배아의 각 세포가 지금의 모습이 되는 데에는 그동안 받 은 화학 신호의 영향이 있지만, 그런 신호는 뚜렷한 기록을 남기지 않습니다. 어떤 신호가 언제 작용했는지 알아내려면 보통 동물을 대상으로 경로 하나, 세포 유형 하나씩 느린 실험을 해야 하고, 사람 조직에서는 거의 불가능합니다. MIT Whitehead Institute 연구팀은 세포의 유전자 활동에서 그 이력을 읽어 내는 신경망 IRIS를 만들었습니다. 연구는 2026년 9월 8일 Nature Methods에 실렸습니다.
핵심 발견은 각 신호 경로가 유전자 활동에 알아볼 수 있는 패턴을 남기며, 그 패턴이 서로 아주 다른 세포 유형 사이에서도 거의 같아 보인다는 점입니다. 이는 반응이 세포 유형마다 고유하다는 널리 퍼진 믿음과 어긋나며, 바로 이 점이 전이 학습을 가능하게 합니다. Pulin Li와 대학원생 Nicholas Hutchins가 이끈 연구팀은 수천 개의 인간 배아줄기세포를 여러 단계에서 WNT, BMP, FGF, 레티노산, Hedgehog 등 6가지 주요 발생 신호 경로의 수십 가지 조합에 노출시키고, 그 결과로 만든 아틀라스로 IRIS를 학습시켰습니다. Li는 이를 주로 영어로 학습했지만 다른 언어도 알아듣는 음성 비서에 비유합니다.
이 논문을 돋보이게 하는 것은 검증입니다. 낭배 형성기 생쥐 배아의 단일 세포에 적용했을 때 IRIS는 심장, 장, 근육, 척수로 향하는 세포에서 경로가 언제 어디서 켜졌는지를 정확히 짚었습니다. 또 WNT 신호가 초기 중간엽 세포를 폐를 지지하는 정체성으로 이끈다고 예측했고, 연구팀은 배양한 생쥐 앞창자 조직에서 이를 확인했습니다. 이어 이 예측을 이용해 호흡기 중간엽을 만드는 기존 줄기세포 프로토콜을 조정했는데, 가지 구조를 가진 폐 오가노이드로 가는 한 걸음입니다.
과학 분야의 AI를 지켜보는 독자에게 이는 저희가 주로 다루는 대형 범용 모델과 대비되는 유용한 사례입니다. IRIS는 목적에 맞춰 만든 작은 신경망이며, 그 가치는 학습 데이터를 만들어 내는 정교하게 설계된 실험에서 나오고, 벤치마크가 아니라 실제 배아로 검증됐습니다. Google DeepMind와 OpenAI의 에이전트 기반 생물학 연구와 같은 큰 흐름에 있지만, 주장은 더 좁고 검증은 더 탄탄합니다.
한계도 있습니다. 예측 대상은 6개 경로이며, 저자들 스스로 기존 마커 유전자 방법이 일부 경로에서 잘 작동하지 않았다고 밝혔는데, 이는 경로에 따라 읽어 내기 어려운 정도가 다르다는 신호입니다. WNT만 바꿔서는 몸속 세포와 완전히 같은 폐 세포를 얻기 어렵다고도 적었습니다. 학습 데이터는 공개돼 있지만, MIT 기사와 저희가 읽은 논문 본문 어디에도 코드 공개에 대한 언급이 없으며, 이것이 다른 연구실이 얼마나 빨리 쓸 수 있을지를 좌우할 것입니다. 연구팀이 내건 인간 배아 전체의 지도 작성은 아직 앞에 놓인 과제입니다.