AIVARI: 근거까지 설명하는 변이 해석 AI 어시스턴트

AI First Review. Your Expert Judgment.

WES와 WGS 분석에서 중요한 후보 변이를 찾는 일은 임상 유전체 해석의 시작에 불과합니다.

분석자는 후보 변이의 병원성뿐 아니라 환자의 임상 표현형, 유전 양상, 질환의 발생 기전 등을 종합해 해당 변이가 실제 환자의 질환을 설명할 수 있는지 판단해야 합니다. 이러한 검토 과정에는 여러 데이터베이스의 근거를 확인하고, 서로 다른 정보를 연결해 해석하는 작업이 필요합니다.

AIVARI(AI Variant Reportability and Interpretation Agent)는 이 과정에서 임상 전문가의 초기 검토를 지원하도록 개발된 AI 기반 변이 해석 어시스턴트입니다. GEBRA의 변이 분석 및 우선순위화 결과를 바탕으로 후보 유전자와 질환 가설을 평가하고, 판단 결과뿐 아니라 이를 뒷받침하는 근거와 임상적 설명을 함께 제공합니다.

자주 묻는 질문 (FAQ)

Q1. AIVARI는 일반적인 변이 우선순위화 도구인 3ASC와 어떻게 다른가요?

A. AIVARI는 사전 선별된 후보에 대해 변이 병원성, 환자 표현형, 유전 양상 및 관련 근거를 종합해 임상 보고 가능성을 평가하고 그 판단 이유를 제시합니다.

Q2. AI Interpretation Basis에서 어떤 정보를 확인할 수 있나요?

A. Variant Pathogenicity, Clinical Phenotype Fit, AI Diagnostic Rationale, Recommendations / Next Steps의 네 영역으로 구성된 근거와 설명을 확인할 수 있습니다.

Q3. AIVARI의 Report 판단은 확진을 의미하나요?

A. 아닙니다. Report는 해당 소견의 임상 보고를 고려할 것을 제안하는 AI 판단입니다. 최종적인 진단 및 보고 여부는 임상 전문가가 결정합니다.

Q4. AIVARI의 95.6%는 진단 정확도인가요?

A. 아닙니다. 235건 공통 비교 집합에서 측정한 case-level Group Sensitivity입니다. 실제 보고 가능한 후보를 시스템이 적어도 하나 이상 올바르게 식별했는지를 평가한 수치입니다.

1. 변이 우선순위화 이후에도 해석이 필요한 이유

변이 해석 소프트웨어는 ACMG/AMP 분류, 변이 빈도, 기능적 영향, 환자의 HPO 표현형 등 다양한 정보를 활용해 후보의 우선순위를 정합니다. 하지만 높은 순위의 후보가 반드시 해당 환자의 질환을 설명하는 것은 아닙니다.

예를 들어, Likely Pathogenic으로 분류된 변이 우선순위화에서 high, mid 변이라도 환자의 임상 표현형과 유전 양상이 해당 질환과 얼마나 일치하는지 별도로 검토해야 합니다. 또한 질환의 전형적인 증상이 아직 확인되지 않았더라도 충분한 분자적 근거가 있다면 추가적인 임상 평가가 필요할 수 있습니다.

이것이 Variant Prioritization과 Clinical Interpretation의 차이입니다.

AIVARI는 기존 분석 결과를 바탕으로 후보가 환자의 질환을 설명할 수 있는지를 추가로 평가하고, 임상 전문가가 검토할 수 있도록 초기 판단과 근거를 제공합니다.

2. AI Interpretation Basis: 판단의 근거를 함께 확인하다

AIVARI의 주요 기능 중 하나는 AI Interpretation Basis입니다. 단순한 점수나 판정 결과만 제공하는 대신, AI가 어떤 정보를 바탕으로 해석했는지 구조화된 형태로 보여줍니다.

실제 AIVARI 화면에서는 네 가지 영역을 확인할 수 있습니다.

a.  Variant Pathogenicity — 변이의 분자적 근거

AIVARI는 후보 변이의 병원성 분류와 관련 근거를 검토합니다.

실제 ALMS1 사례에서는 Alström syndrome과 연관된 두 개의 frameshift 변이를 확인할 수 있습니다. 두 변이는 각각 heterozygous 상태로 제시되며, 함께 compound heterozygous genotype을 형성합니다.

AI Interpretation Basis는 각 변이의 병원성 분류, 적용된 ACMG 근거 코드, 해당 질환의 발생 기전과 이에 대한 설명을 제시합니다. 이를 통해 분석자는 단순히 Likely Pathogenic이라는 분류 결과를 확인하는 데 그치지 않고, 그 판단에 사용된 분자적 근거를 함께 검토할 수 있습니다.

b. Clinical Phenotype Fit — 환자의 증상과 질환을 비교하다

변이의 병원성만으로는 해당 환자의 질환을 충분히 설명할 수 없습니다. AIVARI는 환자의 표현형과 해당 유전 질환의 임상적 특징을 비교해 적합성을 평가합니다.

실제 ALMS1 사례에서 AIVARI는 임상 표현형 적합성을 Generic으로 평가했습니다. 화면에서는 다음 정보를 구분해 보여줍니다.

이 사례에서는 Proteinuria가 일치하는 증상으로 제시됩니다. 반면 Alström syndrome의 특징적인 소견인 진행성 cone-rod dystrophy, sensorineural hearing loss, childhood obesity 등은 미확인 증상으로 구분됩니다.

AIVARI는 이러한 차이를 설명하면서 환자의 현재 표현형이 질환의 전형적인 임상 양상과 충분히 일치하지 않는다는 점도 함께 제시합니다.

“중요한 것은 단순한 표현형 유사도 점수가 아니라, 어떤 증상이 일치하고 어떤 근거가 아직 부족한지를 확인할 수 있다는 점입니다. “

c. AI Diagnostic Rationale — 근거를 종합해 해석하다

AIVARI는 변이와 표현형에 대한 개별 평가를 종합해 판단 근거를 제시합니다.

ALMS1 사례에서는 두 개의 Likely Pathogenic frameshift 변이가 compound heterozygous 상태라는 점을 고려합니다. 동시에 환자의 임상 양상이 비특이적이고 Alström syndrome의 대표적인 특징이 충분히 확인되지 않았다는 불확실성도 설명합니다.

이러한 정보를 종합한 AI의 제안은 Report입니다. 이는 AIVARI가 해당 소견을 임상 보고 대상으로 검토할 것을 제안한다는 의미이며, 질환이 확진되었다는 의미는 아닙니다.

AI Diagnostic Rationale의 목적은 전문가를 대신해 결론을 확정하는 것이 아니라, 서로 다른 근거들이 최종 판단에 어떻게 반영되었는지 이해할 수 있도록 돕는 것입니다.

d. Recommendations / Next Steps — 추가 검토 방향 제시

임상 변이 해석에서는 현재 정보만으로 모든 질문에 답하기 어려울 수 있습니다. 따라서 AIVARI는 초기 해석 결과와 함께 추가적으로 확인할 수 있는 임상 정보를 제안합니다.

ALMS1 사례에서는 Alström syndrome의 특징적인 증상이 나타나는지 확인하기 위한 임상 추적관찰과 안과 및 청각 평가를 권고합니다.

이러한 제안은 임상 전문가가 추가적인 평가 필요성을 검토하는 데 참고할 수 있습니다. 다만 AI가 생성한 권고는 환자의 실제 임상 상태와 담당 전문가의 판단을 바탕으로 별도 검증해야 합니다.

한 사례로 보는 네 영역

3. AIVARI가 지향하는 AI First Reviewer

AIVARI의 목표는 전문가의 판단을 대체하는 것이 아닙니다. 전문가가 첫 번째 검토를 처음부터 반복하는 대신, AI가 제공한 초기 해석과 근거를 바탕으로 검토를 시작할 수 있도록 지원하는 것입니다.

GEBRA와 AIVARI를 활용하는 워크플로는 다음과 같이 구성할 수 있습니다.

이러한 방식은 AI의 초기 검토를 전문가의 임상 판단에 연결하려는 접근입니다. 실제 업무 시간 감소나 해석 효율 개선 여부는 임상 환경에서 추가 검증이 필요합니다.

4. 실제 임상 사례에서 평가한 AIVARI의 성능

3billion 연구진은 AIVARI Agent가 임상적으로 중요한 후보를 얼마나 효과적으로 식별하는지 평가했습니다.

ICML 2026 Workshop on Generative and Agentic AI for Biology에 발표된 연구에서는 총 300건의 임상 사례와 6,460개의 후보 가설을 분석했습니다. 이 중 기존 파이프라인과 동일한 조건에서 직접 비교할 수 있는 235건의 사례와 1,022개 가설을 별도로 평가했습니다.

성능 지표는 무엇을 의미할까요?

이번 연구에서는 단순히 AI의 판정이 맞았는지를 넘어, 실제 임상 보고서에서 중요하게 다뤄진 후보를 얼마나 잘 찾아냈는지를 평가했습니다.

주요 지표는 다음과 같습니다.

여기서 보고 대상(Reportable) 이란 연구에서 임상 전문가가 최종 보고서에 Positive 또는 Inconclusive로 분류한 소견을 의미합니다.

예를 들어, Group Sensitivity가 95%라면 실제 보고 대상 소견이 존재하는 케이스 100건 중 약 95건에서 AI가 올바른 후보를 하나 이상 식별했다는 뜻입니다.

반면 Precision이 40%라면 AI가 보고 대상으로 제시한 후보 가설 100개 중 약 40개가 실제 임상 보고서에서도 보고 대상으로 분류되었다는 의미입니다.

두 지표는 서로 다른 측면을 평가합니다.

AIVARI의 연구 결과

235건의 공통 비교 집합에서 다음과 같은 결과가 나타났습니다.

* 기존 파이프라인은 동일한 기본 언어모델을 활용한 HP(Gemini)입니다.

이 결과가 의미하는 것은 무엇일까요?

가장 주목할 부분은 Inconclusive 사례에서 나타난 차이입니다.

기존 파이프라인은 이러한 사례의 38.8%에서 올바른 보고 후보를 식별한 반면, AIVARI Agent는 90.0%에서 식별했습니다.

이는 임상적 근거가 불완전하거나 판단이 어려운 후보를 추가 검토 대상으로 제시하는 데 AIVARI가 유용할 가능성을 보여줍니다.

다만 AIVARI는 중요한 후보를 놓치지 않는 데 중점을 두기 때문에, 실제 임상 보고 대상이 아닌 후보도 더 많이 제시할 수 있습니다.

실제로 hypothesis-level precision은 기존 파이프라인보다 낮았습니다(37.1% vs. 40.3%).

따라서 AIVARI의 강점은 모든 후보를 정확하게 판정하는 것이 아니라, 중요한 후보를 놓칠 가능성을 줄이면서 전문가가 검토할 수 있는 초기 판단과 근거를 제공하는 데 있습니다.

연구 결과를 해석할 때 고려할 점

이 연구에서 사용한 Group Sensitivity는 진단 정확도나 자동 진단 성공률을 의미하지 않습니다.

또한 연구는 단일 기관의 임상 사례를 사용했으며, SNV와 소규모 indel에 한정되었습니다.

AIVARI가 실제 임상 환경에서 해석 시간을 얼마나 줄일 수 있는지, 또는 다른 종류의 유전 변이에서도 동일한 성능을 보이는지는 추가 검증이 필요합니다.

5. 변이 해석 AI의 다음 단계

유전체 해석 소프트웨어가 발전하면서 후보를 찾고 순위를 매기는 기술은 계속 정교해지고 있습니다. 이제 중요한 과제 중 하나는 이러한 결과를 환자의 임상적 맥락에서 해석하고, 전문가가 검토할 수 있는 근거로 연결하는 것입니다.

AIVARI는 이 과정에서 AI First Reviewer의 가능성을 탐색합니다. 변이의 병원성 근거를 확인하고, 환자의 표현형과 유전 양상을 평가하며, 그 판단 이유와 추가 검토 방향을 함께 제시합니다.

“From variant prioritization to evidence-grounded clinical interpretation. AI는 초기 검토를 지원하고, 전문가는 근거를 평가해 최종 판단을 내립니다.”

후보를 찾는 단계와 그 후보를 환자에게 비추어 읽는 단계를 한 흐름 안에 두는 것 — GEBRA와 AIVARI가 함께 시도하는 지점입니다.

AIVARI를 실제 케이스로 평가해 보세요

AIVARI 베타 평가에서는 기존에 해석한 케이스를 활용해 AI가 제시한 판단 및 근거를 기존 임상 해석과 비교할 수 있습니다. 이를 통해 중요한 소견의 식별 여부, 판단의 일관성, 임상적 유용성 및 실제 검토 workflow에 적용할 가능성을 살펴볼 수 있습니다.

참고문헌

Kang M, Kim S, Kwon KW, Moon D. AIVARI Agent: An Evidence-Grounded Agentic LLM for Variant Reportability and Interpretation. ICML 2026 Workshop on Generative and Agentic AI for Biology.