Inherited or produced? Inferring protein production kinetics when protein counts are shaped by a cell's division history

이 논문은 세포 분열과 단백질 유전의 비마르코프적 효과를 고려할 때 기존 통계적 방법으로는 단백질 생산 역학을 추론하기 어렵다는 점을 지적하고, 조건부 정규화 흐름 (conditional normalizing flows) 을 활용해 유추한 결과, 스트레스 조건에서 효모의 glc3 유전자가 주로 비활성화되며 일시적으로만 발현됨을 규명했습니다.

핵심

🏭 1. 문제 상황: "공장"과 "물자 분배"

생각해 보세요. 한 공장이 있습니다. 이 공장은 매일 밤마다 새로운 제품 (단백질) 을 계속 만들어냅니다. 그런데 이 공장은 24 시간마다 두 개의 작은 공장으로 쪼개집니다 (세포 분열).

• 기존의 오해: 과학자들은 보통 "제품이 고장 나거나 사라져야 (분해) 수가 줄어든다"고 생각했습니다. 마치 공장에서 제품이 부러지거나 녹슬어 없어지는 것처럼요.
• 실제 상황: 하지만 이 연구에 따르면, 제품이 사라지는 주된 이유는 '고장'이 아니라 '공장이 둘로 쪼개지면서 물건을 반반씩 나누어 갖는 것' 입니다.

🍕 피자의 비유:
어떤 사람이 피자를 먹고 있다고 칩시다.

1. 새로 만든 피자: 피자가 새로 구워져서 식탁에 올라옵니다.
2. 나눠진 피자: 그 사람이 피자를 반으로 잘라 친구에게 하나를 줍니다.

우리가 그 친구의 식탁을 봤을 때, "피자가 많네! 이 친구가 피자를 엄청 많이 주문했나?"라고 생각할 수 있습니다. 하지만 사실은 친구가 피자를 주문한 게 아니라, 친구가 피자를 반으로 잘라 가져온 것일 수도 있습니다.

이 논문은 "지금 보이는 단백질 (피자) 이 새로 만들어진 것인지, 아니면 어미 세포 (친구) 에게서 물려받은 것인지" 를 구별하는 방법을 찾아낸 것입니다.

---

🕵️ 2. 왜 이것이 어려운가? "기억 없는" vs "기억 있는" 시스템

기존 과학 모델들은 세포를 '기억이 없는 (Markovian)' 존재로 보았습니다.

"어제 피자가 몇 개였든 상관없어. 오늘 새로 몇 개 만들었는지만 보면 돼."

하지만 실제로는 세포가 이전 역사를 기억합니다.

"어제 피자가 100 개였는데, 오늘 반으로 나뉘어서 50 개가 남았어. 그리고 오늘 새로 10 개를 만들었지. 그럼 내일엔 60 개가 있을 거야."

이처럼 세포의 분열 역사 (어제 몇 번 나뉘었는지, 언제 나뉘었는지) 가 현재 단백질의 양에 영향을 미치기 때문에, 기존의 수학적 공식으로는 정확한 계산을 할 수 없게 되었습니다. 마치 복잡한 가족의 가계도를 모르면 유전자를 예측할 수 없는 것과 같습니다.

---

🤖 3. 해결책: "가상 현실"과 "AI 추측꾼"

수학 공식으로 이 문제를 풀 수 없으니, 연구자들은 새로운 방법을 썼습니다. 바로 "시뮬레이션 (가상 현실)" 과 "인공지능 (AI)" 입니다.

단계 1: 가상 현실 만들기 (시뮬레이션)

연구자들은 컴퓨터 안에 가상의 세포 공장을 만들었습니다.

• "만약 단백질 생산 속도가 이 정도라면? 분열 주기가 이 정도라면?"
• 이 가설들을 바탕으로 컴퓨터가 수만 번의 분열을 시뮬레이션했습니다.
• 결과는 "이런 조건에서는 이런 단백질 양이 나온다" 는 데이터 덩어리가 되었습니다.

단계 2: AI 추측꾼 훈련 (신경망)

이제 AI(신경망) 를 훈련시켰습니다.

• 입력: "이런 조건 (생산 속도, 분열 주기 등) 이었어."
• 출력: "그럼 이런 단백질 분포가 나올 거야."
• AI 는 수만 번의 시뮬레이션 데이터를 보고, "어떤 조건이 주어졌을 때 어떤 결과가 나오는지" 를 외우는 대신 패턴을 학습했습니다.

이것은 마치 맛있는 요리 레시피를 모르는 셰프가, 수천 번의 실험을 통해 "재료 A 와 B 를 섞으면 이런 맛이 난다"는 것을 AI 가 기억하게 하는 것과 같습니다.

---

🔬 4. 실제 실험: 효모 (Yeast) 의 비밀을 밝혀내다

이제 이 방법을 실제 실험에 적용했습니다.

• 대상: 당을 만드는 효모 (yeast) 세포.
• 상황: 영양분이 부족한 '스트레스' 상태.
• 관측: 형광 단백질 (GFP) 이 얼마나 빛나는지 측정했습니다.

🚨 놀라운 발견:
형광이 아주 강하게 빛났습니다.

• 기존의 오해 (단순한 해석): "스트레스를 받으니 세포들이 계속 당을 만드는 유전자를 켜고 열심히 일하고 있구나!"
• 이 논문의 새로운 해석 (정확한 해석): "아니야! 세포들은 대부분의 시간 동안 켜져 있지 않아. 하지만 일단 켜지면 만들어진 단백질이 세포 분열을 거치면서 오래 살아남아 쌓여있는 거야."

🌩️ 비유:
폭풍우 (스트레스) 가 오면 등불 (단백질) 이 켜집니다.

• 오해: "폭풍우 내내 등불이 켜져 있었구나!"
• 사실: "등불은 순간적으로 켜졌다 꺼졌다 했지만, 등불이 아주 오래 지속되는 불이라서, 폭풍우가 그쳐도 여전히 빛이 남아있는 거야."

연구 결과, 스트레스를 받는 세포들도 실제로는 약 5% 정도의 시간만 유전자를 켜고 있었습니다. 하지만 그 짧은 시간에 만들어진 단백질이 세포 분열을 거치며 상속되어, 마치 계속 켜져 있는 것처럼 보였던 것입니다.

---

💡 5. 결론: 왜 이것이 중요한가?

이 연구는 우리에게 중요한 교훈을 줍니다.

1. 유전자는 '상속'됩니다: 세포가 나뉠 때 단백질은 사라지지 않고 딸세포에게 물려받습니다.
2. 시각은 속일 수 있습니다: 형광이 강하다고 해서 무조건 '활발하게 일하고 있다'고 생각하면 안 됩니다. 과거의 유산일 수 있습니다.
3. AI 는 과학의 새로운 눈: 복잡한 생물학적 현상을 수학 공식으로 풀지 못해도, AI 를 통해 시뮬레이션 데이터를 학습하면 정확한 결론을 낼 수 있습니다.

한 줄 요약:

"세포가 분열할 때 단백질이 어떻게 나뉘고 쌓이는지 고려하지 않으면, 우리는 세포가 '계속 일하고 있는 줄' 알지만, 사실은 '잠깐 일했다가 물려받은 결과'를 보고 있을 뿐입니다. 이 연구는 AI 를 이용해 그 진실을 찾아냈습니다."

기술 요약

이 논문은 세포 분열 과정에서 모세포로부터 유전된 단백질의 영향으로 인해 발생하는 단백질 생산 동역학 추론의 어려움을 해결하기 위해 제안된 새로운 방법론과 그 적용 사례를 다루고 있습니다. 아래는 이 논문의 기술적 요약입니다.

1. 문제 제기 (Problem)

• 배경: 세포 분열이 일어나는 환경에서 단백질 생산 속도를 추정하는 것은 매우 복잡합니다. 형광 측정 (Flow Cytometry 등) 은 새로 합성된 단백질뿐만 아니라 모세포에서 분열을 통해 물려받은 (inherited) 단백질까지 모두 포함하기 때문입니다.
• 핵심 난제: 단백질의 반감기가 세포 분열 주기보다 길 경우, 단백질 수의 감소는 주로 분해 (degradation) 가 아닌 분열 (dilution) 을 통해 일어납니다. 이는 세포의 현재 단백질 수치가 과거 분열 역사 (division history) 에 의존함을 의미합니다.
• 기존 방법의 한계: 기존의 대부분의 모델은 마르코프성 (Markovian, 기억 없음) 가정을 기반으로 합니다. 그러나 분열 시간은 지수 분포를 따르지 않으며 (비마르코프적), 단백질 분포는 분열 이력에 의존하므로 기존의 마르코프 기반 주방정식 (Master Equation) 을 풀어 가능도 (Likelihood) 함수를 유도하는 것이 불가능하거나 계산적으로 비실용적입니다.

2. 방법론 (Methodology)

저자들은 시뮬레이션 기반 추론 (Simulation-Based Inference, SBI) 프레임워크를 사용하여 가능도 함수를 직접 유도하지 않고 근사하는 접근법을 제시했습니다.

• 조건부 정규화 흐름 (Conditional Normalizing Flows):
  • 가능도 함수 $p(\text{data}|\theta)$를 직접 계산할 수 없을 때, 신경망을 사용하여 이 가능도를 근사합니다.
  • 정규화 흐름 (Normalizing Flows) 은 단순한 기본 분포 (예: 가우시안) 를 가변적이고 역변환 가능한 (invertible) 신경망 변환을 통해 복잡한 타겟 분포로 매핑합니다.
  • 조건부 학습: 모델 파라미터 $\theta$ (생산률, 분열 시간 변동성 등) 를 조건으로 하여, 관측 데이터 $y$ (형광 강도 등) 의 조건부 확률 분포 $p(y|\theta)$를 학습합니다.
• 학습 과정:
  1. 파라미터 공간에서 무작위 샘플링 ($\theta$).
  2. 해당 파라미터로 세포 분열 및 단백질 생산 과정을 시뮬레이션하여 가짜 데이터 ($y$) 생성.
  3. 생성된 $(\theta, y)$ 쌍을 사용하여 신경망을 훈련시켜 가능도 함수를 학습.
  4. 베이지안 추론을 통해 실제 실험 데이터로부터 사후 분포 (Posterior) 를 추정.
• 모델 계층:
  • Model 1: 결정론적 분열 (정규 분할). 해석적 해가 존재하여 방법론의 정확성을 검증.
  • Model 2: 확률론적 분열 시간 (감마 분포). 해석적 해가 불가능하여 시뮬레이션 기반 접근법 필요.
  • Model 3: 실제 생물학적 복잡성 반영 (이중 상태 유전자 조절, 비대칭 분열, 형광 측정 노이즈 포함).

3. 주요 결과 (Key Results)

• 모델 검증:
  • Model 1 에서 신경망이 생성한 가능도 근사치가 해석적 해 (불완전 감마 함수) 와 거의 일치함을 확인.
  • Model 2 와 3 에서도 다양한 파라미터 범위에서 시뮬레이션 데이터를 정확히 재현하고, 관측 데이터로부터 파라미터를 성공적으로 추론함.
• 실제 데이터 적용 (S. cerevisiae, glc3 유전자):
  • 실험 조건: 영양 제한 조건 (고 스트레스) 과 대조군 (저 스트레스) 에서의 글리코겐 합성 관련 $glc3$ 유전자의 활성을 형광 측정.
  • 발견:
    • 고 스트레스 조건에서 형광 강도가 매우 높게 관측되었으나, 이는 유전자가 지속적으로 활성화되어 단백질이 계속 생산되었기 때문이 아님.
    • 추론 결과, 세포는 매우 짧은 시간 (약 5%) 만 활성화 상태에 머무르고 비활성 상태로 돌아옴 (Brief and transient activation).
    • 고 형광 강도는 활성화 기간 동안 생산된 단백질이 세포 분열을 거치며 모세포로부터 물려받아 (Inheritance) 여러 세포 주기에 걸쳐 유지되기 때문임.
  • 오류 교정: 세포 분열을 고려하지 않은 단순 분석 (Naive analysis) 은 많은 세포가 지속적으로 활성화되어 있다고 잘못 결론내릴 수 있었음.

4. 기여 및 의의 (Contributions & Significance)

• 비마르코프적 시스템에 대한 새로운 추론 프레임워크: 세포 분열 이력과 같은 비마르코프적 특성을 가진 생물학적 시스템에서 가능도 기반 추론을 가능하게 함.
• 해석적 해 불필요: 주방정식 (Master Equation) 을 풀거나 가능도 함수를 수식으로 유도할 필요 없이, 시뮬레이션만으로 정확한 추론이 가능함을 입증.
• 생물학적 통찰의 재해석: 단백질의 '유전 (Inheritance)'과 '생산 (Production)'을 명확히 구분함으로써, 고형광 신호가 반드시 높은 유전자 발현을 의미하지는 않음을 보여줌. 이는 스트레스 반응 메커니즘 (Bet-hedging 전략 등) 을 이해하는 데 중요한 통찰을 제공.
• 확장성: 신경망 기반의 가능도 근사는 계산 비용이 높은 복잡한 생물학적 모델 (예: 감염 역학, 신경 활동 등) 에도 적용 가능한 범용적인 도구로 제시됨.

결론

이 연구는 세포 분열로 인한 단백질의 물리적 분배와 유전 효과를 명시적으로 모델링함으로써, 기존 방법론이 놓칠 수 있는 중요한 생물학적 역동성을 포착했습니다. 신경망 기반의 시뮬레이션 추론 (SBI) 을 통해 복잡한 비마르코프 시스템에서도 정량적이고 신뢰할 수 있는 파라미터 추정이 가능함을 보여주었으며, 특히 $glc3$ 유전자의 활성화가 드물고 일시적임을 밝혀내어 기존 관측 데이터의 오해를 바로잡았습니다.