Evo 2와 같은 유전체 파운데이션 모델(Genomic foundation models)은 풍부한 서열 표현(sequence representations)을 학습하지만, 생물 보안(biosecurity) 스크리닝을 위한 이들의 가치는 아직 크게 탐구되지 않았습니다. 우리는 기본 모델을 미세 조정(fine-tuning)하지 않고, 동결된(frozen) Evo 2 layer-26 활성화 값(activations)에 대해 최소한의 선형(linear) 및 어텐션 프로브(attention probes)를 학습시킴으로써, 이러한 표현 내에서 생물 보안과 관련된 신호가 선형적으로 얼마나 접근 가능한지 질문합니다. 별도로 분리된 메타게놈 테스트 세트 전반에 걸쳐, 프로브는 강력한 판별력으로 항생제 내성(AMR)을 탐지합니다. 선형 프로브(linear probe)는 지역 수준(region-level)의 ROC-AUC 0.888(mean-pool)에 도달하며, 단일 헤드 어텐션 프로브(single-head attention probe)를 사용하면 0.977까지 상승합니다. 이 프로브들은 더 세밀한 수준의 AMR 약물 클래스 하위 범주를 식별하고 이를 관련 없는 기능 유전자(functional genes)와 분리해냄으로써, 학습된 신호가 단순히 일반적인 기능 유전자 상태만으로 설명되지 않는다는 추가적인 증거를 제공합니다. 박테리아 독성(Bacterial virulence) 또한 해독 가능하지만, 상대적으로 약한 성능을 보입니다(지역 수준 ROC-AUC 0.833). AMR 프로브는 재학습 없이도 시뮬레이션된 짧은 리드(short reads)에서 유사한 순위 성능을 유지하여, 조립(assembly)이 계산 비용이 많이 들거나 신뢰할 수 없는 환경에서 조립 전 평가를 가능하게 합니다. 이는 평균 풀링된 전체 지역 결과와 유사한 0.898(mean-pool)의 리드 수준(read-level) ROC-AUC를 달성합니다. SynGenome 내에서, AMR 관련 프롬프트 레이블(prompt labels)은 Evo 1.5가 생성한 서열로부터 매우 약하게만 복구됩니다. 이러한 프롬프트 유래 레이블은 생성된 응답 서열의 기능을 확립하지 못합니다. 보완적인 희소 오토인코더(sparse-autoencoder) 분석은 해석 가능한 내성 관련 특징을 복구하지만, 지도 학습 프로브(supervised probes)보다 일관성이 떨어지는 것으로 나타났습니다. 종합적으로, 이러한 결과는 경량 임베딩 기반 프로브를 메타게놈 생물 감시(biosurveillance)를 위한 빠르고 저렴한 1차 탐지 계층으로 자리매김하며, 이 접근 방식의 강점과 현재의 한계를 모두 보여줍니다. 본 연구는 BlueDot Impact, Apart Research, Cambridge Biosecurity Hub가 주최한 AIxBio Hackathon 2026의 일환으로 수행되었습니다.