🤖 machine learning

MIMIC: A Generative Multimodal Foundation Model for Biomolecules

MIMIC은 핵산, 단백질, 구조, 진화 등 다양한 생체 분자 양식(modality)을 통합 학습한 멀티모달 생성 파운데이션 모델로, 결측된 생체 정보를 복원하거나 특정 조건에 맞춘 정밀한 분자 설계 및 예측을 수행할 수 있는 통합 프레임워크입니다.

원저자: Siavash Golkar, Jake Kovalic, Irina Espejo Morales, Samuel Sledzieski, Minhuan Li, Ksenia Sokolova, Geraud Krawezik, Alberto Bietti, Claudia Skok Gibbs, Roman Klypa, Shengwei Xiong, Francois Lanusse

게시일 2026-04-28

📖 2 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Siavash Golkar, Jake Kovalic, Irina Espejo Morales, Samuel Sledzieski, Minhuan Li, Ksenia Sokolova, Geraud Krawezik, Alberto Bietti, Claudia Skok Gibbs, Roman Klypa, Shengwei Xiong, Francois Lanusse, Liam Parker, Kyunghyun Cho, Miles Cranmer, Tom Hehir, Michael McCabe, Lucas Meyer, Rudy Morel, Payel Mukhopadhyay, Mariel Pettee, Helen Qu, Jeff Shen, David Fouhey, Hadi Sotoudeh, Vikram Mulligan, Pilar Cossio, Sonya M. Hanson, Alisha N. Jones, Olga G. Troyanskaya, Shirley Ho

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

1. 기존 AI의 문제점: "각 분야의 전문가들만 있고, 전체를 보는 사람은 없다"

지금까지의 생물학 AI들은 마치 **'특정 요리만 기가 막히게 잘하는 요리사들'**과 같았습니다.

어떤 AI는 '재료(DNA)'만 잘 알고,
어떤 AI는 '레시피(RNA)'만 잘 알고,
어떤 AI는 '완성된 요리(단백질)'의 맛만 평가할 줄 알았죠.

하지만 실제 요리(생명 현상)는 이 모든 게 톱니바퀴처럼 맞물려 돌아갑니다. 재료가 바뀌면 레시피가 바뀌고, 레시피가 바뀌면 요리의 맛과 모양이 완전히 달라지니까요. 기존 AI들은 이 연결고리를 이해하지 못해서, "재료를 이렇게 바꾸면 최종 요리가 어떻게 변할까?"라는 질문에 제대로 답하지 못했습니다.

2. MIMIC의 등장: "생명의 모든 과정을 이해하는 '만능 셰프'"

이번에 발표된 MIMIC은 이 모든 과정을 한꺼번에 이해하는 **'만능 통합 셰프'**입니다.

MIMIC은 단순히 재료만 보는 게 아니라, **"이 재료로 이 레시피를 써서, 이런 환경(온도, 습도 등)에서 요리하면 어떤 맛이 날까?"**를 통째로 계산할 수 있습니다.

LORE (데이터셋): 이 셰프를 교육시키기 위해 연구진은 엄청난 양의 데이터를 모았습니다. 마치 전 세계의 모든 식재료, 레시피, 요리 환경 데이터를 한데 모아놓은 **'거대한 백과사전'**을 만든 것과 같습니다.
Split-Track (구조): 이 모델은 DNA, RNA, 단백질이라는 서로 다른 성격의 데이터를 각각의 전용 트랙으로 처리하면서도, 이들이 서로 어떻게 영향을 주고받는지 실시간으로 연결해서 학습합니다.

3. MIMIC이 할 수 있는 놀라운 일들 (활용 사례)

이 '만능 셰프'는 단순히 예측만 하는 게 아니라, **'창조'**와 **'수리'**까지 할 수 있습니다.

🧬 고장 난 설계도 수리하기 (RNA 디자인):
유전자에 병을 일으키는 '오타'가 생겼다고 해봅시다. 기존에는 오타 하나만 고치려다 요리를 망치기 일쑤였죠. 하지만 MIMIC은 **"오타는 그대로 두더라도, 주변의 다른 재료를 살짝 바꿔서 결과적으로는 원래의 맛(정상 기능)이 나게 만드는 법"**을 찾아냅니다. (마치 소금이 너무 많이 들어갔을 때, 설탕을 넣어 맛의 균형을 맞추는 것과 같습니다.)
💊 맞춤형 약물 설계 (단백질 디자인):
"특정 바이러스(예: 코로나)의 표면에 딱 달라붙는 아주 특별한 단백질을 만들어줘!"라고 주문하면, MIMIC은 그 표면의 모양과 화학적 성질을 분석해서 가장 완벽하게 결합할 수 있는 새로운 단백질 설계도를 그려냅니다.
🌡️ 환경에 따른 변화 예측:
"세포 안의 온도가 바뀌거나 실험 조건이 달라지면 RNA 구조가 어떻게 변할까?" 같은 복잡한 질문에도, MIMIC은 그 **'상황(Context)'**을 고려해서 정확하게 대답합니다.

4. 요약하자면

이 논문은 생명체를 **'단편적인 정보의 조각'**이 아니라, **'서로 긴밀하게 연결된 하나의 거대한 시스템'**으로 바라보는 새로운 눈을 제시했습니다.

MIMIC이라는 이 만능 AI 덕분에, 우리는 앞으로 질병의 원인을 더 정확히 파악하고, 환자 맞춤형 유전자 치료제를 설계하며, 인류에게 필요한 새로운 단백질을 만드는 과정을 훨씬 더 빠르고 정확하게 진행할 수 있게 될 것입니다.

[기술 요약] MIMIC: 생체 분자를 위한 생성형 멀티모달 파운데이션 모델

1. 문제 정의 (Problem Statement)

기존의 생물학적 파운데이션 모델들은 다음과 같은 한계점을 가지고 있습니다:

모달리티의 파편화 (Siloed Experts): 대부분의 모델이 단일 모달리티(예: 단백질 서열만, 또는 DNA 서열만)에 집중되어 있어, 생명 현상의 핵심인 '중심 원리(Central Dogma: DNA $\rightarrow$ RNA $\rightarrow$ Protein)'의 상호 연결성을 포착하지 못합니다.
순방향 예측 위주의 학습 (Forward-only Prediction): 서열에서 표현형을 예측하는 데 치중하여, "특정 구조나 기능을 가진 서열은 무엇인가?"와 같은 역방향 설계(Inverse Design) 문제 해결에 취약합니다.
데이터의 이질성 (Data Heterogeneity): 생물학적 데이터는 서열, 구조, 진화적 신호, 실험적 맥락(세포 유형, 실험 조건) 등 데이터의 형태와 좌표계가 매우 달라 이를 통합적으로 학습하기가 매우 어렵습니다.

2. 방법론 (Methodology)

A. LORE 데이터셋 구축

MIMIC 학습을 위해 저자들은 **LORE(Linked Observational Resource for Entities)**라는 대규모 멀티모달 데이터셋을 직접 큐레이션했습니다.

규모: 약 1,550만 개의 단백질, 1,300만 개의 RNA 전사체, 40억 개의 텍스트 토큰 포함.
특징: 서로 다른 데이터 소스(GenBank, UniProt, PDB 등)에서 온 데이터를 동일한 생물학적 엔티티(Entity)를 기준으로 정렬(Alignment)하여, 서열-구조-진화-맥락이 결합된 '스냅샷' 형태로 구성했습니다.

B. MIMIC 모델 아키텍처

MIMIC은 10억 개(1B) 파라미터를 가진 Split-track Encoder-Decoder Transformer 구조를 채택했습니다.

Split-track Encoder: 서로 다른 좌표계를 가진 데이터를 효율적으로 처리하기 위해 '트랙' 개념을 도입했습니다.
- Nucleic Acid Track: 핵산 서열, 구조, 진화적 보존성(phyloP) 등을 요소별(element-wise)로 합산하여 하나의 트랙으로 관리합니다.
- Protein Track: 아미노산 서열, 2차 구조, 3차 구조(ESM3 토크나이저 활용), 표면 화학 특성(MaSIF) 등을 합산합니다.
- Semantic/Contextual Track: 세포 유형, 실험 조건 등을 자연어 텍스트 형태로 입력받아 결합합니다.
Asymmetric Decoder: 인코더는 긴 문맥(10,000 토큰)을 처리하고, 디코더는 생성할 타겟(1,000 토큰)에 집중하는 비대칭 구조를 통해 효율성을 높였습니다.
Register Tokens: 전역적인 생물학적 상태를 압축하여 저장하는 학습 가능한 토큰을 사용하여 멀티모달 정보를 통합합니다.

C. 학습 전략 (Training Curriculum)

Staged Curriculum: 문맥 길이를 1k에서 10k까지 단계적으로 늘려가며 학습하여 국소적 특징부터 장거리 조절 관계까지 학습하도록 유도했습니다.
Heuristic Pathway Sampling: 데이터마다 존재하는 모달리티의 조합(약 25가지 경로)을 고려하여, 희귀하지만 가치 있는 데이터(예: 구조와 스플라이싱 데이터가 동시에 있는 경우)를 효과적으로 샘플링했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 상태 최첨단(SOTA) 성능 달성

서열 재구성 (Sequence Completion): 구조 및 표면 정보를 조건(Conditioning)으로 주었을 때, 단일 서열 모델(ESM-2 등)보다 훨씬 높은 정확도로 단백질 및 RNA 서열을 복원했습니다.
하향식 속성 예측 (Downstream Task): PFMBench(단백질)와 mRNABench(RNA)에서 기존 전문 모델들을 능가하는 성능을 보였습니다. 특히 단백질-리간드 결합 예측과 RNA 번역 조절 예측에서 강점을 보였습니다.
변이 효과 예측 (VEP): 단순히 임베딩을 사용하는 대신, 모델이 예측한 진화적 보존성(phyloP)의 변화량을 활용함으로써 변이의 병원성을 훨씬 정확하게 예측했습니다.

B. 멀티모달 조건부 설계 (Conditional Design)

RNA 스플라이싱 설계: 병원성 변이가 포함된 서열을 고정한 상태에서, 정상적인 스플라이싱 패턴을 회복할 수 있는 보상적 서열(Compensatory edits)을 설계하는 데 성공했습니다.
단백체 결합체 설계 (Protein Binder Design): 표적 단백질의 구조(Backbone)와 화학적 표면 특성(MaSIF)을 동시에 조건으로 주었을 때, 높은 구조적 안정성(pLDDT)과 결합력을 가진 다양한 서열을 생성했습니다.

C. 실험적 맥락의 활용

자연어 설명을 통해 실험 조건(예: in vivo vs in vitro)을 입력받아 RNA의 화학적 반응성(RASP2)을 예측함으로써, 실험 환경에 따른 RNA 2차 구조의 변화를 모델링할 수 있음을 증명했습니다.

4. 의의 (Significance)

MIMIC은 생물학적 파운데이션 모델의 패러다임을 **'단일 모달리티 기반의 예측기'**에서 **'멀티모달 기반의 통합적 추론 및 설계 도구'**로 전환시켰습니다.

통합적 이해: DNA, RNA, 단백질을 관통하는 생물학적 연결 고리를 하나의 모델로 학습할 수 있음을 보여주었습니다.
양방향성: 예측(Prediction)과 설계(Design)를 동일한 생성적 프레임워크 내에서 수행할 수 있는 강력한 도구를 제공합니다.
실용적 가치: 신약 개발(단백질 결합체 설계), 유전병 연구(스플라이싱 변이 교정) 등 실제 바이오 의학 분야의 난제를 해결할 수 있는 기초 기술로서의 가능성을 제시했습니다.