Predicting genetic evolution of viruses to identify suitable vaccines using artificial intelligence 정리

기존 방식이 놓치는 것은 “무슨 변이가 있었나”와 “다음에 어디가 흔들릴까”의 차이다

빠르게 진화하는 바이러스에서는 계통도와 과거 빈도만 보는 전통적 유전체 역학으로는 대응 속도가 늦다. 기존 방식은 이미 퍼진 변이를 잘 설명하지만, 앞으로 어떤 잔기(residue)가 변이 후보가 될지, 그 변화가 구조적으로 버틸 수 있는지, 면역 회피와 연결될지를 미리 가려내는 데는 약하다. 이 논문이 겨냥한 문제도 바로 여기에 있다. 연구진은 감시 데이터를 사후 기록 저장소가 아니라, 백신 업데이트 우선순위를 앞당기는 예측 엔진으로 바꾸려 했다.

 

핵심은 한 문장으로 정리된다. R-DELF는 바이러스 서열, 구조 단서, 시간 정보, 계통 관계를 한 파이프라인으로 묶어 “미래에 변할 가능성이 높은 자리”를 먼저 찾고, 그 변화가 백신 적합성을 얼마나 흔들지까지 연결해 보려는 프레임워크다.

이때 모델이 직접 예측하는 1차 목표는 개별 잔기의 미래 변이 위험도이고, 변이체 수준의 위험도와 백신 적합성은 그 위에 쌓인 파생 결과다.

 

 

원문 Fig. 1. 가장 좋은 크롭 포인트는 오른쪽 상단의 Transformer 블록, 오른쪽 하단의 Evolutionary Learning Module, 중앙의 GNN-based Phylo-Structural Modeling, 그리고 좌하단의 Output 묶음을 한 화면에 잡는 구도다. 이 네 구역이 각각 “서열 이해”, “시간에 따른 적응”, “계통-구조 통합”, “백신 재설계와 면역 회피 해석”을 대표한다. 왼쪽 데이터셋 아이콘은 출발점 설명에는 유용하지만, 썸네일이나 좁은 본문 폭에서는 비중을 줄여도 전체 메시지가 무너지지 않는다.

R-DELF를 수식 없이 풀어 설명하면

1) 단백질 서열을 문장처럼 읽는다

첫 단계는 ESM-2라는 단백질 언어모델이다. 이 모델은 아미노산 서열을 문자 나열로만 보지 않고, 멀리 떨어진 잔기끼리도 서로 어떤 맥락을 만들고 있는지 읽는다. 논문이 여기서 노리는 것은 단순한 “이 위치가 자주 바뀐다”가 아니라, 어떤 잔기가 주변 맥락 때문에 변이에 더 민감한지를 잡아내는 것이다.

 

여기에 논문은 단백질 3차원 구조를 직접 쓰지 않는 대신, 각 잔기가 나선형, 시트형, 코일형 중 어디에 가까운지를 나타내는 2차 구조 단서를 덧붙인다. 쉽게 말해 “이 잔기는 단백질에서 어떤 역할의 공간 분위기 안에 있나”를 서열 표현에 붙여 주는 셈이다. 그래서 모델은 같은 아미노산 변화라도 구조적으로 버티기 어려운 변화와 비교적 가능한 변화를 구분할 수 있게 된다.

 

 

원문 Fig. 2. 크롭 포인트는 중앙의 Multi-Head Self-Attention부터 Layer Normalization, Feedforward Network, Mutation Probability Head까지 내려오는 세로 축이다. 이 구간이 “서열을 읽고 문맥을 만든 뒤, 그 문맥을 변이 확률로 바꾸는 과정”을 가장 선명하게 보여준다. 맨 아래의 두 출력 상자 가운데서는 왼쪽 Structure-aware embeddings와 오른쪽 mutation probability scores를 함께 남겨야, 이 논문이 단순 분류기가 아니라 구조 인식형 표현과 위험 점수를 동시에 만든다는 점이 드러난다.

2) 시간을 넣어 “다음에 살아남을 변이”를 강조한다

이 논문의 두 번째 축은 시간이다. 연구진은 각 서열을 수집 시점에 따라 정렬하고, 최근에 등장한 변이와 과거 변이가 임베딩 공간에서 어떻게 이동하는지 추적한다. 중요한 것은 단지 “새 변이가 생겼다”가 아니라, 시간이 지나도 계통 맥락 안에서 이어지며 강화되는 변이인지를 보는 것이다.

 

그래서 논문은 변이 확률이 커지는 방향, 이전 계통과의 연속성이 유지되는 방향에 더 높은 가중치를 주는 적응 강화 메커니즘을 둔다. 비유하면, 우연히 튀어나온 잡음 같은 변화보다 실제 진화 경로를 따라 퍼질 가능성이 높은 변이에 점수를 몰아주는 장치다.

 

 

원문 Fig. 4. 크롭 포인트는 상단의 “Are Structural Priors Available?” 결정 다이아몬드와 중하단의 “Is Mutation High-Risk?” 결정 다이아몬드를 모두 포함하는 세로 흐름이다. 위쪽 분기는 구조 단서를 사용할 수 있을 때와 아닐 때 모델이 어떻게 달라지는지, 아래쪽 분기는 그 결과가 실제로 변이 영향 분석과 설명 가능한 출력으로 이어지는지를 보여준다. 좁은 폭에서는 중간부의 Evolutionary Learning Module과 Dual-Attention Fusion Layer가 동시에 보이도록 자르는 것이 가장 효율적이다.

3) 계통도와 구조를 함께 보는 그래프를 만든다

세 번째 축은 그래프 신경망이다. 많은 모델이 서열만 보고 끝나지만, 이 논문은 “누가 누구와 계통상 가까운가”와 “누가 누구와 구조적으로 비슷한가”를 별도의 주의(attention) 채널로 본다. 즉, 시간상 가까운 변이체의 영향과 구조적으로 비슷한 변이체의 영향을 동시에 반영한다.

 

이때 구조 정보도 실험실에서 얻은 완전한 3차원 구조가 아니라, ESM-2의 주의 패턴과 2차 구조 단서를 이용해 “공간적으로 가까울 법한 잔기들”을 근사한 형태로 쓴다. 완벽한 원자 수준 모델은 아니지만, 빠르게 들어오는 대규모 감시 데이터에 붙이기 쉬운 타협점이다.

 

 

원문 Fig. 3. 핵심 크롭은 큰 사각형 안의 Phylogenetic Attention과 Structural Attention, 그리고 그 둘이 만나는 Phylo-Structural Attention Fusion Block이다. 이 부분이 이 논문의 차별점이다. 오른쪽의 Graph-level embedding과 하단의 SERS values, Variant risks까지 남기면 “두 종류의 관계를 합쳐 결국 위험 점수와 변이체 해석으로 보낸다”는 흐름이 한 장에서 완성된다. 반대로 맨 왼쪽의 작은 그래프 아이콘은 서론용으로는 좋지만, 모바일 화면에서는 잘려도 무방하다.

4) 백신 적합성은 “실험실 효능”이 아니라 “위험 신호의 조합”으로 본다

이 논문이 말하는 백신 적합성은 실제 중화항체 역가를 직접 측정한 값이 아니다. 대신 세 가지 층위를 합친다. 첫째, 해당 잔기가 앞으로 바뀔 가능성이 높은가. 둘째, 그 변화가 구조적으로 중요한 위치를 흔드는가. 셋째, 면역계가 민감하게 보는 에피토프 영역을 건드리는가. 이 세 가지를 합쳐 기능 영향 점수와 에피토프 교란 점수, 구조-진화 위험 점수로 만들고, 마지막에 변이체 수준의 백신 적합성 지수와 팬데믹 위험 순위로 묶는다.

 

이 설계의 장점은 실험실 데이터가 부족할 때도 우선순위를 뽑아낼 수 있다는 점이다. 반대로 한계도 분명하다. 이 점수는 “현재 백신이 실제로 몇 퍼센트 덜 듣는가”를 직접 말하는 숫자가 아니라, 그럴 가능성이 큰 방향을 가리키는 대리 지표다. 논문을 읽을 때 이 차이를 놓치면 안 된다.

5) 모델이 왜 그렇게 판단했는지도 남긴다

논문이 한 걸음 더 나아가는 지점은 설명 가능성이다. 연구진은 Transformer의 attention, SHAP 기반 특성 기여도, GNN 설명 기법을 하나의 통합 점수로 합친다. 그래서 “어느 잔기가 위험 예측에 얼마나 기여했는가”를 다시 잔기 단위로 돌려볼 수 있다. 이 부분은 실험실 검증 우선순위를 잡을 때 특히 중요하다. 예측 성능이 좋아도 왜 그런 결론이 나왔는지 설명하지 못하면 실제 백신 설계 흐름에 붙이기 어렵기 때문이다.

 

 

원문 Fig. 11. 가장 중요한 크롭 포인트는 막대가 특히 높게 솟은 구간들, 즉 대략 잔기 위치 3–5, 10, 12–15, 17, 20 부근이 한눈에 들어오는 중앙 막대 영역이다. 이 그림의 의미는 “모델이 아무 데나 주의를 흩뿌린 것이 아니라, 특정 잔기 구간에 설명 가능성을 집중시킨다”는 데 있다. 축 라벨까지 함께 남겨야 잔기 위치와 통합 기여도(UAS)의 관계를 독자가 바로 읽을 수 있다.

데이터와 검증 설계에서 읽어야 할 포인트

이 논문은 Kaggle의 SARS-CoV-2 Genetics 데이터와 Protein Secondary Structure 2022 데이터를 사용했다. 서열은 대략 2020년 1월부터 2022년 12월까지 모였고, 모호한 아미노산 기호가 많거나 길이가 지나치게 짧은 서열, 중복 샘플, 사람 숙주가 아닌 샘플은 걸러냈다. 이런 정제 과정은 화려해 보이지 않지만, 실제로는 성능보다 더 중요하다. 오염된 서열과 중복 서열이 남아 있으면 미래 예측처럼 보여도 사실상 과거 복원에 가까워지기 때문이다.

 

특히 눈여겨볼 부분은 시계열 분할 방식이다. 학습은 2021년 중반까지, 검증은 2021년 하반기, 테스트는 2022년 전체로 분리했다. 그리고 계통상 강하게 연결된 후손 서열이 훈련과 테스트에 동시에 섞이지 않도록 제약을 걸었다. 논문이 높은 점수를 주장하면서도 어느 정도 설득력을 갖는 이유는 바로 이 “미래 시점 홀드아웃” 설계 덕분이다.

항목	논문 설정
전체 SARS-CoV-2 서열	약 10,000개 이상
학습 데이터	2020년 1월 - 2021년 6월, 약 7,500개 이상
검증 데이터	2021년 7월 - 2021년 12월, 약 1,500개 이상
테스트 데이터	2022년 1월 - 2022년 12월, 약 2,000개 이상
단백질 언어모델	ESM-2, 650M 파라미터급
최대 서열 길이	1,024 아미노산
학습 전략	초기에는 ESM-2 가중치를 고정하고, 이후 상위 4개 레이어만 부분 미세조정

실험 결과에서 바로 읽어야 할 것

겉으로 가장 눈에 띄는 숫자는 성능이다. 논문은 정확도 99.2, 정밀도 97.92, 재현율 98.89, F1 99.4를 보고한다. 내부 비교에서도 R-DELF가 SVM, XGBoost, Decision Tree보다 높다.

모델	Accuracy	Precision	Recall	F1
SVM	85.46	77.59	72.48	76.84
XGBoost	94.90	95.20	90.30	92.00
Decision Tree	98.01	97.60	96.90	97.00
R-DELF	99.20	97.92	98.89	99.40

 

하지만 이 숫자를 과하게 읽으면 안 된다.

이 논문의 높은 정확도는 “미래 바이러스 서열을 거의 완벽하게 맞혔다”는 뜻이 아니다. 논문 스스로도, 대부분의 잔기는 여전히 보존되어 있기 때문에 높은 절대 정확도는 미래 전체를 맞혔다기보다 “안정한 자리와 변이 hotspot을 잘 가려냈다”는 의미라고 설명한다.

 

이 해석은 아래 결과 그림들을 함께 봐야 더 명확해진다.

 

 

원문 Fig. 5. 크롭 포인트는 상단에 숫자 주석이 붙은 최고봉 구간들과, 전체 잔기 위치 축을 함께 담는 중앙 막대 영역이다. 독자는 특정 몇 개의 봉우리만 보는 대신 “평평한 구간 사이사이에 높은 봉우리가 드문드문 솟는 패턴”을 읽어야 한다. 시각적 의미는 명확하다. 모델은 모든 위치를 동일하게 위험하다고 보지 않고, 일부 잔기 구간을 mutation hotspot으로 우선순위화한다.

 

 

원문 Fig. 7. 가장 좋은 크롭은 Omicron, Delta, Alpha 막대 묶음과 우측 상단 범례를 함께 남기는 것이다. 이 그림의 핵심은 절대적인 백신 효능 비교가 아니라, 같은 프레임워크 안에서 변이체별 상대적 적합성이 어떻게 달라지는지를 보는 데 있다. 특히 Omicron 구간은 세 백신 타입 모두에서 막대가 가장 낮게 형성되어 있어, 논문이 왜 이 변이체를 “백신 적합성 압박이 큰 사례”로 읽는지 바로 드러난다.

 

 

원문 Fig. 9. 크롭 포인트는 Omicron과 Delta의 바이올린 플롯이 함께 보이는 중앙-우측 영역이다. Omicron 분포가 가장 위쪽에 넓게 형성된다는 점이 중요하다. 이는 단순히 평균이 높다는 뜻만이 아니라, 높은 위험 구간에 속한 샘플이 더 많이 분포한다는 인상을 준다. Alpha와 Pi를 함께 남기면 상대적인 높낮이가 더 또렷해진다.

 

 

원문 Fig. 10. 크롭 포인트는 1월부터 6월까지 계속 우상향하는 두 개의 선 전체다. 특정 한 달만 자르면 의미가 약해진다. 이 그림은 “한 번 높았다가 사라지는 변이”보다 “시간이 갈수록 점점 출현 확률이 올라가는 변이”를 모델이 더 중요하게 본다는 논문의 철학을 잘 보여준다. 다만 Mutation A, B라는 범용 라벨을 쓰고 있어, 실제 특정 생물학적 돌연변이명을 직접 시각화한 그림이라기보다는 추세 설명용 도식에 가깝게 읽는 편이 안전하다.

 

 

원문 Fig. 8. 크롭 포인트는 좌측 PCA와 우측 t-SNE를 나란히 모두 포함하는 전체 구도다. 한쪽만 남기면 “선형 분리”와 “비선형 이웃 관계”를 함께 보여주려는 의도가 사라진다. 이 그림에서 독자가 봐야 할 것은 완벽한 군집 분리라기보다, 변이체 그룹이 임베딩 공간에서 서로 다른 이웃 구조를 형성한다는 점이다. 즉, 모델이 단순한 원-핫 분류가 아니라 진화적 유사성을 반영하는 표현 공간을 배웠다는 시각적 단서다.

어떤 구성 요소가 실제로 성능을 끌어올렸나

이 논문의 장점은 “좋은 결과가 나왔다”에서 멈추지 않고, 어느 블록이 얼마나 중요했는지 제거 실험으로 보여준 점이다. 가장 큰 성능 하락은 ESM-2 임베딩을 뺐을 때와 Phylo-GNN을 뺐을 때 발생했다. 구조 prior와 evolutionary module도 성능을 떨어뜨렸지만, 낙폭은 그보다 조금 작다. 요약하면 서열을 깊게 읽는 능력과, 그 서열을 시간-계통-구조 관계 위에 올려놓는 능력이 함께 있어야 성능이 완성된다는 뜻이다.

모델 변형	F1
전체 R-DELF	99.4
Phylo-GNN 제거	95.8
ESM-2 임베딩 제거	91.9
Structural Priors 제거	92.6
Evolutionary Module 제거	94.3

 

논문은 여기에 Monte Carlo dropout을 써서 예측 불확실성도 확인했다고 설명한다. 의미는 단순하다. 같은 입력을 조금씩 다른 드롭아웃 상태로 여러 번 통과시켜도 변이 위험 예측이 안정적으로 유지되는 위치만 더 신뢰한다는 것이다. 다만 이 부분은 정량 표가 별도로 충분히 제시되지는 않는다.

이 논문을 과장 없이 읽는 법

첫째, 이 연구가 잘하는 일은 정확한 미래 서열 생성보다 위험 잔기 우선순위화다. 따라서 실제 활용 포인트는 “다음에 반드시 이 변이가 나온다”가 아니라 “실험실 검증과 백신 업데이트에서 먼저 봐야 할 자리는 여기다”에 가깝다.

 

둘째, 백신 적합성 지수는 실험실 중화 데이터가 아니라 대리 지표의 결합이다. 그래서 임상 효능 표처럼 읽으면 안 되고, 면역 회피 가능성의 구조적·진화적 경보판으로 보는 것이 맞다.

 

셋째, 논문은 엄격한 시계열 평가를 강조하지만, 결과 본문에 미래 예측의 핵심 지표로 보이는 forward AUROC를 X.XX로 남겨 둔다. 즉, 가장 직접적인 전향적 순위 성능 수치가 완결된 형태로 보고되지 않았다. 이 부분은 분명한 보고상 공백이다.

 

넷째, 기존 방법과의 비교는 기능 범주 차원에서는 흥미롭지만, 동일 데이터셋과 동일 과제로 맞춘 정면 비교는 아니다. 논문도 PETRA, EVEScape, DeepSequence, GEMME, Tranception, ProtREM과의 완전한 수치 비교가 어렵다고 인정한다. 따라서 “모든 기존 모델보다 보편적으로 우월하다”기보다, 여러 기능을 한 프레임에 묶은 통합형 시스템으로 읽는 편이 정확하다.

 

다섯째, 일부 시각 자료와 캡션은 논지 전달용 도식의 성격이 강하고, 그림 설명이 실제 도표 인상과 완전히 일치하지 않는 부분도 있다. 논문 해석에서는 숫자 표, 분할 방식, 과제 정의를 우선으로 보는 편이 안전하다.

이 연구가 실무적으로 남기는 시사점

이 논문의 진짜 가치는 “AI로 변이를 예측했다”는 문장보다 더 구체적이다. 감시 데이터를 받아서, 위험 잔기를 먼저 고르고, 구조적으로 가능한 변화인지 걸러내고, 변이체 수준의 백신 적합성까지 묶어 해석하는 워크플로를 제시했다는 점이 크다. 백신 설계나 공중보건 의사결정에서는 늘 시간이 부족하다. 이 논문은 그 시간을 벌기 위한 모델 설계의 한 방향을 꽤 선명하게 보여준다.

 

또 하나 중요한 시사점은 설명 가능성이다. 실제 실험으로 검증할 수 있는 후보는 제한적이기 때문에, 모델이 어디를 중요하게 본다고 말해 주는 기능은 단순한 “설명 보기 좋음”이 아니라 자원 배분 문제와 직결된다. 그런 의미에서 R-DELF의 XAI 층은 부가 장식이 아니라 실무 연결부에 가깝다.

 

다만 이 프레임워크가 다른 바이러스군이나 저시퀀싱 병원체에서도 같은 수준으로 통할지는 아직 열려 있다. 논문도 실시간 전향 검증, 더 풍부한 면역 데이터 결합, 더 직접적인 3차원 구조 모델링이 후속 과제로 남아 있다고 본다. 따라서 이 연구의 현재 위치는 “완성된 답”이라기보다, 사후 감시에서 사전 경보로 이동하려는 예측 바이러스학의 설계 청사진에 가깝다.

 

이 글에 사용한 그림은 Osama R. Shahin 외, Predicting genetic evolution of viruses to identify suitable vaccines using artificial intelligence (Scientific Reports, 2026)에서 발췌한 원문 Figure를 바탕으로 했으며, 원 논문은 CC BY 4.0 라이선스를 따른다.