AI가 유전학자를 대체할까요? 시퀀서는 자동화되었지만, 과학에는 여전히 과학자가 필요합니다

2003년 인간 게놈 프로젝트(Human Genome Project)가 완료를 발표했을 때, 최초의 완전한 인간 게놈을 시퀀싱하는 데는 13년과 약 27억 달러가 들었습니다. 2025년에는 임상 연구소가 전체 인간 게놈을 하루도 안 되어 약 400달러에 시퀀싱할 수 있고, AI 도구는 환자의 엑솜을 참조 데이터베이스와 몇 분 만에 비교할 수 있습니다. 그렇다면 실험실 작업이 자동화되고 분석이 자동화된다면, 유전학자가 할 일은 무엇이 남을까요? 실제로 중요한 거의 모든 것입니다. 유전학자는 우리 데이터에서 51%의 AI 노출도에 직면해 있는데 — 우리가 추적하는 수치 중 높은 편입니다 — 자동화 위험은 25%에 불과합니다. 그 두 숫자 사이의 간극이 이 페이지에서 가장 중요한 것입니다. [사실]

유전학자가 실제로 하는 일 — 그리고 경계가 어디에 있는가

"유전학자"는 큰 역할군을 포괄합니다. 환자를 보는 임상 유전학자, 학계 및 제약 연구소의 연구 유전학자, 작물과 가축을 다루는 농업 유전학자, 범죄 연구소의 법의학 유전학자, 그리고 생물학과 코드의 중첩 지대에서 사는 점점 늘어나는 생물정보학 전문가 집단이 있습니다. 그들의 업무는 다르지만, 공통된 형태를 공유합니다: 하루의 작은 부분은 이미 크게 자동화된 시퀀싱과 파이프라인 작업이고, 큰 부분은 자동화되지 않은 해석, 설계, 판단입니다.

임상 유전학자의 경우, 전형적인 한 주에는 AI 파이프라인이 표시한 변이 콜(variant calls) 검토, 이형접합 BRCA1 돌연변이가 딸에게 무엇을 의미하는지 가족에게 설명하기, 불확실한 의미의 변이가 임신 관리를 바꿔야 하는지 결정하기, 종양 위원회 참여, 그리고 특정 검사가 의학적으로 왜 필요한지 보험사에 편지 쓰기가 포함될 수 있습니다. 첫 번째 업무는 점점 더 AI의 지원을 받습니다. 나머지 네 가지는 그렇지 않으며, 그것들을 그렇게 만드는 단기적 기술 경로는 없습니다.

연구 유전학자의 경우, 전형적인 한 주는 다르게 보입니다 — CRISPR 실험 설계, 마우스 모델에서 녹아웃 실행, 예상치 못한 표현형 해석, 연구비 신청서 작성, 대학원생 멘토링. AI는 일부 분석적 부분을 가속화합니다. 실험 설계, 이상한 결과의 해석, 그리고 무엇을 추구할 가치가 있는지에 대한 더 넓은 과학적 판단은 확고히 인간의 일로 남아 있습니다.

51% 노출도 수치, 풀어보기

유전학자의 51% 노출도라는 헤드라인은 높게 들립니다. 사실 이는 지난 10년간 컴퓨팅 도구로 변모한 모든 전문 분야에 대한 현실적인 수치입니다. 각 측면에 무엇이 있는지 보여드리겠습니다.

고노출 업무 (오늘날 크게 AI 지원을 받음):

• 시퀀스 리드를 참조 게놈에 정렬
• SNP, 인델, 구조적 변이 호출
• 인구 빈도 데이터베이스와 대조 필터링
• ClinVar, OMIM, 경로 데이터베이스에 대한 초기 주석
• 일부 형태의 문헌 검색 ("이 변이를 가진 사례를 발표한 사람이 있는가?")

이러한 업무는 한때 유전학자 업무일의 큰 부분을 소비했습니다. 많은 것이 이제 DeepVariant, AlphaMissense, 다양한 상업적 생물정보학 플랫폼 같은 도구로 몇 분으로 압축되었습니다. 이것이 나타나는 51%입니다.

저노출 업무 (여전히 확고히 인간):

• 환자 상담과 가족력 청취
• 비과학자에게 불확실한 결과 전달
• 연구 설계에 대한 적절한 회의주의로 문헌 검토
• 새로운 실험 설계
• 원고와 연구비 신청서 작성
• 변이 공개에 관한 윤리적 결정
• 종양 위원회 및 다학제 사례 논의
• 수련생 멘토링

이것들은 AI가 자동화하지 않는 역할의 75%를 고정하는 업무이며, 또한 기술적 분석이 빨라질수록 더 중요해지는 직업의 부분입니다. 게놈을 하루 만에 시퀀싱할 수 있을 때, 병목은 "이것이 이 환자에게 무엇을 의미하는가?"가 되며 — 그 질문은 근본적으로 인간의 것입니다. [추정]

해석이 자동화되지 않는 이유

최근 AI 논문을 순진하게 읽으면 해석이 다음에 무너질 것이라고 시사할 수 있습니다. AlphaMissense는 2023년 Google DeepMind가 출시했으며, 전례 없는 규모로 변이의 병원성 가능성을 채점했습니다. 생물학의 후속 기반 모델들은 계속 발전했습니다 — 스탠퍼드 HAI 2025 AI 인덱스 보고서(Stanford HAI 2025 AI Index Report)에 따르면, 2024년 한 해에만 ESM3와 AlphaFold 3를 포함한 대규모 단백질 모델이 출시되었고, 노벨 화학상은 단백질 접힘 예측에 대한 AI의 기여를 인정했습니다 [사실]. 같은 보고서는 OpenAI의 o1이 MedQA 의학 지식 벤치마크에서 96.0%에 도달했으며, 이는 이전 최고 기록보다 5.8점 향상된 것이라고 언급합니다 [사실]. 역량이 이렇게 빠르게 발전하는데, 왜 유전학자 업무의 해석 절반은 빠르게 닫히지 않을까요?

세 가지 이유가 있습니다.

첫째, 임상 해석은 모델이 아직 훈련되지 않은 방식으로 다중모달입니다. 이 환자에게 임상적으로 유의미한 변이를 호출하려면, 유전학자는 게놈 데이터를 가족력, 임상 표현형, 영상, 이전 치료에 대한 반응, 그리고 때로는 차트의 자유 텍스트 노트에만 존재하는 정보와 통합합니다. 모델은 이러한 채널 중 하나나 둘에서 잘 끌어올 수 있습니다. 그것들을 모두 통합하는 것은 여전히 어렵습니다.

둘째, 잘못된 호출의 결과가 심각하며, 유전학 서비스 비용을 지불하는 기관들은 인간의 책임을 중심으로 조직되어 있습니다. 잘못 해석된 변이를 기반으로 환자에게 예방적 유방절제술을 권하는 유전학자는 알고리즘과 다른 방식으로 책임을 집니다. 임상 치료 시스템은 유전학에서 순전히 알고리즘적 권고에 대한 책임을 어떻게 할당할지 아직 알아내지 못했으며, 그렇게 할 때까지 인간 유전학자는 모든 중대한 결정에 관여한 채로 남아 있습니다.

셋째, 과학 자체가 움직이고 있으며, 어제의 지식으로 훈련된 AI 모델은 내일의 발견을 어김없이 놓칠 것입니다. 참조 데이터베이스(ClinVar, gnomAD 등)는 성장하고, 분류는 바뀌고, 새로운 유전자가 새로운 질환과 연결됩니다. 최신을 유지하는 유전학자들은 문헌과 함께 움직입니다. 모델은 뒤처집니다.

업무 자체에서 변화하고 있는 것

인원 그림이 안정적으로 유지되더라도, 유전학자의 일상 업무는 중요한 방식으로 변화하고 있습니다. 미국 의학유전학회(American College of Medical Genetics)는 이러한 변화를 기록해 왔으며, 몇 가지 패턴이 두드러집니다.

유전학자당 더 많은 환자. 일상적인 변이 분석이 빨라졌기 때문에, 개별 유전학자는 이제 더 많은 사례를 관리할 수 있습니다. 이것이 유전학자에 대한 수요를 줄이지는 않았습니다 — 임상 유전학은 10년 넘게 인력 부족을 겪어왔고, 그 부족은 검사가 더 널리 이용 가능해지면서 오히려 심해지고 있습니다. [주장] 더 넓은 노동 데이터가 이 회복력을 뒷받침합니다. 미국 노동통계국(U.S. Bureau of Labor Statistics, 2026)에 따르면, 대부분의 유전학자가 속하는 범주인 의료과학자(medical scientists)의 고용은 2024년부터 2034년까지 9% 성장할 것으로 예측되며, 이는 모든 직종 평균 3%보다 훨씬 빠른 것으로, 매년 약 9,600개의 일자리 공석과 2024년 기준 약 165,300개의 일자리가 있습니다 [사실]. 인접 그룹인 생화학자 및 생물물리학자는 같은 기간 6% 성장할 것으로 예측됩니다 [사실]. 이것은 자동화로 사라지고 있는 직업의 수치가 아닙니다. 자동화가 바꾼 것은 업무의 질감입니다: 더 많은 사례, 더 많은 상담, 각각에 들이는 시간은 더 적게.

생물정보학 전문화가 가장 빠르게 성장. 유전학 인력에서 가장 빠르게 성장하는 부문은 고전적인 실험실 작업이나 임상 진료가 아니라 생물정보학입니다 — 다른 모든 사람이 사용하는 AI 파이프라인을 구축하고, 조정하고, 감사하는 사람들입니다. 경력 초기에 전문 분야를 선택하고 있다면, 이곳이 복리 수익이 자리하는 곳입니다.

변이 해석이 그 자체의 전문 분야가 되었습니다. 이제 주요 의료 센터에는 불확실한 의미의 변이를 해석하는 것이 구체적인 업무인 전임 변이 과학자들이 있습니다. 5년 전 이 작업은 많은 역할에 분산되어 있었습니다. 오늘날 그것은 자체 훈련 경로를 가진 정의된 전문 분야로 집중되고 있습니다.

환자 소통이 덜 중요한 것이 아니라 더 중요해졌습니다. 유전 검사가 일상 의료로 확장되면서, 더 많은 환자가 이해하지 못하는 결과를 받습니다. 번역가로서의 유전학자의 역할 — 실험실과 환자 사이, 문헌과 임상 결정 사이 — 은 덜 중심적이 아니라 더 중심적이 되었습니다.

진짜 위험이 사는 곳

유전학이 AI 붕괴에 취약하지 않다는 인상을 남기고 싶지 않습니다. 위험은 실재하며, 솔직해질 가치가 있습니다.

가장 구체적인 것은 일상적인 임상 보고에 대한 것입니다. AI 변이 해석 도구가 성숙함에 따라, 임상 연구소는 처리량 단위당 더 적은 보고 유전학자가 필요할 수 있습니다. 이것이 역할을 없애지는 않겠지만, 초급 기회를 압축할 수 있습니다. 임상 실험실 유전학을 훈련받고 있다면, 일상적인 보고 분야가 자동화로 가장 압박받는 분야임을 알아야 합니다.

두 번째 위험은 소비자 직접 검사에 대한 것입니다. 23andMe와 Ancestry 같은 회사들은 이미 백만 명의 고객당 매우 적은 수의 유전학자로 운영됩니다. 그 모델은 대부분의 결과가 인간 검토를 필요로 하지 않는다고 가정합니다. AI 기반 해석이 더 많은 임상 맥락으로 확장되면서, 이런 종류의 대량, 저접촉 서비스가 전통적으로 유전학자의 업무였던 것을 더 많이 차지할 수 있습니다.

세 번째 위험은 임상 적용을 앞지르는 연구 속도입니다. 기반 모델은 임상 장치가 검증하고 채택할 수 있는 것보다 빠르게 생물학적 통찰을 생산하고 있습니다. 이것은 두 세계를 연결할 수 있는 유전학자에게는 위협보다 기회이지만, 적응하지 못하는 사람들에게는 압박의 원천이기도 합니다.

이것이 당신의 경력에 의미하는 것

유전학을 훈련받거나 일하고 있다면, 데이터와 역학은 명확한 일련의 베팅을 시사합니다.

• 임상 및 환자 대면 역할에 집중하세요. 직업을 자동화 밖에 고정하는 부분은 불확실성 속에서의 해석, 환자 소통, 윤리적 의사결정입니다. 당신의 업무가 이것들에 무겁다면, 당신의 경력은 강한 위치에 있습니다.
• 생물정보학 유창성을 키우세요. 소프트웨어 엔지니어가 될 필요는 없지만, 파이프라인을 구성하고, 모델의 출력을 비판적으로 읽고, 임상의에게 위양성을 설명할 수 있는 유전학자는 AI 도구를 블랙박스로 취급하는 사람보다 훨씬 더 가치 있습니다.
• 불확실한 의미의 변이를 전문화하세요. 이곳이 과학이 사는 곳이고 AI가 가장 어려워하는 곳입니다. 그것이 지속 가능한 전문성입니다.
• 연구 설계의 리더십으로 나아가세요. AI는 실행을 가속화합니다; 올바른 연구 질문을 생성하지는 않습니다. 무엇이 연구되는지를 형성하는 유전학자가 가장 긴 활주로를 가집니다.
• 순수 보고에 있다면, 넓히세요. 임상 업무, 교육, 또는 연구 차원을 역할에 추가하세요. 순수 변이 보고는 이 분야에서 가장 자동화 가능한 구석입니다.

지난 20년간 유전학의 이야기는 자동화가 유전학자를 대체하는 이야기가 아닙니다. 그것은 자동화가 유전학자가 하는 일을 변모시키는 이야기입니다 — 그들을 실험대에서 침상 옆으로, 정렬 파일에서 해석실로, 일상적인 것에서 중대한 것으로 옮기는 것입니다. AI는 그 변모의 최신이자 가장 강력한 장입니다. 잘 사용되면, 그것은 유전학자를 덜 필수적으로 만드는 것이 아니라 더 영향력 있게 만듭니다.

업무 수준의 세부 분석은 유전학자 직업 페이지를 보세요. 관련 과학 부문 역할은 우리 과학 카테고리 페이지에서 더 넓은 분야 전반에 걸쳐 AI 노출도가 어떻게 변하고 있는지 추적합니다.

업데이트 이력

• 2026-05-22: 미국 노동통계국(2026) 및 스탠퍼드 HAI 2025 AI 인덱스 보고서의 1차 자료 인용 추가.
• 2026-05-16: 다중모달 해석 프레임워크, 해석이 자동화되지 않는 세 가지 구조적 이유, 위험 분해로 분석 확장. 경력 안내 추가.
• 2025-09-12: 최초 게시.

_이 글은 AI 지원으로 준비되어 편집팀의 검토를 거쳤습니다. 게놈 비용 궤적은 NHGRI에서; 인력 동향은 미국 의학유전학회에서; 고용 예측은 미국 노동통계국(2026)에서; AI 역량 벤치마크는 스탠퍼드 HAI 2025 AI 인덱스 보고서에서 가져왔습니다._