⚡ electrical engineering

Host-Aware Control of Gene Expression using Data-Enabled Predictive Control

본 논문은 기존 AI 기반 제어기보다 최소한의 데이터로 비선형성을 처리하기 위해 기저 함수를 강화한 데이터 기반 예측 제어 (DeePC) 가 박테리아의 유전자 발현 및 숙주 성장을 위한 강인하고, 표본 효율적이며, 고성능의 실시간 제어를 달성함을 보여준다.

원저자: Liam Perreault, Idris Kempf, Kirill Sechkar, Jean-Baptiste Lugagne, Antonis Papachristodoulou

게시일 2026-05-13

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Liam Perreault, Idris Kempf, Kirill Sechkar, Jean-Baptiste Lugagne, Antonis Papachristodoulou

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

생각해 보세요. 여러분이 살아있는 박테리아로 구성된 오케스트라를 지휘하려고 한다고 가정해 봅시다. 여러분의 목표는 두 가지 특정 음을 완벽하게 동시에 연주하게 하는 것입니다. 하나는 특수한 '형광' 단백질의 생산량 (유전자 발현) 이고, 다른 하나는 전체 밴드의 성장 속도 (세포 성장률) 입니다.

어려운 점은 이 박테리아들이 고집이 세다는 것입니다. 성장 속도를 더 빠르게 밀어붙이면 형광을 내는 것을 멈출 수 있고, 형광을 너무 많이 내게 하면 지쳐서 성장을 멈출 수 있습니다. 이는 섬세한 균형 작업입니다.

이 논문은 완전한 악보나 긴 리허설 없이도 이 박테리아 오케스트라를 이끌 수 있는 새로운 '지휘자' (컴퓨터 제어기) 를 소개합니다. 그들이 어떻게 했는지 간단한 개념으로 나누어 설명하겠습니다.

1. 옛 방식 vs 새로운 방식

옛 방식 (모델 기반): 전통적으로 과학자들은 각 박테리아가 정확히 어떻게 작동하는지 설명하는 완벽한 수학적 교과서를 작성하려고 시도했습니다. 그런 다음 이 교과서를 사용하여 무엇을 해야 할지 예측했습니다. 문제는 무엇일까요? 생물학은 messy(복잡하고 불규칙) 합니다. 박테리아가 조금만 변해도 교과서는 틀리게 되고, 지휘자는 실패합니다.
AI 방식 (딥러닝): 또 다른 접근법은 컴퓨터가 비디오 게임 캐릭터가 경험치를 얻기 위해 노력하듯 시행착오를 통해 '학습'하게 하는 것입니다. 이는 잘 작동하지만 막대한 양의 데이터 (수천 시간의 연습) 가 필요하며, 박테리아의 종류가 바뀔 때마다 처음부터 다시 훈련해야 합니다.
새로운 방식 (DeePC): 저자들은 데이터 기반 예측 제어 (Data-enabled Predictive Control, DeePC) 라는 방법을 사용했습니다. 이는 교과서나 수천 시간의 연습이 필요 없는 지휘자라고 생각하세요. 대신 밴드가 연주한 최근 몇 분간의 음악을 듣고 이를 바탕으로 다음에 무엇을 해야 할지 추측합니다. 이는 '플러그 앤 플레이' 방식입니다.

2. 두 개의 노브와 두 개의 미터

이 시스템에는 두 가지 제어 (입력) 와 측정할 두 가지 항목 (출력) 이 있습니다.

제어:
1. 빛: 박테리아에 특정 색상의 빛을 비추어 유전자를 켜거나 끕니다 (디머 스위치처럼).
2. 음식: 먹이 속의 영양소 농도를 변경합니다 (밴드의 템포 속도를 조절하듯이).
미터:
1. 형광: 박테리아가 얼마나 밝게 빛나는지.
2. 성장: 박테리아가 얼마나 빠르게 증식하는지.

3. 비장의 무기: '기저 함수 (Basis Functions)'

박테리아는 단순한 기계가 아닙니다. 그들은 직선이 아니라 곡선으로 반응합니다. 빛을 두 배로 늘린다고 해서 형광이 반드시 두 배가 되는 것은 아닙니다. 이 논문은 기저 함수 (basis functions) 라는 특별한 '번역기'를 추가했습니다.

직선 레고 블록만으로 매끄러운 곡선을 그리려고 한다고 상상해 보세요. 그것은 거칠고 추해 보입니다. 하지만 특별한 곡선 레고 블록 (기저 함수) 이 있다면 매끄럽고 완벽한 곡선을 만들 수 있습니다. 저자들은 이 '곡선 블록'을 제어기에 추가하여 복잡한 수학적 모델 없이도 박테리아의 자연스러운 비선형 행동을 이해할 수 있도록 했습니다.

4. 속도를 위한 '치트 코드' (모델 축소)

보통 복잡한 시스템의 미래를 예측하려면 많은 데이터가 필요합니다. 저자들은 박테리아가 18 가지의 서로 다른 내부 '상태' (18 가지 악기가 연주하는 것과 같음) 를 가지고 있지만, 큰 그림에 실제로 중요한 것은 그중 5 가지뿐임을 깨달았습니다.

그들은 모델 축소 (model reduction) 라는 트릭을 사용하여 13 개의 '잡음' 악기를 무시하고 5 개의 주요 악기에만 집중했습니다. 이는 라디오를 튜닝하여 정전기 소음을 제거하고 주요 멜로디만 듣는 것과 같습니다. 중요한 부분에 집중했기 때문에 제어기가 작동하는 방법을 가르치기 위해 훨씬 적은 데이터가 필요했습니다.

5. 결과: 누가 대회를 이겼나요?

저자들은 새로운 '곡선 블록이 있는 DeePC' 제어기를 네 가지 다른 방법과 비교하여 테스트했습니다.

PI 제어: 단순하고 구식인 규칙 준수 방법. (변화하는 목표를 따라가는 데 어려움을 겪음).
Deep MPC: 방대한 양의 훈련 데이터가 필요한 무거운 AI 방법. (잘 수행되었지만 데이터를 많이 필요로 함).
DDPG: 강화 학습 방법 (비디오 게임 AI 와 같음). (잘 작동했지만 많은 연습이 필요함).
SLMPC: 완벽한 수학적 모델을 사용하는 방법 (교과서 접근법). (가장 잘 수행되었지만, 이는 박테리아에 대한 완벽한 지식을 가지고 있었기 때문이며, 이는 현실에서 드문 일임).

승자: 새로운 DeePC 방법은 '완벽한 지식'을 가진 방법 (SLMPC) 과 고급 AI 방법과 거의同등하게 수행되었지만, 가장 적은 양의 데이터를 사용했습니다.

왜 이것이 중요한가

이 논문은 이것이 '개념 증명 (proof-of-concept)'이라고 주장합니다. 생물학이 어떻게 작동하는지 모든 세부 사항을 알 필요가 없거나 데이터를 수집하는 데 몇 달을 보낼 필요 없이 실시간으로 복잡한 생명 시스템을 제어할 수 있음을 보여줍니다.

저자들은 특히 이 설정이 현미경과 미세 유체 장치 (세포를 담는 작은 칩) 를 사용하여 박테리아를 하나씩 제어하는 미래 실험을 위해 설계되었다고 명시합니다. 목표는 변화하는 조건 하에서 개별 세포들이 서로 어떻게 다르게 행동하는지 연구하는 것으로, 이는 생물학을 이해하고 새로운 생물학적 도구를 개발하는 데 중요합니다.

간단히 말해: 그들은 매우 적은 리허설 시간을 사용하여, 연주자들이 예측 불가능하더라도 박테리아 오케스트라가 올바른 음을 연주하도록 이끌 수 있는 똑똑하고 데이터 효율적인 지휘자를 구축했습니다.

기술 요약: 데이터 기반 예측 제어를 활용한 숙주 인식 유전자 발현 제어

문제 제기
크라이오제네틱스 (cryogenetics) 는 바이오제조 및 기초 연구 응용을 위해 유전자 발현 및 성장률과 같은 세포 과정을 정밀하게 조절하는 것을 목표로 합니다. 현재의 제어 전략은 이분법에 직면해 있습니다. 모델 기반 제어기 (예: MPC) 는 정확한 선형화 모델에 의존하는데, 이는 복잡한 생물학적 시스템에서 유효성이 부족할 수 있으며, 반면 AI 기반 방법 (예: Deep MPC, 강화 학습) 은 종종 광범위한 훈련 데이터와 새로운 시스템에 대한 재훈련을 요구합니다. 따라서 광범위한 사전 시스템 식별이나 새로운 응용 프로그램마다의 재훈련 없이도 높은 샘플 효율성, 매개변수 불확실성에 대한 강인성, 그리고 비선형성을 처리할 수 있는 제어 전략이 필요합니다.

방법론
저자들은 E. coli의 2 입력 2 출력 (2x2) 생물학적 시스템에 적용된 데이터 기반 예측 제어 (DeePC) 프레임워크를 제안합니다.

시스템 모델: 제어된 시스템은 조립된 세균 숙주 모델과 CcaS/CcaR 광유전성 토글 스위치의 기계론적 모델을 통합합니다. 입력은 영양분 농도 ( $u_s$ ) 와 적색/녹색 빛 강도의 비율 ( $u_g$ ) 입니다. 출력은 숙주 성장률 ( $y_\lambda$ ) 과 형광 리포터 유전자의 발현 수준 ( $y_g$ ) 입니다. 이 시스템은 본질적으로 비선형적이며 18 개의 상태를 가지며, 성장률이 희석과 자원 공유를 통해 유전자 발현에 영향을 미치는 결합 (coupling) 을 나타냅니다.
제어기 설계: 핵심 알고리즘은 선형 DeePC 로, Hankel 행렬을 사용하여 측정된 입력 - 출력 데이터에서 직접 미래 시스템 동작을 예측하며 명시적인 매개변수 모델의 필요성을 우회합니다. 시스템의 비선형성 (특히 빛과 영양분에 대한 시그모이드 반응) 을 해결하기 위해 저자들은 DeePC 최적화 문제에 입력을 변환하는 기저 함수 (basis functions) ( $\phi_1, \phi_2$ ) 를 도입합니다.
데이터 효율성: 제어기 초기화에 필요한 데이터를 최소화하기 위해 저자들은 균형 모델 축소 (balanced model reduction) 를 사용합니다. 선형화된 시스템의 관측 가능성 및 제어 가능성 그라미안 (Gramians) 을 분석함으로써, 상태 차원을 18 에서 5 로 축소하면 시스템 동역학의 99.4% 를 포착할 수 있음을 보여줍니다. 이 축소는 지속적 여기 조건 (persistence of excitation condition) 에 필요한 최소 샘플 수를 크게 낮춥니다.
구현: 제어기는 예측 제어 (receding horizon) 방식으로 작동합니다. 임의의 기준 신호를 처리하고 Hankel 행렬의 랭크를 유지하기 위해, 각 시간 단계마다 새로운 입력 - 출력 데이터가 추가됩니다. 비용 함수는 절대 입력이 아닌 입력 차이를 패널티로 부과하여 적분 동작을 도입합니다.

주요 기여

숙주 인식 제어 전략: 본 논문은 기존 연구에서 사용된 추가적인 합성 회로나 외부 희석 방법 없이 영양분 밀도를 활용하여 합성 유전자 발현과 숙주 성장을 동시에 조절하는 "플러그 앤 플레이" 제어기를 제시합니다.
기저 함수를 통한 비선형성 처리: DeePC 프레임워크에 기저 함수를 통합함으로써 생물학적 시스템에서 흔히 발생하는 시그모이드 비선형성을 관리하면서도 선형 공식의 계산적 단순성을 유지할 수 있습니다.
샘플 효율성: 모델 축소를 통해 저자들은 전체 차수 모델 ( $T \ge 167$ ) 을 사용하는 것에 비해 훨씬 적은 데이터 포인트 (최소 $T \ge 89$ 샘플) 로 제어기를 구현할 수 있음을 입증했습니다. 이는 시간 제약이 있는 in vivo 실험에 적합하게 만듭니다.
종합적 벤치마킹: 본 연구는 DeePC 를 모델 프리 (PI), 모델 기반 (Successive Linearisation MPC 또는 SLMPC), 그리고 AI 기반 (Deep MPC 및 Deep Deterministic Policy Gradient/DDPG) 의 네 가지 다른 제어 패러다임과 엄격하게 비교합니다.

결과

성능: 정현파 및 계단 기준 신호를 사용한 시뮬레이션에서 기저 함수가 포함된 DeePC 제어기 (DeePC/BF) 는 완전한 상태 피드백과 완벽한 모델 지식을 가정하는 SLMPC 와 비교할 수 있는 성능으로 기준을 추적하며, PI 및 Deep MPC 보다 훨씬 우수한 성능을 발휘합니다.
강인성: 제어기는 측정 노이즈, 광유전성 반응의 시간 지연, 그리고 기저 함수의 매개변수 불확실성에 대한 강인성을 보여줍니다. 노이즈나 지연이 증가함에 따라 성능은 저하되지만, 제어기는 안정성을 유지하고 정상 상태에 도달합니다.
샘플 효율성: DeePC/BF 는 Deep MPC 및 DDPG 보다 훨씬 더 높은 샘플 효율성을 보입니다. Deep MPC 와 DDPG 는 성능이 평탄화되기까지 수 십만 개의 훈련 샘플이 필요했던 반면, DeePC/BF 는 200 개 미만의 샘플로 비교 가능한 추적 성능을 달성했습니다.
비교 대상의 한계: Deep MPC 는 구현에 필요한 입력의 이진화 (binarization) 로 인해 어려움을 겪었으며, PI 제어는 시간 가변 기준을 정확하게 추적하지 못했습니다. DDPG 는 계단 응답에서는 잘 수행되었으나 광범위한 훈련 에피소드가 필요했습니다.

의의 및 주장
본 논문은 이 작업을 단일 세포 광유전성 제어가 가능한 현미경 플랫폼에서의 향후 in vivo 실험을 위한 개념 증명 (proof-of-concept) 으로 위치시킵니다. 저자들은 그들의 접근 방식이 AI 기반 방법과 관련된 노동 집약적인 훈련 및 재훈련 없이 공학 생물학에서 실시간 단일 세포 수준의 조절을 향한 실현 가능한 길을 제공한다고 주장합니다. 모델 축소와 기저 함수를 통해 데이터 수집 기간을 최소화함으로써, 이 방법은 세포 생존력과 같이 지속 시간이 제한된 실험에서 중요한 병목 현상을 해결합니다. 연구는 기저 함수와 모델 축소로 강화된 DeePC 가 숙주 인식 사이버제네틱 제어를 위한 강인하고 데이터 효율적인 대안을 제공하며, 향후 생물학적 응용을 위한 최적의 하드웨어 및 실험 설계에 대한 지침을 제공한다고 결론지었습니다.