ㅣ데일리포스트=곽민구 기자ㅣ“유전자는 알지만 기능은 모른다.”
이는 미생물 연구의 오랜 난제다. 이를 해결하기 위해 공동연구진이 인공지능(AI) 기반 미생물 유전자 기능 발견의 속도를 크게 향상시킬 수 있는 연구 전략을 제시했다.
KAIST는 12일 “생명화학공학과 이상엽 특훈교수 연구팀이 UCSD 생명공학과 버나드 폴슨(Bernhard Palsson) 교수와 함께 AI를 활용해 미생물 유전자 기능 발견을 획기적으로 가속할 수 있는 최신 연구 접근법을 체계적으로 정리·분석한 리뷰논문을 발표했다”고 전했다.
2000년대 초 전장 유전체 해독 기술이 본격화되며 생명체의 유전자 구성을 완전히 규명할 수 있을 것이라 기대했지만, 20년이 지난 지금도 미생물 유전체 내 상당수 유전자는 어떤 역할을 하는지 밝혀지지 않은 상태다.
유전자 결실 실험, 발현량 조절, 시험관 내 활성 측정 등 다양한 실험에도 ▲대규모 실험의 한계 ▲복잡한 생물학적 상호작용 ▲실험실 결과와 실제 생체 내 반응 간 불일치 등으로 인해 유전자 기능 규명은 많은 시간과 비용이 소요되는 연구 난제였다.
이러한 한계를 극복하기 위해 공동 연구팀은 전산생물학과 실험생물학을 결합한 AI 기반 접근이 필수적임을 논문을 통해 발표했다. 또 다양한 전산생물학적 접근법을 종합적으로 정리했다.
특히 AlphaFold(구글 딥마인드가 개발한 단백질 구조 예측 AI), RoseTTAFold(미국 워싱턴대에서 개발한 또 다른 고성능 단백질 구조 예측 AI)와 같은 단백질 3차원 구조 예측 기술은 단순한 기능 추정을 넘어 유전자 기능의 작동 이해 가능성을 제시했다. 더 나아가 생성형 인공지능은 원하는 기능을 가진 단백질을 설계하는 단계로까지 연구를 확장 중이다.
연구팀은 전사인자(유전자를 켜고 끄는 스위치 역할을 하는 단백질)와 효소(생체 내 화학 반응을 촉진하는 단백질)를 중심으로, 유전자 서열 정보, 단백질 구조 예측, 다양한 메타유전체 분석을 결합한 다양한 응용 사례와 향후 연구 방향을 제시하며 “유전자 기능 발견의 편향과 한계를 극복하기 위해 AI가 실험을 안내하는 ‘능동적 학습(Active Learning)’ 기반 연구 프레임워크가 필요하다”고 강조했다.
이어 연구팀은 “이를 위해 자동화된 실험 플랫폼과 바이오파운드리 등 공유 연구 인프라와의 긴밀한 통합이 필수”라고 밝히며 “실험적으로 검증되지 못한 ‘실패 데이터’ 역시 향후 연구를 위한 중요한 학습 자산으로 공유돼야 한다”고 덧붙였다.
공동저자인 김기배 KAIST 박사는 “딥러닝 기반 예측 성능은 크게 향상됐지만, 예측 결과의 근거를 생물학적으로 해석 가능한 인공지능 모델 개발은 여전히 중요한 과제”라고 말했다.
이상엽 특훈교수는 “유전자 기능 발견의 한계를 넘어서기 위해서는 연구자의 지휘하에 AI가 안내하는 체계적 실험 프레임워크와 자동화 연구 인프라의 결합이 핵심”이라며 “예측과 검증이 반복적으로 연결되는 연구 생태계 구축이 중요하다”고 거듭 강조했다.
해당 논문은 네이처(Nature)가 발행하는 생명공학 분야 권위 저널인 `네이처 마이크로볼로지(Nature Microbiology)' 1월7일 자에 게재됐다.
한편 이번 연구는 과기정통부가 지원하는 석유대체 친환경 화학기술개발사업의 ‘바이오화학산업 선도를 위한 차세대 바이오리파이너리 원천기술 개발’ 과제의 지원, 그리고 합성생물학핵심기술개발 사업의 ‘바이오제조 산업 선도를 위한 첨단 합성생물학 원천기술 개발’과제의 지원을 받았다.
Copyright ⓒ 데일리 포스트 무단 전재 및 재배포 금지
본 콘텐츠는 뉴스픽 파트너스에서 공유된 콘텐츠입니다.
