Combinatorial optimization of protein systems in synthetic cells

이 논문은 합성 세포 내 단백질 시스템의 기능을 향상시키기 위해 다중 유전자의 번역 속도를 동시에 조절하는 조합적 DNA 라이브러리를 구축하고, 이를 통해 최적의 유전자 변이체를 선별하여 다중 단백질 시스템의 최적화 전략을 제시합니다.

핵심

🧪 핵심 비유: "완벽한 요리를 위한 레시피 수정"

상상해 보세요. 여러분이 아주 작은 유리구슬 (인공 세포) 안에 'DNA'라는 레시피 책을 넣고, 그 책을 읽어서 단백질을 만드는 **요리사 (세포 내 기계)**를 투입했다고 가정해 봅시다.

이 연구팀은 두 가지 다른 요리를 만들려고 했습니다.

1. 요리 A (DNA 복제): 레시피 책 자체를 복사해서 더 많이 만드는 요리.
2. 요리 B (인지질 합성): 세포막을 만드는 기름기를 만드는 요리.

문제는 이 요리들이 실패하거나 맛이 없으면, 레시피의 어떤 부분을 고쳐야 할지 알기 어렵다는 점입니다. 보통 과학자들은 레시피의 한 부분만 바꿔가며 실험하지만, 이 연구팀은 "한 번에 여러 부분을 동시에 바꿔보는 (조합 최적화)" 방식을 썼습니다.

---

🚀 연구의 주요 내용 (3 단계 스토리)

1. 실험실에서의 '진화' 게임

연구팀은 레시피 (DNA) 의 특정 부분인 **RBS (리보솜 결합 부위)**를 무작위로 변형시켰습니다. RBS 는 요리사가 레시피를 읽는 속도를 조절하는 **'시작 신호'**와 같습니다.

• 시작 신호가 너무 느리면: 요리사가 레시피를 천천히 읽어서 요리가 안 나옵니다.
• 시작 신호가 너무 빠르면: 요리사가 너무 급하게 읽어서 재료가 낭비되거나 요리가 망가질 수 있습니다.

연구팀은 이 '시작 신호'를 여러 가지 버전으로 바꿔서 100 개 이상의 레시피 조합을 만들었습니다.

2. "가장 잘 만든 요리를 골라내는" 심사 과정

이제 이 레시피들을 작은 유리구슬 (리포솜) 에 넣고 실험을 시작했습니다.

• A 그룹 (DNA 복제): 레시피가 잘 복사되는지 확인했습니다. 복사된 DNA 가 많을수록 그 레시피가 '승자'입니다.
• B 그룹 (인지질 합성): 세포막 기름기를 얼마나 잘 만들었는지 형광등 (형광) 으로 확인했습니다. 빛이 가장 밝게 빛나는 유리구슬만 **자동 분류기 (FACS)**를 통해 뽑아냈습니다.

이 과정을 몇 번 반복하자, **가장 맛있는 요리를 만드는 '최고의 레시피 조합'**들이 자연스럽게 살아남게 되었습니다.

3. 결과: "한 번에 고치는 것이 더 낫다"

최고의 레시피들을 분석한 결과 놀라운 사실이 드러났습니다.

• 단순한 시스템 (DNA 복제): 레시피의 한 부분만 고쳐도 전체가 어떻게 변할지 예측하기 쉬웠습니다. (1+1=2)
• 복잡한 시스템 (인지질 합성): 여러 부분을 동시에 고쳤을 때, 예상치 못한 시너지 효과가 발생했습니다. 예를 들어, "A 재료는 줄이고 B 재료는 늘려야 맛이 좋다"는 식의 복잡한 상호작용이 있었습니다.

이는 마치 한 명의 요리사만 있을 때는 메뉴를 하나씩 바꾸면 되지만, 여러 요리사가 함께 일할 때는 서로의 속도와 재료를 맞춰줘야 최고의 요리가 나온다는 것과 같습니다.

---

💡 이 연구가 왜 중요한가요?

1. 인공 세포의 설계도: 우리는 이제 자연계에서 진화한 세포뿐만 아니라, 우리가 직접 설계한 '인공 세포'를 만들 수 있습니다. 이 연구는 인공 세포를 만들 때 유전자들을 어떻게 조율해야 가장 잘 작동하는지 알려줍니다.
2. 효율적인 실험: 과거에는 하나씩 바꿔가며 실패를 반복했지만, 이제는 한 번에 여러 가지를 조합해서 테스트하는 '스마트한 방법'을 개발했습니다.
3. 미래의 응용: 이 기술을 발전시키면, 우리가 원하는 약물을 생산하거나 환경을 정화하는 '살아있는 공장' 같은 인공 세포를 만들 수 있을 것입니다.

📝 한 줄 요약

"여러 개의 유전자가 함께 일할 때, 각자 따로 고치는 것보다 서로의 속도를 맞춰주는 '조합'을 찾아내는 것이 인공 세포를 최적화하는 지름길이다."

이 연구는 마치 수천 가지 레시피 조합을 한 번에 테스트하여, 가장 맛있는 요리를 만들어내는 요정 (인공 세포) 을 찾아낸 이야기라고 할 수 있습니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 세포 내 유전자 발현 (in vitro) 은 합성 세포 구축, 프로토타이핑, 바이오제조 등에 필수적입니다. 대사 경로, 유전 회로, 바이오센서 등의 단백질 시스템을 재구성할 때, 기능적 성능을 극대화하기 위해 최적화가 필요합니다.
• 문제점:
  • 기존 연구는 주로 단일 유전자의 최적화에 집중했으나, 다중 단백질 시스템 (예: 대사 경로, 복제 네트워크) 의 경우 최적화가 훨씬 복잡합니다.
  • 여러 유전자를 동시에 조절할 때 발생하는 **조합 폭발 (combinatorial explosion)**과 **예측 불가능한 상위성 (epistatic effects, 유전자 간 상호작용)**으로 인해, 개별 유전자를 최적화하는 방식만으로는 전체 시스템의 성능을 예측하거나 향상시키기 어렵습니다.
  • 특히 PURE 시스템 (세포 추출물 기반 무세포 발현 시스템) 에서 여러 유전자의 번역 시작 속도 (Translation Initiation Rate, TIR) 를 동시에 변경할 때, 자원 경쟁 (tRNA, 아미노산 등) 으로 인해 어떻게 전체 발현 패턴과 시스템 기능이 변화하는지는 명확하지 않았습니다.

2. 연구 방법론 (Methodology)

연구팀은 합성 세포 (리포솜) 내에서 두 가지 다른 유전 모듈을 대상으로 대규모 조합 DNA 라이브러리를 생성하고, 고처리량 스크리닝을 통해 최적 변이를 선별하는 방식을 사용했습니다.

• 표적 시스템:

  1. DNA 자기 복제 시스템: 박테리오파지 Phi29 의 DNA 중합효소 (DNAP) 와 말단 단백질 (TP) 을 발현하여 DNA 를 자가 복제시키는 모듈.
  2. 인산지질 합성 경로: E. coli의 케네디 경로 (Kennedy pathway) 에 있는 4 개 효소 (PlsB, PlsC, CdsA, PssA) 를 발현하여 인지질 (Phosphatidylserine, PS) 을 합성하는 모듈.

• 라이브러리 설계 및 생성:

  • RBS (Ribosome Binding Site) 변이 라이브러리: 각 유전자의 번역 시작 부위 (RBS) 서열을 다양화하여 번역 속도를 조절.
  • 첫 번째 코돈 GC 함량 변이 라이브러리: 시작 코돈 바로 downstream 의 GC 함량을 변화시켜 mRNA 2 차 구조를 조절하고 번역 속도를 변이시킴 (동일한 아미노산 서열 유지).
  • MOSAIC 기술: 단일 가닥 DNA annealing protein(SSAP) 을 이용한 플라스미드 다변이 생성 기술을 사용하여, 한 번의 전기천공으로 여러 부위의 변이를 동시에 도입하는 조합 라이브러리 생성.

• 선별 및 스크리닝 전략:

  • DNA 자기 복제 시스템: 리포솜 내에서 DNA 가 복제되면 DNA 양이 기하급수적으로 증가하므로, qPCR 및 나노포어 시퀀싱을 통해 복제 효율이 높은 변이를 '자기 선택 (self-selection)' 방식으로 선별.
  • 인산지질 합성 시스템: 생성된 PS 는 형광 단백질 리포터 (LactC2-mCherry) 와 결합하여 형광을 발산하므로, **형광 활성화 세포 분류기 (FACS)**를 사용하여 고형광 신호를 가진 리포솜을 선별.

• 분석:

  • Long-read Nanopore Sequencing: 긴 DNA 서열을 한 번에 읽어서 여러 부위의 변이 조합을 정확하게 매핑.
  • 단일 클론 변이 검증: 선별된 상위 변이를 클로닝하여 qPCR, 형광 현미경, SDS-PAGE (단백질 정량) 로 성능 재확인.
  • 상위성 (Epistasis) 분석: 개별 변이의 효과를 곱한 '예상 적합도'와 실제 조합 변이의 '관측 적합도'를 비교하여 유전자 간 상호작용 정도 평가.

3. 주요 결과 (Key Results)

A. DNA 자기 복제 시스템 (2 유전자)

• 최적화 결과: DNAP 와 TP 의 RBS 강도를 동시에 증가시켰을 때 DNA 복제 효율이 극대화되었습니다.
• 예측 가능성: 2 유전자 라이브러리에서 관찰된 적합도 (복제 효율) 는 개별 RBS 변이의 효과를 곱한 모델과 매우 높은 상관관계 ($R^2 = 0.94$) 를 보였습니다. 이는 두 유전자 간의 강한 상위성 (epistasis) 이 없으며, 조합 최적화가 개별 최적화의 합으로 예측 가능함을 의미합니다.
• 단백질 발현: 높은 TIR 을 가진 변이들이 단백질 발현량을 증가시켰지만, 특정 임계점 이후에는 포화 현상이 관찰되었습니다.

B. 인산지질 합성 경로 (4 유전자)

• 최적화 결과: 4 개 효소 중 PlsB, CdsA, PssA의 발현량을 높이는 RBS 조합이 PS 생산을 극대화했습니다. 반면, PlsC의 발현량은 높거나 낮거나 상관없이 PS 생산에 큰 영향을 미치지 않았습니다 (중간 생성물인 PA 가 축적되는 현상 때문으로 추정).
• 예측 가능성: 4 유전자 시스템에서는 개별 변이 효과의 곱으로 조합 변이의 성능을 예측하는 데 한계가 있었습니다 ($R^2 = 0.38 \sim 0.64$). 이는 더 복잡한 시스템일수록 유전자 간 자원 경쟁이나 상호작용으로 인한 예측 불가능한 상위성이 발생함을 시사합니다.
• 단백질 발현 패턴: 특정 유전자의 RBS 를 약하게 만들면, 다른 유전자의 RBS 가 동일함에도 불구하고 해당 유전자의 발현량이 증가하는 등 유전적 배경에 따른 발현 수준의 비선형적 변화가 관찰되었습니다.

C. 첫 번째 코돈 GC 함량 변이

• 특정 위치의 염기 (예: 2 번째 코돈의 3 번째 염기 G) 가 PS 생산에 부정적인 영향을 미치는 등, 염기 서열의 미세한 변화가 시스템 기능에 중요한 영향을 미침을 확인했습니다.
• PlsB 와 PssA 유전자의 변이가 전체 시스템 성능에 가장 큰 영향을 미쳤습니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 단일 단백질에서 다중 단백질 시스템으로의 확장: 기존의 단일 유전자 최적화 접근법을 넘어, 합성 세포 내에서 다중 유전자로 구성된 복잡한 시스템 (자가 복제, 대사 경로) 을 조합적으로 최적화하는 성공적인 사례를 제시했습니다.
2. 예측 가능성의 한계 규명:
   • 단순한 2 유전자 시스템은 조합 최적화가 예측 가능했으나, 4 유전자 이상의 복잡한 시스템에서는 **상위성 (epistasis)**이 강하게 작용하여 개별 변이 데이터만으로는 시스템 성능을 정확히 예측하기 어렵다는 것을 실험적으로 증명했습니다.
   • 이는 복잡한 합성 생물학 시스템을 설계할 때 개별 부품 최적화만으로는 부족하고, 시스템 전체를 고려한 조합적 스크리닝이 필수적임을 강조합니다.
3. 고처리량 합성 세포 스크리닝 플랫폼 정립: 리포솜 기반의 무세포 발현 시스템에 FACS 와 자기 선택 (DNA 복제) 을 결합하고, 롱리드 시퀀싱으로 데이터를 해석하는 통합 워크플로우를 확립했습니다.
4. 미래 방향 제시: 본 연구는 더 큰 유전 네트워크나 전체 인공 세포 (Artificial Cell) 의 진화적 공학을 위한 기초를 마련했습니다. 특히, 머신러닝 기반의 '액티브 러닝 (Active Learning)'과 결합하여 대규모 조합 공간에서 최적 설계를 효율적으로 탐색할 수 있는 가능성을 제시했습니다.

5. 결론

이 연구는 합성 세포 내에서 단백질 시스템의 기능을 최적화하기 위해 조합적 DNA 라이브러리와 고처리량 스크리닝을 효과적으로 활용하는 방법을 제시했습니다. 특히, 시스템의 복잡도가 증가함에 따라 유전자 간 상호작용 (상위성) 이 성능 예측에 미치는 영향을 규명함으로써, 향후 더 정교한 인공 생명체 설계를 위한 전략적 통찰을 제공했습니다.