구글 딥마인드

딥마인드가 한국 시각 10월 1일 SynthID Bio를 공개하고 논문을 네이처에 실었습니다.

단백질 서열을 만들 때 아미노산 선택을 미세하게 유도해 표시를 남기고, AlphaFold 3의 확산 신경망 일부를 미세조정해 예측한 3차원 좌표에도 표시를 남깁니다.

VEGF-A와 코로나19 스파이크 RBD, PD-L1 세 표적을 상대로 한 습식 실험에서 표시를 넣은 설계는 결합 성공률과 친화도, 서열 다양성이 표시 없는 설계와 같았습니다.

공동 창업자 셰인 레그는 현재 AI가 기본 작업, 일관성, 창의성에서 부족하지만 이런 격차가 곧 좁혀질 것으로 보고 있다고 밝혔습니다.

딥마인드 인스티튜트는 AGI의 안전한 개발과 통제 문제, 사이버·바이오 위험, 경제와 일자리 변화, 사회 제도와 정책이 어떻게 바뀌어야 하는지까지 연구합니다.

데미스 허사비스, 제임스 마니카, 셰인 레그가 공동 디렉터를 맡습니다.

구글 DeepMind가 인간 DNA에서 일어날 수 있는 90억 가지 단일 염기 변화를 AI로 미리 분석한 AlphaGenome Atlas를 공개했습니다.

DNA 한 글자가 바뀌었을 때 유전자 발현이나 RNA 스플라이싱 등에 어떤 영향을 주는지 예측해둔 1PB 규모의 데이터베이스로, AlphaFold Database보다 30배 이상 큽니다.

이미 희귀질환 연구에서는 기존 분석이 놓쳤던 변이를 찾아 실험으로 확인했고, UK Biobank 분석에서는 비암호화 영역의 유전적 연관성을 22% 더 발견했습니다.

AlphaFold가 단백질 구조 연구를 쉽게 만들었다면, AlphaGenome Atlas는 질병의 원인이 되는 유전자 변이를 찾고 신약 표적 후보를 좁히는 과정에서 비슷한 역할을 할 수 있을 것 같습니다.

Google DeepMind가 Gemini 기반 Co-Scientist를 실제 연구 환경에 적용한 결과를 공개했습니다.

재료과학에서는 Gemini 3 Deep Think가 실험 장비에 맞는 합성법을 설계했고, MoS₂·MoSe₂·WS₂ 단층 반도체를 첫 시도에 만들었습니다.

생물학에서는 적은 데이터만으로 engineered E.

coli의 행동을 예측해 실제 실험 지표 4개 중 3개를 맞췄습니다.

컴퓨터과학에서는 연구 목표만 받고 Agent_H라는 의료 AI 구조를 직접 설계하고 코드를 작성해 실험까지 진행했습니다.

연구원이나 대학원생이라면 앞으로 AI를 논문 검색이나 요약에만 쓰기에는 너무 아까울 것 같습니다.

Nature 논문 기준으로 경로·강도·바람 구조를 한 모델이 같이 예측하고, 3일 예보 정확도가 기존 2일 예보 수준에 가깝다고 합니다.

그만큼 평균 24시간 여유가 더 생깁니다.

15일 시나리오는 TPU 한 장에서 1분 안에 만들고, 올해는 태풍 하나당 1,000개 확률 경로를 돌립니다.

2025년 허리케인 멜리사에서는 자메이카 5등급 상륙을 5일 전, 80% 신뢰도로 먼저 잡았다고 밝혔습니다.

28×28km 격자에서도 강도를 예측하는데, 기존에는 훨씬 촘촘한 입력이 필요하다고 봤습니다.

원 논문 저자 대부분이 지난 1년 사이 제미나이 기반 과제, 효소 설계, 유전체, 핵융합 쪽으로 재배치됐고, 약 4분의 1은 회사를 떠났습니다.

공동 개발자 존 점퍼는 이미 6월에 앤트로픽으로 옮겼습니다.

단백질 구조라는 한 문제를 풀던 조직을, 여러 과학 과제를 돕는 범용 AI 체계로 옮기는 그림입니다.

알파폴드 자체는 유지하되, 다음 버전 개발의 주력은 아이소모픽과 제미나이 쪽으로 옮겨 갈 수 있습니다.