제품의 평가 단위가 달라지기 때문입니다. 유전체 여러 위치의 일반적인 활동을 잘 예측하는 모델과, 같은 유전자에서 사람마다 나타나는 작은 차이를 잘 예측하는 모델은 동일한 성능을 보장하지 않습니다. 투자 대상 회사가 어떤 문제를 푼다고 주장하는지에 따라 시험도 달라져야 합니다.
가상의 신약 표적을 생각해 보겠습니다. 어떤 유전자의 활동을 낮추는 변이가 질환 위험 감소와 연관돼 보인다고 해도, 성인 환자에게 약으로 그 활동을 낮추는 것이 같은 결과를 낼지는 별도 질문입니다. 작용하는 조직, 변화의 크기와 시점, 다른 생물학적 경로가 영향을 줄 수 있기 때문입니다. 높은 변이 점수 하나에서 치료제 가치로 곧장 넘어갈 수 없는 이유입니다.
검증은 대체로 변이의 분자 효과 → 세포의 변화 → 질환과의 인과관계 → 치료 가능한 개입 → 환자의 효익으로 이어져야 합니다. Atlas가 앞부분의 가설을 강화하더라도 뒤의 단계를 자동으로 통과시켜 주지는 않습니다.
6. 예측 비용이 낮아지면 누가 더 많은 가치를 가져갈까요
이하의 사업 전망은 논문의 결론이 아니라, 위 성과와 한계를 바탕으로 한 투자 판단입니다.
먼저 압박받기 쉬운 사업은 공개 모델의 점수를 보여주는 기능만으로 높은 가격을 받는 서비스입니다. 고객이 비슷한 결과를 직접 얻을 수 있다면, 그 차이를 설명하기 어려워집니다. 화면이 편리하다는 이유만으로 장기적인 가격 결정력이 생기지는 않습니다.
그렇다고 응용 소프트웨어의 기회가 사라지는 것은 아닙니다. 병원이나 제약사의 자료 형식을 정리하고, 환자의 임상 정보와 문헌을 연결하고, 검토 이력과 근거를 남겨 실제 업무를 끝내는 제품은 별도 가치를 제공할 수 있습니다. 판단 기준은 기반 모델을 직접 소유했느냐보다 고객이 더 적은 비용으로 더 나은 결정을 내렸느냐에 가까워져야 합니다.
독점 데이터 역시 파일의 크기만으로 평가하면 곤란합니다. 유전체 서열에 실제 RNA 변화, 단백질 변화, 세포 반응, 환자의 경과가 얼마나 일관되게 연결돼 있는지가 중요합니다. 높은 모델 점수가 실제 효과로 이어지지 않은 실패 사례도 남아 있어야 합니다. 모두가 공개 모델의 상위 후보만 반복 검증하면, 같은 성공 사례를 경쟁적으로 쌓을 뿐 모델의 약점은 그대로 남을 수 있습니다.
| 사업 유형 | 가격을 받을 만한 결과 | 투자 검토에서 요구할 증거 |
|---|---|---|
| 변이 해석 소프트웨어 | 실제 검토 업무의 시간·비용 절감과 판단 개선 | 기존 절차 대비 추가 해결 사례, 오판·누락, 검토자 작업시간, 유료 재계약 |
| 질환별 데이터·분석 회사 | 공개 예측에 없는 환자·조직별 차이의 설명 | 다른 기관 자료에서의 재현, 표본 밖 성능, 데이터의 지속적 확보 및 상업 이용 권리 |
| 기능 검증 플랫폼 | 한정된 실험 예산으로 더 유용한 후보를 확인 | 실험당 검증 성과, 실패 자료의 축적, 반복 고객, 실험 방식이 바뀌어도 유지되는 품질 |
| 신약 표적·치료제 개발사 | 검증된 질환 기전과 개발 가능한 자산 | 개입 방향, 관련 조직에서의 효과, 안전성, 특허·개발 권리, 후속 개발의 일관성 |
| 별도 유전체 모델 개발사 | 범용 모델이 놓치는 조건에서의 뚜렷한 우위 | 독립 자료에서의 비교, 새 조직·환자군에서의 개선, 계산 원가, 상업 제공 가능성 |
모든 항목은 투자 평가 기준이지, Atlas가 해당 사업의 성과를 이미 높였다는 주장이나 특정 기업에 대한 평가가 아닙니다.
제약사에 후보 목록을 전달하는 회사와, 그중 어떤 후보가 왜 작동하는지 실험으로 보여주고 개발 권리를 갖는 회사는 다른 사업입니다. 전자는 분석 서비스의 대가를 받을 수 있고, 후자는 성과가 재현된다는 조건 아래 더 큰 자산 가치를 주장할 근거가 생깁니다. 다만 독점 데이터가 있다는 이유만으로 치료제 개발 위험까지 사라지는 것은 아닙니다.
한국 기업도 “한국인 데이터”라는 표지만으로 경쟁력을 입증해서는 안 됩니다. 실제 목표 환자군에서 공개 모델이 놓치는 차이가 있고, 추가 자료가 그 차이를 줄이며, 다른 기관에서도 결과가 재현되는지 보여줘야 합니다. 동의와 계약 범위를 포함해 사업에 필요한 데이터 이용 권리도 확인 대상입니다.
7. 구글은 연구 도구를 공개하면서 상업적 경로도 만듭니다
2026년 9월 10일 확인 기준, Atlas의 비상업적 연구 접근과 상업 이용은 구분돼 있습니다. DeepMind는 Atlas의 Google Cloud 상업 제공을 예고했습니다. 반면 AlphaGenome 기본 모델은 이미 Cloud Model Garden에서 상업적 이용 경로를 제공합니다. [1][9]
Cloud 문서에는 유료 구독이 필요하고 가격은 영업 담당자에게 문의해야 하며, 모델을 운영하는 인프라 비용은 별도라고 나와 있습니다. 또한 현재 안내된 Cloud 제공 방식은 추론용이며, 고객의 비공개 데이터로 기본 모델을 추가 학습하는 기능을 지원하지 않습니다. 연구용 접근이 가능하다는 이유로 무료 상업 이용이나 자유로운 모델 수정까지 가정하면 안 됩니다. [9]
따라서 “공개 모델을 가져와 우리 데이터로 추가 학습하겠다”는 사업 계획도 세부적으로 검토해야 합니다. 정확히 어떤 모델과 이용 조건을 전제하는지, 자체적으로 학습할 부분은 무엇인지, 모델이 아니라 출력에 별도 분석을 붙이는 것인지 설명할 수 있어야 합니다. 실제 계약 조건은 별도로 확인해야 합니다.
구글의 장기 수익이 얼마나 커질지는 아직 판단하기 어렵습니다. 다만 연구자가 익숙해지는 분석 도구와 기업이 구매하는 클라우드 서비스를 이어 놓는 구조는 확인됩니다. 스타트업에는 강한 기반 기술을 활용할 기회인 동시에, 고객 접점까지 플랫폼이 확장할 위험입니다.
인프라 수요도 한 방향으로만 볼 수 없습니다. 전 유전체의 대규모 사전 계산은 연산과 저장 자원을 필요로 합니다. 그러나 같은 변이를 조회할 때마다 모델을 다시 실행할 필요가 줄어든다면, 이용 건수와 모델 추론량은 일대일로 늘지 않습니다. 후속 모델의 재계산과 맞춤 서열 분석은 새로운 수요가 될 수 있지만, Atlas의 데이터 크기만으로 특정 반도체나 클라우드 매출을 추정하는 것은 무리입니다.
8. 먼저 달라질 것은 신약의 성공률보다 연구의 선택 과정입니다
향후 1~2년의 변화를 가정한다면, 가장 먼저 살펴볼 곳은 연구의 앞단입니다. 후보를 정리하는 시간, 실험을 고르는 방법, 놓쳤던 비암호화 변이를 다시 검토하는 절차가 바뀔 가능성이 있습니다. 이는 전망이며, 업계 전체의 비용 절감률이 이미 측정됐다는 뜻은 아닙니다.
그다음 확인할 변화는 개별 조직이나 질환에 맞춘 검증입니다. 공개 예측으로 후보를 고르고, 실제 실험 결과를 축적하며, 다음 선택의 정확도를 높이는 회사가 나오는지 봐야 합니다. 성능 개선이 같은 자료의 반복 평가에서만 나타나는지, 새로운 기관과 환자군에서도 유지되는지가 갈림길입니다.
더 긴 시계에서는 유전자 조절 서열 설계나 신약 표적 발굴에 기여할 수 있습니다. 다만 예측 점수를 최대화한 서열이 실제로 가장 잘 작동한다고 단정하면 위험합니다. 설계 과정이 모델의 오류를 찾아내 이용할 수도 있습니다. 높은 계산 점수와 재현 가능한 실험 성과를 서로 다른 지표로 관리해야 합니다.
가장 강한 반론은 경제적 효과가 기대보다 작을 수 있다는 것입니다. 실험과 임상이 전체 비용의 대부분인 사업에서 후보 정리만 빨라진다면, 회사의 현금 소진이나 개발 성공률은 크게 달라지지 않을 수 있습니다. 공개 지도를 모두가 사용하면 유망한 표적으로 경쟁이 몰려 차별화가 오히려 약해질 가능성도 있습니다.
따라서 투자 논리가 유지되려면 두 가지가 함께 보여야 합니다. 공개 예측을 활용한 뒤 실제 의사결정 성과가 개선됐는지, 그 성과가 해당 회사가 보유한 데이터·업무 관계·개발 권리로 남는지입니다. 후보 수와 분석 속도만 늘고 검증 결과가 좋아지지 않는다면, 생산성 이야기를 기업가치로 연결할 근거는 약합니다.
9. 이제 투자자가 물어야 할 질문
AlphaGenome Atlas를 보고 유전체 AI 스타트업에 관심을 높이는 것은 합리적입니다. 그러나 “모델이 좋아졌으니 관련 기업이 모두 좋아진다”는 판단은 반대 방향의 위험을 놓칩니다. 기반 기술의 개선은 시장을 넓히는 동시에 기존 기능을 대체할 수 있습니다.
저는 다음 질문에 답하는 회사를 더 주의 깊게 볼 것입니다.
“공개된 예측 지도를 쓴 뒤, 귀사만 새롭게 알게 되는 사실은 무엇입니까?”
답이 새로운 화면이나 더 긴 후보 목록에 그친다면 방어력은 약할 수 있습니다. 특정 질환에서 재현되는 작동 원리, 남들이 얻기 어려운 실패 실험, 고객의 업무에서 검증된 의사결정 개선, 실제 개발 가능한 자산으로 이어진다면 이야기가 달라집니다.
90억 개의 예측이 주는 가장 현실적인 변화는 실험을 없애는 것이 아닙니다. 어떤 실험을 먼저 할지 선택하는 기준을 넓혀 주는 것입니다. 그 선택이 좋은 결과로 이어지고, 그 결과를 다음 선택에 다시 쓸 수 있는 기업에 투자 근거가 쌓일 것입니다.
자료와 검증 범위
기준일은 2026년 9월 10일입니다. AlphaGenome·Enformer·Borzoi는 학술지 본문을, AlphaMissense는 원 연구의 공식 초록을 확인했습니다. 개인별 발현 예측 연구는 사전공개 논문의 초록과 검색으로 접근 가능한 본문을 확인했습니다.
Atlas와 함께 공개된 신규 연구 PDF는 도구의 파일 열람 제한으로 전체 본문과 통계 설계를 직접 검토하지 못했습니다. 따라서 Atlas의 22% 추가 연관성 발견 및 초기 사례는 공식 발표·제품 설명의 보고 수치로 인용했습니다. 비교군 정의, 통계적 유의성 기준, AVI 학습·검증 자료의 분리, 모든 환자군에서의 진단율 개선까지 독립적으로 확인한 결과가 아닙니다. Nature에 실린 기본 모델의 동료평가를 신규 Atlas 전체의 검증으로 확대하지 않았습니다.
본문의 사업 전망과 투자 평가 기준은 필자의 분석입니다. AlphaGenome과 Atlas는 연구 도구이며, 임상 진단용으로 검증·승인된 제품이라는 의미가 아닙니다. [1][9]
[1] Google DeepMind, 2026-09-08. AlphaGenome Atlas: A predictive map of every possible DNA letter change in the human genome. Atlas의 구성, 규모, 초기 성과와 제공 방식에 관한 공식 발표.
[2] Google DeepMind, 2025-06-25. AlphaGenome: AI for better understanding the genome. 기본 모델의 입력·출력, 학습 자료와 초기 공개 배경. 성능 수치는 본문의 Nature 최종판을 우선.
[3] Avsec, Ž., Latysheva, N., Cheng, J. et al., 2026-01-28. Advancing regulatory variant effect prediction with AlphaGenome. Nature 649, 1206–1218. DOI: 10.1038/s41586-025-10014-0.
[4] Avsec, Ž. et al., 2021-10-04. Effective gene expression prediction from sequence by integrating long-range interactions. Nature Methods 18, 1196–1203. DOI: 10.1038/s41592-021-01252-x.
[5] Linder, J. et al., 2025-01-08. Predicting RNA-seq coverage from DNA sequence as a unifying model of gene regulation. Nature Genetics 57, 949–961. DOI: 10.1038/s41588-024-02053-6.
[6] Cheng, J. et al., 2023. Accurate proteome-wide missense variant effect prediction with AlphaMissense. Science 381, eadg7492. DOI: 10.1126/science.adg7492.
[7] Google DeepMind. AlphaGenome: Atlas and case studies. GREGoR·Exeter 협력 사례. 접근일 2026-09-10.
[8] AlphaGenome Enhances Personal Gene Expression Prediction but Retains Key Limitations, bioRxiv v2. DOI: 10.1101/2025.08.05.668750. 사전공개 연구이며, Atlas 자체의 평가가 아님. PubMed 초록.
[9] Google Cloud. AlphaGenome deployment, pricing and limitations. 유료 구독, 별도 인프라 비용, 접근 조건, 추가 학습 지원 및 임상 사용 제한. 접근일 2026-09-10.
[10] Google DeepMind. Atlas 신규 연구 PDF. 공식 발표에 연결된 원문 확인 경로. 본 분석에서는 전체 본문 미열람.