AI로 좁혀지는 미생물 유전자 공백

[이한영 기자]

연구 이미지

미생물 유전체 해독이 보편화된 이후에도 유전자 기능 규명은 여전히 난제로 남아 있다. 염기서열은 밝혀졌지만, 해당 유전자가 생명 현상에서 어떤 역할을 하는지 설명되지 못한 사례가 적지 않다. 이 구조적 한계를 인공지능으로 돌파하려는 연구 흐름이 구체적인 전략으로 정리됐다.

KAIST 생명화학공학과 이상엽 특훈교수 연구팀은 UCSD 버나드 폴슨 교수 연구진과 함께 인공지능 기반 미생물 유전자 기능 발견 연구 접근을 분석한 리뷰 논문을 발표했다. 연구진은 유전자 기능 규명이 지체돼 온 원인을 짚고, 이를 가속할 수 있는 전산·실험 융합 전략을 제시했다.

왼쪽부터 KAIST 이상엽 특훈교수, 김기배 박사, UCSD 버나드 폴슨(Bernhard Palsson) 교수

2000년대 초 전장 유전체 해독 기술이 확산되며 생명체의 유전자 구성이 빠르게 해석될 것이라는 기대가 컸다. 그러나 실제 연구 현장에서는 대규모 실험의 제약과 복잡한 생물학적 상호작용, 실험 조건과 생체 반응 간 차이가 누적되며 기능 규명 속도가 제한돼 왔다.

연구팀은 이러한 병목을 해소하기 위해 전산생물학과 실험생물학을 연결하는 인공지능 활용이 필요하다고 강조했다. 논문에서는 유전자 서열 분석부터 심층학습 기반 예측 모델까지, 유전자 기능 탐색에 활용돼 온 전산 기법의 흐름을 체계적으로 정리했다.

특히 단백질 3차원 구조 예측 기술의 발전이 중요한 전환점으로 제시됐다. AlphaFold와 RoseTTAFold는 단백질 형태를 정밀하게 예측해 기능 해석의 범위를 넓혔다. 최근에는 생성형 인공지능을 활용해 특정 기능을 수행하는 단백질을 설계하는 연구로까지 확장되고 있다.

효소 기능예측을 위한 전산생물학 접근법 모식도

연구팀은 전사인자와 효소를 중심으로 유전자 서열 정보, 단백질 구조 예측, 메타유전체 분석을 결합한 응용 사례를 제시하며, 데이터 기반 예측과 실험 검증이 반복되는 연구 구조의 필요성을 강조했다.

향후 핵심 전략으로는 인공지능이 실험을 제안하는 능동 학습 기반 연구 틀이 제시됐다. 예측 불확실성이 큰 유전자를 우선 선별해 검증함으로써 연구 효율을 높일 수 있다는 설명이다. 이를 위해 자동화 실험 플랫폼과 바이오파운드리 등 공동 연구 인프라의 결합, 실패 데이터 공유의 중요성도 함께 언급됐다.

이번 논문은 Nature Microbiology에 1월 7일 자로 게재됐다. 미생물 유전자 기능 연구의 방향을 인공지능 중심으로 재편하는 전환점이 될 수 있을지 주목된다. /대전=이한영기자

<저작권자 Copyright ⓒ 충청일보 무단전재 및 재배포 금지>