이미지: METAL AI 생성
요약
- 구글 리서치가 유럽계(UKB)와 동아시아계(BBJ) 코호트 간 유전 위험 예측 전이학습 결과를 블로그로 공개했어요
- 목표 집단 표본이 적을 때는 전이학습이 예측력을 높였지만 표본이 커질수록 정확도가 떨어졌어요
- HDL, LDL, 혈당 세 형질 모두 같은 패턴을 보였고 최대 정확도는 형질별로 0.101~0.289 수준이었어요
- 발표 채널
- 구글 리서치 공식 블로그 (X 계정으로 공지)
- 발표일
- 2026년 9월 3일
- 대상 형질
- HDL 콜레스테롤, LDL 콜레스테롤, 혈당
- 데이터셋
- UK Biobank(UKB, 유럽계), Biobank Japan(BBJ, 동아시아계)
- 핵심 결과
- 목표 집단 표본이 작을 때 전이학습이 예측력을 높이지만 표본이 커지면 정확도가 떨어짐
- 측정값 범위
- HDL 0~0.289, LDL 0~0.182, 혈당 0~0.101
유럽계 데이터로 만든 예측 모델, 다른 인구집단에 적용하면
구글 리서치가 자사 블로그에 올린 글에서 인구집단 간 유전 위험 예측 정확도를 높이는 방법을 평가한 결과를 공개했어요. 핵심 결과는 예상과 조금 달랐어요. 유럽계 코호트 데이터로 학습한 모델을 다른 인구집단에 옮기는 전이학습이, 목표 집단 표본이 적을 때는 예측력을 끌어올리지만 표본이 커질수록 오히려 정확도를 떨어뜨렸다는 내용이었어요.
풀어서 설명하면, 폴리제닉 위험 점수는 수많은 유전자 변이 정보를 조합해 특정 질병에 걸리거나 형질을 가질 확률을 예측하는 통계 모델인데, 지금까지 나온 대규모 유전체 연구 대부분이 유럽계 인구를 대상으로 이뤄져서 다른 인종 집단에는 예측력이 떨어지는 문제가 있었어요. 전이학습은 이 유럽계 모델이 배운 정보를 데이터가 적은 다른 인구집단에 옮겨 쓰는 방법이에요.
무엇을 확인했나
이번 평가는 유럽계 인구 데이터를 담은 UK Biobank(UKB)와 동아시아계 인구 데이터를 담은 Biobank Japan(BBJ) 두 코호트를 놓고 진행됐어요. 대상 형질은 HDL 콜레스테롤, LDL 콜레스테롤, 혈당 세 가지였고요. UKB 표본은 최대 15만 명까지, BBJ 표본은 형질별로 5만6571명(HDL)·5만8356명(LDL)·7만4431명(혈당)까지 늘려가며 두 표본 크기 조합에 따라 예측 정확도가 어떻게 바뀌는지 살펴봤어요.
표본이 커질수록 나타난 역설
세 형질이 기록한 정확도 범위는 다음과 같았어요.
| 형질 | 최소값 | 중앙값 | 최대값 |
|---|---|---|---|
| HDL 콜레스테롤 | 0.000 | 0.272 | 0.289 |
| LDL 콜레스테롤 | 0.000 | 0.161 | 0.182 |
| 혈당 | 0.000 | 0.087 | 0.101 |
세 형질 모두 같은 경향을 보였어요. UKB와 BBJ 표본이 둘 다 작을 때는 정확도가 0에 가까웠고, 두 표본이 함께 늘어날수록 정확도가 오르는 패턴이 뚜렷했어요. 다만 구글 리서치가 짚은 지점은 따로 있었어요. BBJ, 즉 목표 집단의 표본 크기만 따로 떼어 보면 표본이 작을 때는 UKB에서 가져온 전이학습 효과가 크게 나타났지만, BBJ 표본이 일정 수준을 넘어서면서부터는 전이학습을 더한 모델의 정확도가 오히려 낮아지는 구간이 나타났어요.
왜 이런 현상이 나타나나
전이학습은 한 분야에서 배운 실력을 다른 분야에 옮겨 쓰는 학습법으로, 데이터가 적은 상황에서 부족한 정보를 보완하는 용도로 널리 쓰여요. 문제는 목표 집단 자체의 데이터가 충분히 쌓이면 상황이 달라진다는 점이에요. 목표 집단 표본이 커지면 그 집단만의 유전적 특성을 모델이 직접 학습할 재료가 많아지는데, 이때 유럽계 데이터에서 온 정보가 오히려 방해 요소로 작용할 수 있다는 뜻이에요. 유전 위험 예측 모델은 대부분 유럽계 인구를 중심으로 만들어진 대규모 유전체 연구에 기반하고 있어서 다른 인구집단에 그대로 적용하면 예측력이 떨어지는 문제가 이미 알려져 있었는데, 이번 결과는 그 격차를 메우려는 시도조차 표본 규모에 따라 효과가 뒤집힐 수 있다는 걸 보여줬어요.
구글 리서치는 최근 초파리 수컷 뇌 16만 뉴런 전체 지도를 공개하는 등 생물학 데이터에 계산 방법을 접목하는 연구를 잇달아 내놓고 있어요.
에디터의 시선
이번 결과가 흥미로운 지점은 전이학습을 무조건 좋은 방법으로 여기던 통념을 데이터로 뒤집었다는 데 있어요. 지금까지 유전 위험 예측 분야에서 인종 간 격차 문제는 유럽계 데이터라도 없는 것보다 낫다는 전제 아래 다뤄져 왔는데, 이번 결과는 목표 집단 데이터가 어느 정도 쌓이고 나면 그 전제가 더 이상 성립하지 않는다는 걸 보여줘요. 다른 파운데이션 모델 분야에서도 비슷한 패턴이 종종 보고돼요. 사전학습된 큰 모델을 작은 도메인 데이터로 미세조정할 때, 도메인 데이터가 적으면 사전학습 지식이 도움이 되지만 도메인 데이터가 충분해지면 사전학습 지식이 오히려 성능을 깎아 먹는 경우가 있거든요. 유전체 데이터에서도 같은 원리가 작동한 셈이에요.
국내에서 바이오뱅크 데이터를 다루는 연구기관이나 병원 데이터팀이라면 이 결과에서 챙길 교훈이 하나 있어요. 다른 인구집단 모델을 그대로 가져다 쓰는 접근을 표본이 늘어난 뒤에도 그대로 유지할 게 아니라, 자체 데이터 규모가 일정 수준을 넘는 순간부터는 전이학습 비중을 낮추거나 자체 모델로 전환하는 시점을 미리 설계해 둘 필요가 있어요. 표본 크기별로 언제 전략을 바꿔야 하는지 기준선을 세워두지 않으면, 데이터를 더 모으고도 예측력이 떨어지는 역설을 그대로 떠안게 돼요.
유전 위험 예측 모델을 실제 의료 현장에 들여오려는 움직임이 늘고 있는 만큼, 어느 시점에서 전이학습을 끊어야 하는지에 대한 기준이 다음 논의의 중심이 될 걸로 보여요.
댓글