Figure 1. Model overview, training, and global benchmarks

Panel A — AlphaGenome의 전체 아키텍처와 예측 대상

Figure 1A. 약 1 Mb 입력, encoder–transformer–decoder backbone, 그리고 modality별 해상도와 track 수를 요약합니다.

가장 먼저 패널 A에서는 AlphaGenome의 전체 아키텍처와 예측 대상이 요약되어 있습니다.
이 모델은 약 1 Mb, 즉 약 백만 개 길이의 DNA 서열을 입력으로 받습니다.
그리고 이 긴 입력 서열을 encoder, transformer, decoder를 거쳐 처리한 뒤, 아래에 제시된 여러 functional genomics modality를 동시에 예측합니다.

중요한 점은 이 모델이 단일 output만 예측하는 것이 아니라,
RNA-seq, CAGE, DNase, ATAC, histone modification, TF binding, splice site, splice junction, contact map까지
총 11가지 modality와 매우 많은 track을 한 번에 예측한다는 점입니다.

예를 들어 RNA-seq의 경우 1 bp 단위로 사람에서는 667개, 마우스에서는 173개의 track을 동시에 예측합니다.
여기서 말하는 track은 brain, blood, cell line 같은 조직·세포 유형·세포주별 출력 채널이라고 이해하면 됩니다.

또 출력 해상도는 task에 따라 다르게 설정됩니다.
대부분의 RNA 관련 task는 1 bp 수준으로 예측하고, histone modification이나 TF binding 같은 task는 128 bp로 설정합니다.
DNA contact map은 더 거친 2,048 bp 해상도를 사용합니다.

핵심은 AlphaGenome이 **1 Mb의 긴 DNA 문맥**을 입력으로 받아 여러 modality와 방대한 track을 하나의 framework 안에서 동시에 예측하면서도, 각 task의 특성에 맞게 출력 해상도를 다르게 설계했다는 점입니다.

Panel B–C — 학습 데이터 증강, fold split, distillation

Figure 1B–C. 데이터 증강, fold split, 그리고 teacher → student distillation의 전체 흐름입니다.

다음으로 패널 B에서는 모델이 어떻게 학습되는지를 보여줍니다.
여기서 sample 1-Mb intervals는 실제 학습에 들어가는 입력 DNA 구간을 뜻합니다.

학습 과정에서는 두 가지 데이터 증강을 사용합니다.

1. Random shift
   입력 DNA 서열과 그에 대응하는 출력 track을 함께 조금씩 이동시켜,
   모델이 특정 절대 좌표에 과도하게 의존하지 않도록 합니다.

2. Reverse complement augmentation
   50% 확률로 reverse complement를 적용해서,
   DNA가 double-stranded molecule이라는 점을 반영하고 한 방향 representation에만 치우치지 않도록 합니다.

학습 자체는 fold split 방식으로 진행됩니다.
유전체를 여러 fold로 나누고, 특정 fold는 평가에만 사용하고 나머지 fold로 학습하는 식입니다.
즉, 어떤 구간을 평가에 썼다면 그 구간은 학습에 다시 넣지 않고, 이 과정을 반복해서 여러 개의 teacher model을 얻게 됩니다.

그 다음 패널 C에서는 이렇게 얻은 여러 teacher model을 실제 배포 가능한 하나의 student model로 압축합니다.
teacher를 그대로 앙상블하면 계산 비용이 너무 크기 때문에,
저자들은 knowledge distillation을 통해 단일 student가 teacher ensemble의 예측 패턴을 따라 배우도록 합니다.

Distillation 상세 도식. 여러 teacher의 soft label을 student가 모방하고, 동시에 hard label도 함께 사용합니다.

여기서 student는 정답 데이터만 직접 배우는 것이 아니라,
여러 teacher model이 만들어낸 soft label까지 함께 학습합니다.
또 distillation 단계에서는 random mutations를 섞어서,
서열이 조금 바뀌었을 때 teacher가 어떻게 반응하는지도 함께 모방하게 만듭니다.

이 전략은 단순히 모델을 작게 만드는 것뿐 아니라,
variant effect 예측까지 더 robust하게 만들기 위한 장치라고 볼 수 있습니다.

Panel D–E — 전반적인 benchmark 성능

Figure 1D는 genome track prediction, Figure 1E는 variant effect prediction benchmark를 요약합니다.

패널 D는 fold-split 모델을 이용해서 전반적인 genome track prediction 성능을 평가한 결과입니다.
표의 왼쪽에는 어떤 modality와 task를 평가했는지, metric이 무엇인지, 그리고 어떤 resolution에서 평가했는지가 나와 있습니다.
여기서 value는 AlphaGenome 자체의 절대 성능이고, 오른쪽 comparison은 기존 최고 모델 대비 얼마나 향상되었는지를 의미합니다.

핵심은 대부분의 genome track prediction task에서 AlphaGenome이 기존 모델보다 더 좋은 성능을 보였다는 점입니다.
논문 요약 기준으로는 24개 task 중 22개에서 SOTA를 달성했다고 정리할 수 있습니다.

패널 E는 variant effect prediction 결과입니다.
즉, 변이가 생겼을 때 발현량, splicing, accessibility, TF binding 같은 출력이 어떻게 달라지는지를 예측하는 task입니다.
여기서 direction은 증가·감소의 방향을 맞추는 것이고, correlation은 변화의 크기까지 포함한 연속적인 패턴을 얼마나 잘 맞추는지를 보는 지표로 이해하면 됩니다. 직관적으로 y = ax + b로 보면 direction은 기울기 a의 부호에 가깝고, correlation은 점들이 그 선형 관계를 얼마나 일관되게 따르는지를 반영합니다. 또한 panel D의 benchmark setup은 뒤의 Figure 2에서 다시 이어지고, panel E의 benchmark 결과 해석은 Figure 3, 4, 5에서 더 구체적으로 확장됩니다.

이 variant effect prediction에서도 AlphaGenome은 대부분의 benchmark에서 기존 모델보다 더 좋은 성능을 보였고,
논문 요약 기준으로는 26개 task 중 25개에서 최고 성능을 기록했습니다.

Figure 1 전체의 메시지는 명확합니다. AlphaGenome은 다양한 modality를 동시에 다루는 **generalist model**이면서도, 단순한 genome track prediction뿐 아니라 **variant effect prediction에서도 매우 강한 성능**을 보입니다.