유전체 파운데이션 모델이 서열을 잘 담아내더라도, 그 표현이 바이오안보 관련 신호를 얼마나 직접 읽을 수 있는지는 따로 검증해야 한다. 이 arXiv 프리프린트는 Evo 2-7B-262k의 layer-26 활성값을 고정한 뒤, 모델을 미세조정하지 않고 최소한의 선형 프로브와 단일 헤드 어텐션 프로브만 학습해 메타게놈 데이터에서 항생제 내성(AMR) 신호를 가려낼 수 있는지 살폈다.
데이터는 세 갈래다. MGnify의 메타게놈 조립 유전체에서 뽑은 CDS와 그 주변 염기서열, VFDB의 bacterial virulence CDS, 그리고 Evo 1.5가 생성한 SynGenome 서열이다. AMR 이진 과제는 2,229개의 positive-negative pair를, VFDB bacterial virulence 과제는 7,325쌍을 썼다. AMR에서는 같은 MAG 안에서 양성 CDS와 1:1 음성 CDS를 맞췄고, 길이는 ±20%, GC 함량은 ±0.05 범위로 맞췄다. 학습·검증·시험은 서로 겹치지 않게 나눴다.
성과는 AMR에서 가장 뚜렷했다. held-out metagenomic test set에서 AMR binary region-level ROC-AUC는 선형 프로브가 평균풀링 기준 0.888, 어텐션 프로브가 0.977이었다. 같은 틀의 세부 drug-class 분류에서는 glycopeptide 0.996, macrolide 0.994, beta-lactam 0.998, aminoglycoside 0.989, phenicol 0.992의 in-distribution ROC-AUC를 보였다. 이들 프로브를 NEG, STRESS, VIRULENCE 같은 다른 음성 풀에 옮겨도 대체로 높은 AUC를 유지했지만, beta-lactam의 VIRULENCE 전이 AUC는 0.783으로 낮았다.
bacterial virulence도 읽히긴 했지만 AMR보다 약했다. VFDB bacterial virulence의 region-level ROC-AUC는 0.833이었다. SynGenome에서는 AMR-associated prompt label을 Evo 1.5-generated sequences에서 복원하려 했으나 성능이 낮았다. 같은 분포 안에서 선형 프로브의 ROC-AUC는 0.599, F1은 0.663이었고, 이 F1은 균형 시험셋에서 전부 양성으로 예측했을 때의 0.667을 넘지 못했다. 연구진은 prompt-derived label이 생성된 response sequence의 기능을 직접 입증하는 것은 아니라고도 적었다.
실제 조립 전 단계에 가까운 조건도 시험했다. InSilicoSeq의 MiSeq error model로 평균 길이 약 301 bp의 short reads 1,340개를 시뮬레이션해, 학습된 AMR 선형 프로브를 그대로 적용했다. 재학습 없이 read-level ROC-AUC 0.898, F1 0.809을 얻었지만, 이는 시뮬레이션 읽기에서의 결과다. 보조적으로 Goodfire sparse autoencoder도 살폈고, macrolide 저항과 연관된 몇몇 latent dimension이 보였지만, short-read 입력에서는 input embedding과 reconstructed embedding 사이의 L2 reconstruction error가 zero-vector baseline 대비 약 25%였다.
논문은 이러한 결과를 바탕으로, frozen embedding에서 읽어내는 가벼운 프로브가 메타게놈 생물안보 스크리닝의 첫 관문이 될 수 있다고 정리한다. 그러나 시뮬레이션 읽기는 실제 샘플보다 낙관적일 수 있고, SynGenome의 prompt label도 생성 서열의 기능을 곧장 뜻하지 않는다. 논문 작성진은 AIxBio Hackathon 2026의 일환으로 이 작업을 수행했다고 밝혔다.
저작권자 © STORIUM 무단전재 및 재배포 금지
