AI 시대를 위한 유전체 데이터, Bridge2AI가 제시하는 핵심 준비 사항

초록

NIH 주도의 Bridge2AI 컨소시엄은 인공지능(AI) 모델이 인간 건강 문제를 해결하는 데 활용할 수 있는 ‘AI-ready’ 유전체 데이터셋 구축을 위한 권고 사항을 제시했다. 이 보고서는 유전체 시퀀싱 데이터의 수집, 저장, 식별 및 적절한 사용을 위한 메타데이터 표준과 실무 지침을 상세히 설명하며, 설명 가능하고 재사용 가능한 데이터의 중요성을 강조한다.

상세 분석

본 논문은 AI/ML 시대에 유전체 데이터가 지녀야 할 필수 조건을 체계적으로 정의한 실용적인 가이드라인이다. 기술적 분석의 핵심은 ‘메타데이터의 체계화’와 ‘표준의 채택’에 있다. 저자들은 AI-ready의 핵심을 데이터 자체가 아닌, 데이터를 설명하고 컨텍스트를 제공하는 메타데이터의 충실도에 둔다. 이는 샘플의 기원(보관 조건, 임상 정보), 시퀀싱 준비 및 과정(라이브러리 제작법, 기계 정보), 데이터 처리 파이프라인(사용 소프트웨어, 파라미터, 참조 게놈 버전)에 이르기까지 전 과정에 대한 상세한 기록을 요구한다.

특히 주목할 점은 단순히 권고 수준을 ‘Must’와 ‘Should’로 구분하여 실용성을 높였다는 것이다. 예를 들어, 샘플 보관 조건은 필수(Must) 사항인 반면, 유전적 조상 정보는 인간 샘플에 대해 권장(Should) 사항으로 제시된다. 또 다른 중요한 기술적 통찰은 데이터 저장 및 표현 표준에 대한 명확한 제안이다. 정렬된 리드 데이터는 CRAM 형식으로, 변이 호출 데이터는 GA4GH VCF(버전 4.3 이상) 형식으로 저장할 것을 권장하며, 변이 정보의 정확한 의미론적 표현을 위해 GA4GH Variation Representation Specification(VRS)의 채택을 강력히 권고한다. 이는 다양한 출처의 유전체 데이터를 AI 모델이 통합하여 처리하는 데 필수적인 ‘상호운용성’을 보장하기 위한 조치이다. 결국, 이 권고안의 궁극적 목표는 메타데이터 부재로 인해 AI 모델이 실험적 아티팩트나 편향에 기반한 허위 연관성을 학습하는 위험을 근본적으로 차단하는 것이다.