AlphaGenome은 인간 게놈에서 DNA 서열의 기능적 조절 효과를 예측하는 Google DeepMind에서 개발한 딥 러닝 파운데이션 모델입니다. 이 모델은 단일 염기 해상도에서 최대 100만 염기쌍(1MB)의 DNA 시퀀스를 분석하여 유전자 변이가 11가지 게놈 모달리티(유전자 발현(RNA_SEQ, CAGE, PROCAP), 염색질 접근성(ATAC, DNASE), 히스톤 변형 및 전사 인자 결합(CHIP_HISTONE, CHIP_TF), RNA 스플라이싱(SPLICE_SITES, SPLICE_SITE_USAGE, SPLICE_JUNCTIONS), 3D 염색질 접촉 맵(CONTACT_MAPS))에서 분자 및 생물학적 메커니즘에 미치는 영향을 예측합니다.
이 문서에서는 AlphaGenome의 하드웨어 및 배포 요구사항을 설명하고 Gemini Enterprise Agent Platform에서 모델을 배포하고 쿼리하는 방법을 보여줍니다.
하드웨어 및 배포 요구사항
AlphaGenome의 심층 아키텍처와 1MB 컨텍스트 윈도우로 인해 모델에는 엄격한 하드웨어 및 메모리 요구사항이 있습니다. 이 섹션에서는 다음 내용에 대해 설명합니다.
지원되는 VM 및 GPU 구성
AlphaGenome에는 노드가 하나 이상 필요합니다. NVIDIA A100 또는 H100 가속기가 장착된 머신 유형을 사용하여 Agent Platform 엔드포인트에 모델을 배포할 수 있습니다.
증가한 요청량을 처리하기 위해 추가 용량이 필요한 경우 Agent Platform 엔드포인트에서 자동 확장을 구성하여 노드를 자동으로 추가할 수 있습니다. 자세한 내용은 자동 확장을 사용하여 추론 노드 확장을 참조하세요.
지원되는 가속기 및 머신 유형
필요한 80GB의 GPU 메모리를 제공하는 지원되는 머신 유형 중에서 선택합니다.
- NVIDIA H100 (80 GB):
a3-highgpu-1g,a3-highgpu-2g,a3-highgpu-4g,a3-highgpu-8g - NVIDIA A100 (80 GB):
a2-ultragpu-1g,a2-ultragpu-2g,a2-ultragpu-4g,a2-ultragpu-8g - NVIDIA H100 Mega (80 GB):
a3-megagpu-8g
자세한 사양은 추론을 위한 컴퓨팅 리소스 구성을 참조하세요.
할당량 요구사항
모델을 배포하기 전에 Google Cloud 프로젝트에 대상 리전에서 다음 측정항목에 대한 GPU 서빙 할당량이 충분한지 확인합니다.
aiplatform.googleapis.com/custom_model_serving_nvidia_h100_gpusaiplatform.googleapis.com/custom_model_serving_nvidia_a100_gpusaiplatform.googleapis.com/custom_model_serving_nvidia_h100_mega_gpuscompute.googleapis.com/gpus_per_gpu_family
AlphaGenome 배포
AlphaGenome은 Model Garden에서 자체 배포 모델로 사용할 수 있습니다. 엔드포인트 인프라를 프로비저닝하고 모델을 Google Cloud 프로젝트에 배포하는 방법에 대한 자세한 내용은 Model Garden에서 개방형 모델 배포를 참조하세요.
Model Garden은 AlphaGenome에 대해 다음과 같은 서빙 버전을 제공합니다.
alphagenome-004(기본값, 통합 gRPC 및 HTTP): 포트8081의 HTTP/2 gRPC 스트리밍과 포트8080의 HTTP 스트리밍(streamRawPredict)을 모두 지원하는 통합 컨테이너에서 7가지DnaModelService메서드(predict_sequence,predict_interval,predict_variant,score_variant,score_interval,score_ism_variants,output_metadata)를 모두 제공합니다.- 공개(공유 엔드포인트)(gRPC): Model Garden에서 배포할 때 엔드포인트 액세스에서 공개(공유 엔드포인트)를 선택하여 gRPC 스트리밍(
dna_client_grpc.create_vertex_client를 사용하는PredictionService.StreamDirectRawPredict)을 통해 모델을 쿼리합니다. gRPC를 통해 모델을 호출하면 JSON 또는 base64 직렬화 오버헤드 없이 압축된 바이너리 텐서 청크가 직접 전송되므로 1MB 트랙 예측의 지연 시간이 줄어들고, 인 실리코 포화 돌연변이 유발(score_ism_variants)과 같은 동시 실행이 많은 다중 변이 워크로드에서 HTTP 게이트웨이 제한 시간을 방지할 수 있습니다. - 공개(전용 엔드포인트)(HTTP): Model Garden에서 배포할 때 기본 공개(전용 엔드포인트) 옵션을 유지하여 HTTP 스트리밍(
dna_client_http.create_http_client를 사용하는streamRawPredict)을 통해 모델을 쿼리합니다. 이 스트리밍은 공유 엔드포인트의 10MB HTTP 응답 크기 제한 없이 청크된 바이너리 protobuf 페이로드(proto_b64)를 스트리밍합니다. - 폴드 선택:
alphagenome-004의 gRPC 및 HTTP 클라이언트는 모두model_version매개변수를 사용하여 모델 폴드 선택(기본적으로ALL_FOLDS또는FOLD_0~FOLD_3의 개별 폴드)을 지원합니다.
- 공개(공유 엔드포인트)(gRPC): Model Garden에서 배포할 때 엔드포인트 액세스에서 공개(공유 엔드포인트)를 선택하여 gRPC 스트리밍(
alphagenome-003(기존 HTTP): 포트8080에서 HTTP/1.1 스트리밍(streamRawPredict)을 통해 예측을 제공하며 기존 HTTP 클라이언트 배포와의 하위 호환성을 위해 계속 사용할 수 있습니다.
AlphaGenome 사용
Python SDK(공유 엔드포인트의 gRPC 또는 전용 엔드포인트의 HTTP)를 사용하여 배포된 AlphaGenome 엔드포인트와 프로그래매틱 방식으로 상호작용할 수 있습니다.
전체 API 참조, 파라미터 정의, 자세한 스키마는 공식 AlphaGenome 문서를 참고하세요.
기본 요건 및 인증
에이전트 플랫폼은 Identity and Access Management(IAM)를 사용하여 배포된 엔드포인트에 대한 액세스를 관리합니다. 실행 환경(예: 로컬 터미널, VM, Colaboratory)이 Agent Platform 사용자(roles/aiplatform.user) IAM 역할이 있는 서비스 계정 또는 사용자 인증 정보로 인증되었는지 확인합니다.
사용량(alphagenome-004)
다음 예시에서는 Python SDK를 사용하여 배포된 alphagenome-004 엔드포인트를 쿼리하는 방법을 보여줍니다.
Python
SDK 설치
AlphaGenome Cloud SDK(alphagenome-004)의 wheel 파일은 GoogleCloudPlatform GitHub 저장소에서 사용할 수 있습니다.
다음 명령어를 실행하여 wheel 파일을 다운로드하고 설치합니다.
# Download the wheel file
wget -q https://github.com/GoogleCloudPlatform/vertex-ai-samples/raw/main/notebooks/community/alphagenome/whl/alphagenome_cloud_sdk-0.4.2.12-py3-none-any.whl
# Install the wheel file
pip install alphagenome_cloud_sdk-0.4.2.12-py3-none-any.whl
클라이언트 초기화
모델을 쿼리하기 전에 배포된 alphagenome-004 엔드포인트의 클라이언트를 초기화합니다. gRPC 클라이언트(GrpcDnaClient)와 HTTP 클라이언트(HttpDnaClient) 모두 표준 alphagenome.models.dna_model.DnaModel 인터페이스를 구현합니다.
gRPC 스트리밍을 통해 alphagenome-004 공유(표준) 엔드포인트에 연결하려면 Agent Platform 엔드포인트 리소스 이름을 dna_client_grpc.create_vertex_client에 전달합니다.
from alphagenome.models import dna_client
from alphagenome_cloud_sdk.models import dna_client_grpc
# Specify the standard (shared) endpoint resource name:
endpoint = "projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID"
# Optional: Specify `service_account` for service account impersonation, or
# `model_version` to select a specific fold ("ALL_FOLDS", "FOLD_0", "FOLD_1",
# "FOLD_2", or "FOLD_3").
dna_model = dna_client_grpc.create_vertex_client(
endpoint=endpoint,
# service_account="SERVICE_ACCOUNT_EMAIL",
# model_version=dna_client.ModelVersion.ALL_FOLDS,
)
alphagenome-004를 전용 엔드포인트에 배포한 경우 dna_client_http.create_http_client를 사용합니다.
from alphagenome.models import dna_client
from alphagenome_cloud_sdk.models import dna_client_http
# Create the HTTP client pointing to the dedicated endpoint streamRawPredict URL.
dna_model = dna_client_http.create_http_client(
vertex_ai_url="https://ENDPOINT_DNS/v1/projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID:streamRawPredict",
# service_account="SERVICE_ACCOUNT_EMAIL",
# model_version=dna_client.ModelVersion.ALL_FOLDS,
)
DNA 염기서열의 트랙 예측
predict_sequence를 사용하여 원시 DNA 문자열의 게놈 모달리티를 예측합니다.
# Pad a synthetic sequence to 1 MB using 'N' for unknown/padding bases
padded_sequence = 'GATTACA'.center(dna_client.SEQUENCE_LENGTH_1MB, 'N')
output = dna_model.predict_sequence(
sequence=padded_sequence,
requested_outputs=[
dna_client.OutputType.CAGE, # Transcription Start Sites
dna_client.OutputType.DNASE, # Chromatin Accessibility
],
ontology_terms=[
'UBERON:0002048', # Lung tissue ontology term
],
)
# Access prediction values (shape: sequence_length, num_tracks)
dnase_signals = output.dnase.values
dnase_metadata = output.dnase.metadata
참조 게놈 간격의 트랙 예측
predict_interval을 사용하여 참조 게놈의 특정 염색체 영역에서 직접 모달리티를 예측합니다.
from alphagenome.data.genome import Interval
# Define a genomic interval and resize it to the 1 MB context window
interval = Interval(
chromosome='chr19',
start=40991281,
end=41018398,
strand='.',
name='CYP2B6',
).resize(dna_client.SEQUENCE_LENGTH_1MB)
output = dna_model.predict_interval(
interval=interval,
requested_outputs=[dna_client.OutputType.RNA_SEQ],
ontology_terms=['UBERON:0001114'], # Right liver lobe
)
게놈 트랙에 대한 변이 효과 예측
predict_variant를 사용하여 간격 전반에서 쌍을 이루는 참조(reference) 및 변형된(alternate) 트랙 예측을 생성합니다.
from alphagenome.data import genome
interval = genome.Interval(
chromosome='chr19',
start=41003816,
end=41005864,
strand='.',
).resize(dna_client.SEQUENCE_LENGTH_1MB)
variant = genome.Variant(
chromosome='chr19',
position=41004840,
reference_bases='C',
alternate_bases='T',
)
variant_output = dna_model.predict_variant(
interval=interval,
variant=variant,
requested_outputs=[dna_client.OutputType.RNA_SEQ],
ontology_terms=['UBERON:0001114'],
)
ref_rna_values = variant_output.reference.rna_seq.values
alt_rna_values = variant_output.alternate.rna_seq.values
변이 효과 점수 매기기
score_variant를 사용하여 참조(REF) 시퀀스를 대체(ALT) 변이 시퀀스와 비교하여 유전적 변이의 예측된 효과를 요약합니다.
from alphagenome.data import genome
from alphagenome.models import variant_scorers
# Define the genetic variant
variant = genome.Variant(
chromosome='chr22',
position=36201698,
reference_bases='A',
alternate_bases='C',
)
# Select the recommended variant scoring method for RNA-Seq
variant_scorer = variant_scorers.RECOMMENDED_VARIANT_SCORERS['RNA_SEQ']
# Execute the scoring
variant_scores = dna_model.score_variant(
interval=variant.reference_interval.resize(dna_client.SEQUENCE_LENGTH_1MB),
variant=variant,
variant_scorers=[variant_scorer],
)
# Output is returned as a list of AnnData objects containing raw and quantile scores
print("Scores shape:", variant_scores[0].X.shape)
유전체 구간 점수 매기기
score_interval를 사용하여 게놈 영역에서 유전자 마스크 간격 점수를 계산합니다.
from alphagenome.data import genome
from alphagenome.models import interval_scorers
interval = genome.Interval(
chromosome='chr19',
start=40991281,
end=41018398,
strand='.',
).resize(dna_client.SEQUENCE_LENGTH_1MB)
interval_scorer = interval_scorers.RECOMMENDED_INTERVAL_SCORERS['RNA_SEQ']
interval_scores = dna_model.score_interval(
interval=interval,
interval_scorers=[interval_scorer],
)
print("Interval scores shape:", interval_scores[0].X.shape)
인실리코 포화 돌연변이 유발 실행
score_ism_variants를 사용하여 타겟 ism_interval에서 가능한 모든 단일 뉴클레오티드 변이를 평가합니다.
from alphagenome.data import genome
from alphagenome.models import variant_scorers
# Define the 1 MB sequence context interval and a target 50 bp ISM window
sequence_interval = genome.Interval(
chromosome='chr19',
start=41003816,
end=41005864,
).resize(dna_client.SEQUENCE_LENGTH_1MB)
ism_interval = genome.Interval(
chromosome='chr19',
start=41004815,
end=41004865,
)
dnase_scorer = variant_scorers.RECOMMENDED_VARIANT_SCORERS['DNASE']
ism_scores = dna_model.score_ism_variants(
interval=sequence_interval,
ism_interval=ism_interval,
variant_scorers=[dnase_scorer],
)
print("Number of variants scored:", len(ism_scores))
사용량(alphagenome-003)
Python
SDK 설치
AlphaGenome Cloud SDK의 Wheel 파일은 GoogleCloudPlatform GitHub 저장소에서 제공됩니다. 다음을 실행하여 Wheel 파일을 다운로드할 수 있습니다.
# Download the whl file using -
wget -q https://github.com/GoogleCloudPlatform/vertex-ai-samples/raw/main/notebooks/community/alphagenome/whl/alphagenome_cloud_sdk-0.4.2.11-py3-none-any.whl
# Install the whl file
pip install alphagenome_cloud_sdk-0.4.2.11-py3-none-any.whl
클라이언트 초기화
모델을 사용하려면 먼저 클라이언트를 초기화해야 합니다.
from alphagenome.models import dna_client
from alphagenome_cloud_sdk.models import dna_client_http
# Create the HTTP client pointing to the Agent Platform endpoint.
# The `service_account` parameter is optional and only required if you are
# choosing to authenticate via service account impersonation.
dna_model = dna_client_http.create_http_client(
vertex_ai_url=vertex_ai_url,
# service_account=service_account # Uncomment to use service account impersonation
)
DNA 염기서열의 트랙 예측
predict_sequence를 사용하여 원시 DNA 문자열의 게놈 모달리티를 예측합니다.
# Pad a synthetic sequence to 1 MB using 'N' for unknown/padding bases
padded_sequence = 'GATTACA'.center(dna_client.SEQUENCE_LENGTH_1MB, 'N')
output = dna_model.predict_sequence(
sequence=padded_sequence,
requested_outputs=[
dna_client.OutputType.CAGE, # Transcription Start Sites
dna_client.OutputType.DNASE, # Chromatin Accessibility
],
ontology_terms=[
'UBERON:0002048', # Lung tissue ontology term
]
)
# Access prediction values (shape: sequence_length, num_tracks)
dnase_signals = output.dnase.values
dnase_metadata = output.dnase.metadata
참조 게놈 간격의 트랙 예측
predict_interval을 사용하여 참조 게놈의 특정 염색체 영역에서 직접 모달리티를 예측합니다.
from alphagenome.data.genome import Interval
# Define a genomic interval and resize it to the 1Mb context window
interval = Interval(
chromosome='chr19',
start=40991281,
end=41018398,
strand='.',
name='CYP2B6'
).resize(dna_client.SEQUENCE_LENGTH_1MB)
output = dna_model.predict_interval(
interval=interval,
requested_outputs=[dna_client.OutputType.RNA_SEQ],
ontology_terms=['UBERON:0001114'] # Right liver lobe
)
변이 효과 점수 매기기(인 실리코 돌연변이 유발)
score_variant를 사용하여 참조(REF) 시퀀스의 예측된 발현과 대체(ALT) 변이 시퀀스를 비교합니다.
from alphagenome.data import genome
from alphagenome.models import variant_scorers
# Define the genetic variant
variant = genome.Variant(
chromosome='chr22',
position=36201698,
reference_bases='A',
alternate_bases='C',
)
# Select the variant scoring method for RNA-Seq
variant_scorer = variant_scorers.RECOMMENDED_VARIANT_SCORERS['RNA_SEQ']
# Execute the scoring
variant_scores = dna_model.score_variant(
interval=variant.reference_interval.resize(dna_client.SEQUENCE_LENGTH_1MB),
variant=variant,
variant_scorers=[variant_scorer],
fix_negative_strand=True
)
# Output is returned as an AnnData object containing raw and quantile scores
print("Scores shape:", variant_scores[0].X.shape)
가격 책정
AlphaGenome을 사용하려면 유료 구독이 필요합니다. AlphaGenome 가격 책정에 대한 자세한 내용은 Google Cloud 영업 전문가에게 문의하거나 Google Cloud계정팀에 문의하세요.
모델을 호스팅하는 데 사용되는 인프라 비용은 사용자가 부담합니다. 여기에는 Agent Platform 엔드포인트와 모델이 배포된 GPU 인스턴스가 포함됩니다. 자세한 내용은 에이전트 플랫폼 가격 책정을 참조하세요.
제한사항
AlphaGenome에는 다음과 같은 제한사항이 있습니다.
- 연구용: AlphaGenome은 연구 도구이며 임상 진단용으로 설계되거나 승인되지 않았습니다.
- 1MB 컨텍스트 범위: 단일 예측 쿼리는 1MB를 초과하는 거리에서 발생하는 게놈 상호작용을 캡처할 수 없습니다.
- 파인 튜닝 지원 없음: AlphaGenome은 비공개 학습 데이터 세트의 파인 튜닝을 지원하지 않습니다. 이 모델은 추론에만 사용할 수 있습니다.
과학 참고 자료 디렉터리
과학 및 개발자 커뮤니티를 지원하기 위해 다음 표에는 AlphaGenome의 기본 참조 자료, 문헌, 리소스가 나와 있습니다.
| 리소스 유형 | 제목 및 링크 | 설명 |
|---|---|---|
| 전문가 상호심사(peer review)를 마친 논문 | Advancing regulatory variant effect prediction with AlphaGenome, Nature(2026년 1월) | 모델의 아키텍처, 평가, 성능 벤치마크를 자세히 설명하는 주요 과학 간행물입니다. |
| 사전 인쇄 논문 | AlphaGenome: 통합 DNA 시퀀스 모델을 사용한 조절 변이 효과 예측 발전, bioRxiv(2025년 7월) | 동료 검토 전 초기 원고 |
| 공지사항 | AlphaGenome: AI for better understanding the genome, Google DeepMind 블로그(2025년 6월) | 유전체학에 미치는 모델의 영향을 간략하게 설명하는 상위 수준 출시 블로그 게시물입니다. |
| API 참고 리소스 | AlphaGenome 문서 | Python SDK 및 HTTP API 스키마에 관한 기술 문서입니다. |
| 동영상 둘러보기 | AlphaGenome: 게놈을 더 잘 이해하기 위한 AI | 모델 기능과 기본 상호작용 흐름을 설명하는 동영상 둘러보기입니다. (동영상 재생 시간: 30분) |
| 빠른 시작 노트북 | AlphaGenome 빠른 시작 Colab 노트북 | SDK 초기화 및 변이 효과 점수 산정의 실행 가능한 예시를 제공하는 노트북입니다. |
지원 및 의견
다음과 같은 방법으로 AlphaGenome에 대한 지원을 받을 수 있습니다.
- 유전체학 및 모델 출력 지원: 생물학, 모델 예측 또는 해석 가능성에 대해 논의하거나 Google DeepMind와 소통하려면 공개 AlphaGenome 커뮤니티 포럼(alphagenomecommunity.com)에 참여하세요.
- 인프라 및 플랫폼 지원: Google Cloud할당량, 가속기, 클라이언트 라이브러리 문제 또는 결제에 관한 질문은Google Cloud 계정팀에 문의하거나 Cloud Customer Care에 케이스를 등록하세요.