Evo 2 — 생명의 언어를 배운 유전체 파운데이션 모델 (Brixi 2025)

READING NOTES · AI & BIO

TL;DR
• Evo 2 (에보 투)는 아크 연구소⁠(Arc Institute)·NVIDIA·스탠퍼드의 유전체 규모 DNA 파운데이션 모델로, 단백질이 아니라 모든 생물의 염기서열⁠(A·C·G·T) 그 자체를 학습한다 — 9.3조 염기, 단일염기 해상도, 최대 100만 bp 컨텍스트.
• 능력 셋 — ① 학습 없이⁠(zero-shot) 변이 병원성 예측(BRCA1 정확도 90%+, AUROC 0.95), ② 유전체 규모 생성(미토콘드리아·최소 박테리아 유전체·진핵 염색체), ③ SAE로 내부 생물학 개념 해석(엑손·인트론 경계).
• AlphaFold·ESM3가 '단백질 층'을 다뤘다면 Evo 2는 그 위 'DNA 층⁠(가장 상류)'을 직접 모델링한다 — 가중치·데이터·코드는 Apache-2.0 전면 공개, 사람 병원체는 학습에서 제외.

📚 함께 읽으면 좋은 글
• ESM3 — 단백질을 '예측'에서 '생성'으로 (Hayes 2025) — 단백질 생성 AI의 큰 그림
• AlphaProteo — AI가 단백질 결합체를 설계하다 (Zambaldi 2024) — 기능을 가진 단백질 설계
• AlphaFold3 — 단백질을 넘어 DNA·RNA·리간드까지 (Abramson 2024) — 예측 계열의 최신

1. 한 장 요약

논문	Brixi, G., Durrant, M. G., Ku, J., et al. "Genome modeling and design across all domains of life with Evo 2." bioRxiv 2025.02.18.638918 (2025) → Nature (2026)
공개	2025.2 bioRxiv preprint → 2026 Nature 게재 + Arc Institute 블로그
개발	Arc Institute · NVIDIA · Stanford / UC Berkeley
모델·구조	Evo 2 7B·40B · StripedHyena 2 (컨볼루션 다중 하이브리드) · 단일염기 해상도
핵심 결과	9.3조 염기 학습 · 100만 bp 컨텍스트 · BRCA1 zero-shot AUROC 0.95 · 유전체 규모 생성 · Apache-2.0 전면 공개

한 문장으로: 단백질 모델⁠(ESM·AlphaFold)이 '단백질이라는 글'을 다뤘다면, Evo 2는 그 글이 쓰인 '원본 DNA 언어'를 통째로 배운다.

2. 연구 배경 — 단백질 모델에서 '유전체⁠(DNA)' 모델로

지난 몇 해 AI 생물학의 주역은 단백질이었다. AlphaFold2는 아미노산 서열에서 구조를 예측했고, ESM 계열의 ESM3는 단백질을 생성하는 데까지 나아갔다. 이들은 모두 단백질이라는 언어를 다룬다. 그런데 단백질은 생명현상의 결과물이지 원본이 아니다. 원본은 그 위에 있다 — DNA다.

생물학의 중심원리⁠(central dogma)는 한 방향을 가리킨다. DNA → RNA → 단백질. 단백질을 아무리 잘 다뤄도, 그 단백질을 언제·어디서·얼마나 만들지 결정하는 조절 영역⁠(regulatory region), 단백질로 번역되지 않지만 기능하는 비번역 영역⁠(noncoding region), 변이가 질병으로 이어지는 유전체 문법 자체는 단백질 모델의 시야 밖이다. 실제로 사람 유전체의 약 98%는 단백질을 직접 코딩하지 않는 비번역 DNA이고, 질병 연관 변이의 상당수가 바로 이 영역에 숨어 있다. DNA 층을 직접 모델링해야 비로소 이 문제가 풀린다.

그래서 등장한 것이 유전체 파운데이션 모델⁠(genome foundation model) — DNA 염기서열을 거대 언어모델⁠(large language model, LLM)처럼 학습하는 접근이다. 핵심 발상은 단순하다. 염기 A·C·G·T를 '글자'로 보고, 유전체 전체를 '문장'으로 읽어 다음 글자를 맞히도록 훈련하면, 모델은 인간이 라벨을 달지 않아도 유전자·조절요소·진화적 제약을 스스로 학습한다.

이 흐름의 첫 이정표가 Evo 1 (Nguyen·Durrant 외, 2024, Science)이었다. 70억⁠(7B) 파라미터, 13.1만⁠(131k) 염기 컨텍스트로 박테리아·고세균·파지⁠(phage) 유전체 3,000억 염기를 학습해, 단일염기 해상도로 유전체를 다룬 최초급 모델이었다. 하지만 한계가 뚜렷했다 — 진핵생물⁠(eukaryote)을 거의 다루지 못했고(사람·식물 등이 빠짐), 컨텍스트가 13만 염기에 그쳐 유전자 하나~수십 개 규모를 넘기 어려웠다. Evo 2는 정확히 이 두 벽을 넘는다.

3. 작동 원리 — StripedHyena 2, 9.3조 염기, 100만 bp 컨텍스트

Evo 2의 성능을 떠받치는 기둥은 세 개다 — 아키텍처·데이터·컨텍스트.

① StripedHyena 2 — 트랜스포머가 아닌 다른 길. GPT 계열이 쓰는 순수 트랜스포머⁠(Transformer)는 어텐션⁠(attention) 연산이 서열 길이의 제곱⁠(O(n²))으로 폭증한다. 100만 염기를 한 번에 보려면 이 비용이 감당되지 않는다. Evo 2는 그 대신 컨볼루션 기반 다중 하이브리드⁠(convolutional multi-hybrid) 구조인 StripedHyena 2를 쓴다. 이름의 '하이에나⁠(Hyena)'는 어텐션을 긴 컨볼루션⁠(long convolution)으로 대체해 길이에 거의 선형⁠(near-linear)으로 확장하는 연산이다. StripedHyena 2 (아키텍처)는 세 종류의 하이에나 연산자 — 짧은 명시⁠(SE)·중간 정규화⁠(MR)·긴 암시⁠(LI) — 를 줄무늬⁠(striped)처럼 교차 배치하고, 군데군데 어텐션을 섞는다. 그 덕에 Evo 1 대비 약 30배 많은 데이터를 학습하고 약 8배 긴 서열을 다룬다.

② 9.3조 염기, OpenGenome2 — 모든 생물 영역. 학습 데이터는 새로 구축한 OpenGenome2다. 12.8만⁠(128,000)개 이상의 유전체와 메타지놈⁠(metagenome) 데이터에서 추린 9.3조⁠(9.3 × 10¹²) 염기로, 박테리아·고세균·박테리오파지뿐 아니라 사람·식물 등 진핵생물까지 포함한다. Evo 1이 사실상 원핵생물에 머물렀던 데 비해, 진핵생물 유전체를 본격 포함한 것이 Evo 2의 결정적 확장이다. 학습에는 NVIDIA H100 GPU 2,000여 장이 수개월 동안 동원됐다.

③ 100만 bp 컨텍스트 · 단일염기 해상도. Evo 2는 염기 하나하나를 개별 토큰으로 본다⁠(단일염기 해상도). 압축이나 k-mer 묶음 없이 A·C·G·T를 그대로 읽기에, 단일염기 변이⁠(SNV) 한 글자의 차이까지 분해한다. 동시에 컨텍스트가 최대 100만 염기쌍에 이르러, 유전자 하나가 아니라 유전자·프로모터·인핸서·인트론을 아우르는 넓은 맥락을 한 시야에 담는다. "한 글자도 놓치지 않으면서, 동시에 멀리까지 본다" — 이 두 마리 토끼가 변이 예측과 유전체 생성 모두의 토대가 된다.

▲ 9.3조 염기를 학습한 하나의 모델이 예측·생성·해석을 모두 수행한다.

4. 주요 결과 — 예측·생성·해석

① 제로샷 변이효과 예측 — BRCA1을 학습 없이 읽다. 가장 주목받은 결과다. Evo 2는 변이 데이터로 따로 학습하지 않고도⁠(zero-shot), 어떤 돌연변이가 해로운지 점수를 매긴다. 원리는 우아하다 — 모델이 "이 서열은 자연스럽다"고 보는 정도⁠(서열 우도, likelihood)가, 곧 진화적으로 허용되는지의 척도가 된다. 진화가 걸러낸 자리를 망가뜨리는 변이일수록 모델이 "어색하다"고 판단한다.

유방암·난소암 유전자 BRCA1에서, Evo 2는 변이의 병원성/양성을 90% 이상 정확도로 가려냈다. 정량적으로는 BRCA1 단일염기 변이 전체에 대해 AUROC 0.95·AUPRC 0.86을 기록했다. 특히 의미가 큰 지점은 비번역⁠(noncoding)·스플라이싱⁠(splicing) 변이다 — 단백질 서열만 보는 모델은 손도 못 대는 이 영역에서, Evo 2는 ClinVar·SpliceVarDB 등 임상 데이터셋에서 기존 최고⁠(state-of-the-art) 성능을 세웠다. DNA 층을 직접 모델링한 보람이 가장 선명하게 드러난 대목이다.

평가 항목	Evo 2 성능	의미
BRCA1 병원성/양성	정확도 90%+, AUROC 0.95	학습 없이⁠(zero-shot) 임상 변이 분류
비번역⁠(noncoding) 변이	SOTA (기존 최고)	단백질 모델이 못 보는 영역
스플라이싱 변이	최고 수준 zero-shot	엑손·인트론 양쪽 모두
적용 범위	코딩 + 비번역 + 스플라이스	DNA 층 전반

② 생성 — 유전체 '규모'로 DNA를 쓰다. Evo 2는 읽기만 하지 않는다. 조건을 주면 유전체 규모의 새 서열을 만든다. 단순히 그럴듯한 염기를 잇는 수준이 아니라, 실제 유전체가 갖는 구조 — 코딩 영역·tRNA·프로모터 — 를 갖춘 서열을 생성한다.

• 최소 박테리아 유전체: Mycoplasma genitalium (알려진 가장 작은 자율생존 세균 중 하나)의 최소 유전체를 본떠 약 58만 염기⁠(580kb) 규모를 생성. 생성된 유전자의 약 70%가 알려진 단백질 패밀리⁠(Pfam)와 일치 — Evo 1의 18%에서 크게 도약했다.
• 진핵생물 염색체: 약 33만 염기⁠(330kb) 규모의 진핵 염색체 조각을 생성, 인트론·프로모터·tRNA를 갖춘 유전자를 담았다.
• 미토콘드리아 유전체: 미토콘드리아 서열을 프롬프트로 주면 코딩 유전자·tRNA·rRNA의 개수가 맞는 DNA를 생성.
• 에피지놈⁠(epigenome) 유도 설계: 염색질 접근성 예측기 Enformer·Borzoi를 추론 시점 안내자로 결합해 원하는 염색질 접근성 패턴을 갖는 서열을 설계 — 시연으로 에피지놈 구조 안에 모스 부호 메시지를 새기는 묘기까지 보였다.

③ 해석가능성 — SAE로 모델 속 '생물학'을 꺼내다. Evo 2가 왜 잘 맞히는지 들여다보기 위해, 연구진은 희소 오토인코더⁠(sparse autoencoder, SAE)로 모델 내부 표현을 분해했다⁠(Goodfire와 협업, 모델 26번째 층에 BatchTopK SAE 적용). 결과는 인상적이다 — 생물학 라벨을 전혀 주지 않았는데도, 개별 잠재 차원이 사람이 읽을 수 있는 생물학적 개념에 대응했다.

• 엑손–인트론 경계, 전사인자 결합 모티프⁠(motif)
• 분자 수준: 단백질 2차구조(α-나선·β-시트)에 반응하는 피처
• 개체 수준: 박테리아 유전체의 프로파지⁠(prophage)·CRISPR 영역

특히 한 피처는 사람뿐 아니라 털매머드⁠(woolly mammoth) 유전체의 엑손–인트론 구조까지 짚어냈고, 코딩 영역 피처는 박테리아 ORF에서도 활성화됐다 — 종을 가로지르는 보편 표현을 학습했다는 증거다.

▲ 규모·컨텍스트·제로샷 변이예측 성능을 한눈에. 수치 출처는 원논문·Arc 블로그.

⚠️ '유전체를 그렸다'와 '유전체를 만들었다'는 다르다. Pfam 일치 70%·구조가 맞는 생성 서열은 인상적이지만, 컴퓨터가 만든 DNA가 살아 있는 세포에서 실제로 작동한다는 보장은 별개다. Evo 2가 보인 것은 "유전체 규모의 그럴듯한 서열 생성·강력한 변이 예측"까지이지, 새 생명을 합성했다는 뜻이 아니다⁠(아래 6장).

5. 비교·관련 연구 — Evo 1, 그리고 단백질·구조 모델과의 층위

Evo 2의 위치는 두 축으로 봐야 한다 — 세로⁠(Evo 1 → Evo 2의 진화)와 가로⁠(어느 생물학 '층'을 다루는가).

Evo 1 vs Evo 2 — 무엇이 달라졌나. 같은 계보지만 규모가 다르다. Evo 1은 7B·13.1만 컨텍스트로 원핵생물·파지 3,000억 염기에 머물렀다. Evo 2는 40B·100만 컨텍스트로 진핵생물을 포함한 9.3조 염기를 학습한다 — 데이터 약 30배, 컨텍스트 약 8배. 생성 충실도도 Pfam 일치율 18% → 70%로 뛰었다. 한마디로 Evo 2는 "원핵 전용 도구"를 "전⁠(全) 생물 영역 도구"로 확장한 판이다.

기준	Evo 1 (2024, Science)	Evo 2 (2025→26, Nature)
파라미터	7B	7B·40B
컨텍스트	131k bp	1M bp (약 8배)
학습량	3,000억 염기	9.3조 염기 (약 30배)
대상 생물	원핵·파지 중심	+ 진핵생물⁠(사람·식물 등)
아키텍처	StripedHyena	StripedHyena 2
생성 Pfam 일치	18%	70%

DNA-LM vs 단백질-LM vs 구조 모델 — 다루는 '층'이 다르다. Evo 2와 ESM3·AlphaFold를 "경쟁자"로 묶는 건 오해를 부른다. 서로 다른 층을 다루기 때문이다. 중심원리를 따라가면 위치가 분명해진다.

모델	입력 언어	다루는 층	대표 능력
Evo 2	DNA 염기서열⁠(A·C·G·T)	유전체⁠(가장 상류)	변이 예측·유전체 생성·조절영역
ESM3	아미노산 서열	단백질⁠(서열·구조·기능)	단백질 생성·기능 예측
AlphaFold	아미노산 서열⁠(+MSA)	단백질 구조	3차구조 예측

AlphaFold3가 DNA·RNA를 구조 예측의 입력으로 받아들이긴 하지만, 그것은 "이 DNA가 어떤 3차구조를 이루는가"를 푸는 일이다. Evo 2는 그보다 위 — "DNA 서열 자체가 무엇을 의미하고, 어떻게 써야 하는가" — 를 다룬다. 가장 상류의 언어를 직접 모델링한다는 점이 Evo 2의 고유한 자리다. 단백질 모델이 닿지 못하는 비번역·조절·변이가 그 영역에서만 풀리기 때문이다.

▲ Evo 2는 중심원리의 가장 상류인 'DNA 층'을 직접 다루는 유일한 자리에 선다.

6. 의의와 한계 — 솔직하게 읽기

의의. Evo 2는 두 가지에서 분명한 진전이다. 첫째, 단백질 너머 DNA 층으로 AI 생물학의 전선을 끌어올렸다 — 특히 비번역·스플라이싱 변이를 zero-shot으로 SOTA 수준에 올린 것은 임상 유전학에 실질적 가치가 있다. 둘째, 개방성이다. 가중치·학습 데이터⁠(OpenGenome2)·코드를 Apache-2.0으로 전면 공개했다 — 비공개로 비판받은 AlphaProteo와 정면으로 대비되며, 누구나 재현·검증·확장할 수 있다.

그러나 한계도 분명하다.

① 생성 충실도는 아직 '닮음'의 단계. Pfam 일치 70%는 큰 도약이지만, 뒤집으면 30%는 알려진 단백질 패밀리에 맞지 않는다는 뜻이다. 더 중요하게는 "실험실에서 실제로 작동하는 유전체"는 아니다 — 컴퓨터가 만든 서열이 살아 있는 세포에서 기능한다는 보장은 별개의 검증을 요한다.

② 평가가 본질적으로 어렵다. 생성된 100만 염기 서열이 "좋은지"를 가릴 정답이 없다. Pfam 일치율·구조 예측 같은 간접 지표⁠(proxy)에 의존할 수밖에 없어, 성능을 단일 숫자로 못 박기 어렵다.

③ 바이오안보⁠(biosecurity). 강력한 유전체 생성 능력은 양날의 칼이다. 연구진은 이를 의식해 사람·복합생물을 감염시키는 병원체를 학습 데이터에서 제외했고, 별도의 안전 평가를 수행했다. 다만 모델을 전면 공개한 만큼, 개방성과 오용 위험 사이의 균형은 이 분야가 계속 마주할 숙제다.

④ '예측 점수'와 '인과 이해'는 다르다. SAE로 피처를 찾았다 해도, 모델이 변이를 잘 맞히는 것은 어디까지나 진화적 우도라는 상관⁠(correlation)에 기댄다. "왜 이 변이가 병을 일으키는가"의 분자 기전⁠(mechanism)을 설명하는 것과는 구별해야 한다.

⑤ 과장 경계. "AI가 생명을 설계한다"류의 헤드라인은 조심해서 읽자. Evo 2가 보인 것은 "유전체 규모의 그럴듯한 서열을 생성하고, 변이를 잘 예측한다"까지다. 새 생명을 합성했다거나 인공 생물을 만들었다는 것이 아니다. 현 단계에서 Evo 2는 강력한 예측·설계 보조 도구다.

🇰🇷 국내 동향 한 줄. 한국도 한국인 참조유전체·국가 바이오 빅데이터 구축과 유전체 AI 연구가 진행 중인데, Evo 2처럼 공개된 유전체 파운데이션 모델은 자체 데이터를 미세조정⁠(fine-tuning)해 한국인 특이 변이 해석에 곧장 활용할 토대가 된다.

✍️ 한 줄 인사이트
(개인 의견 — 위 사실 정리와 분리해 적는다.)
Evo 2의 진짜 메시지는 "AI 생물학이 마침내 가장 상류인 DNA 언어에 도달했다"는 것이다. 단백질⁠(ESM)·구조⁠(AlphaFold)·결합체⁠(AlphaProteo)가 모두 중심원리의 하류를 다뤘다면, Evo 2는 그 원본 코드를 직접 읽고 쓴다. 다만 나는 이 모델을 "생성기"보다 "해독기"로 먼저 기억하려 한다 — 유전체를 그려내는 묘기보다, 비번역·스플라이싱 변이를 zero-shot으로 읽어낸 것이 임상에 훨씬 가깝고 검증 가능한 가치이기 때문이다. 그리고 무엇보다 가중치까지 전면 공개했다는 사실. AlphaProteo의 폐쇄성과 같은 해에 나란히 놓고 보면, "누가 가장 강한 모델을 만드느냐"만큼 "그 모델을 누구나 검증·확장할 수 있느냐"가 이 분야의 신뢰를 가른다 — Evo 2는 후자에서 옳은 쪽에 섰다.

References

1. Brixi, G., Durrant, M. G., Ku, J., et al. (2025/2026). Genome modeling and design across all domains of life with Evo 2. Nature (2026); bioRxiv 2025.02.18.638918. doi:10.1038/s41586-026-10176-5 (Arc Institute · NVIDIA · Stanford)
2. Arc Institute (2025.2). AI can now model and design the genetic code for all domains of life with Evo 2 (news). — 9.3조 염기, 12.8만 유전체, 100만 bp, H100 2,000장, BRCA1 90%+, 사람 병원체 제외, Apache-2.0.
3. Nguyen, E., Poli, M., Durrant, M. G., et al. (2024). Sequence modeling and design from molecular to genome scale with Evo. Science 386, eado9336. doi:10.1126/science.ado9336 (Evo 1)
4. Ku, J., Nguyen, E., Romero, D., et al. (2025). Systems and algorithms for convolutional multi-hybrid language models at scale. arXiv 2503.01868. (StripedHyena 2)
5. Goodfire AI × Arc Institute (2025). Interpreting Evo 2 — 희소 오토인코더⁠(SAE) 해석가능성: 레이어 26 BatchTopK, 엑손/인트론·단백질 2차구조·프로파지.
6. Hayes, T., Rao, R., Akin, H., et al. (2025). Simulating 500 million years of evolution with a language model (ESM3). Science 387, 850–858. (단백질-LM 비교)
7. Avsec, Ž., et al. (2021). Effective gene expression prediction from sequence (Enformer). Nature Methods 18, 1196–1203. (염색질/발현 예측, Evo 2 생성 유도에 활용)

🎓 다음 학습
• (예측) AlphaFold2 (Jumper 2021) — 구조 예측의 출발점
• (설계) 단백질 설계⁠(de novo)란? — 없던 단백질을 만든다는 것
• (맥락) AI 신약개발 — 어디까지 왔나 — 유전체·단백질 AI가 약이 되기까지

Pipette & Pipeline · A bio portfolio journal