A genetically encoded local learning rule enables physical learning in engineered bacteria

이 논문은 유전적으로 인코딩된 국소 학습 규칙을 통해 대장균이 플라스미드 복제수 비율을 가중치로 저장하고 활동 의존적 성장 편향을 통해 이를 업데이트함으로써, 물리적 신경망을 직접 훈련시켜 적응형 다세포 계산과 차세대 세포 치료제 개발의 기반을 마련했음을 보고합니다.

핵심

1. 핵심 아이디어: "세균의 두 개의 가방과 저울"

이 연구의 핵심은 **'메마규론 (Memregulon)'**이라는 새로운 시스템을 만든 것입니다. 이를 쉽게 비유하자면 다음과 같습니다.

• 비유: 각 세균은 **두 개의 가방 (플라스미드)**을 들고 있습니다.
  • 빨간 가방 (P1): 무거운 돌을 담고 있습니다.
  • 초록 가방 (P2): 가벼운 깃털을 담고 있습니다.
• 기억 (Weight): 세균 집단이 가진 '지식'이나 '가중치'는 이 두 가방의 비율로 저장됩니다. 빨간 가방이 많으면 '1', 초록 가방이 많으면 '0'에 가깝습니다. 이 비율은 세균이 분열할 때 자식 세균에게도 그대로 전달되어 영구적인 기억이 됩니다.

2. 학습의 원리: "실수를 하면 가벼워지는 세균"

이 세균들은 어떻게 배울까요? 바로 **'항생제 (카나마이신)'**를 이용한 부정적 학습 (Negative Learning) 방식을 사용합니다.

• 상황: 세균이 어떤 문제를 풀었을 때, 만약 정답이 아니라면 (실수를 했다면), 연구자들은 약한 농도의 항생제를 넣습니다.
• 메커니즘:
  • 이 세균들은 '초록 가방 (P2)'에 항생제 저항성을 숨겨두었습니다.
  • 만약 세균이 활발하게 활동하다가 실수를 하면, 그 세균은 항생제 저항 단백질을 만들어냅니다.
  • 항생제가 들어오면, 초록 가방을 더 많이 가진 세균들이 살아남고, 빨간 가방을 가진 세균들은 죽거나 뒤처집니다.
• 결과: 살아남은 세균 집단 전체의 평균은 초록 가방 (가벼운 것) 쪽으로 기울어집니다. 즉, 실수를 하면 '기억 (가중치)'이 자동으로 수정되는 것입니다.

한 줄 요약: "잘못하면 항생제에 걸려 죽고, 잘하면 살아남아 다음 세대를 이끈다. 이 과정에서 세균 집단의 '의견'이 자연스럽게 바뀐다."

3. 실제 실험: "세균으로 하는 틱택토 (Tic-Tac-Toe)"

연구진은 이 원리를 이용해 9 가지 다른 세균을 섞어 틱택토 게임을 시켰습니다.

• 게임 방식:
  • 9 개의 칸 (보드) 각각에 다른 세균을 배치했습니다.
  • 세균들은 화학 신호 (유인 물질) 를 받아 "여기서 수를 두자!"라고 활성화됩니다.
  • 학습: 만약 세균이 실수한 칸에 수를 두어 게임에 졌다면, 연구자는 그 칸에 해당하는 세균에게만 항생제를 줍니다.
  • 결과: 실수한 칸의 세균은 '초록 가방' 비율이 줄어들어 (가중치가 조정되어) 다음에는 그 칸을 선택할 확률이 낮아집니다.
• 성과: 처음에는 무작위로 두던 세균들이 몇 번의 게임과 학습을 거치자, 상대방의 수를 읽고 이기는 전략을 스스로 터득했습니다. 마치 세균들이 "아, 여기 두면 지는구나. 다음엔 저기 두자!"라고 배운 것입니다.

---

왜 이 연구가 중요한가요?

1. 에너지 효율성: 기존 AI 는 학습하는 데 엄청난 전기가 필요합니다. 하지만 이 '살아있는 AI'는 세균이 스스로 분열하고 성장하는 에너지만으로 학습합니다.
2. 자율성: 컴퓨터처럼 외부에서 "이건 틀렸어, 고쳐라"라고 명령할 필요가 없습니다. 환경 (항생제) 만 주어지면 세균 집단이 스스로 문제를 해결합니다.
3. 미래의 응용:
   • 환경 감지: 오염 물질을 감지하면 스스로 학습하여 더 정확하게 반응하는 세균을 만들 수 있습니다.
   • 세포 치료: 암세포를 찾아내어 공격하는 방식이 실패하면, 그 방식을 기억하고 수정하여 더 효과적으로 암을 치료하는 '스마트 세포'를 개발할 수 있습니다.

결론

이 논문은 **"살아있는 세포를 컴퓨터 칩처럼 만들어, 실수를 통해 스스로 배우게 했다"**는 획기적인 성과입니다. 마치 세균들이 자신의 DNA 를 수정하며 경험으로 배우는 지능을 얻은 것과 같습니다. 이는 앞으로 우리가 환경과 상호작용하며 스스로 적응하는 생체 컴퓨터를 만드는 첫걸음이 될 것입니다.

기술 요약

논문 요약: 유전적으로 인코딩된 지역 학습 규칙을 통한 공학 세균의 물리적 학습

1. 문제 정의 (Problem)

• 물리적 신경망 (PNN) 의 학습 병목 현상: 기존 PNN 은 물질 자체에서 계산과 추론은 효율적으로 수행할 수 있으나, 학습 (가중치 업데이트) 은 여전히 큰 병목 현상입니다.
• 역전파 (Backpropagation) 의 한계: 역전파는 시스템에 대한 상세한 모델과 비국소적 (non-local) 인 오류 신호의 역방향 전송을 필요로 하므로, 물리 시스템 (특히 살아있는 세포) 에서 구현하기 어렵습니다.
• 기존 생물학적 구현의 한계: 합성 생물학 기반의 신경망 유사 회로는 주로 '하드코딩'되어 있어 설계 시 가중치가 고정되거나, 외부에서 유도제 농도를 조절하여 설정됩니다. 즉, 내부적으로 재작성 가능한 (rewritable) 지속성 메모리가 부재하여 진정한 의미의 '적응형 학습'이 불가능했습니다.
• 목표: 살아있는 물질 내에서 가중치를 저장하고, 지역적 활동과 공유된 학습 신호에 기반하여 그 가중치를 업데이트하는 유전적으로 인코딩된 지역 학습 규칙을 실험적으로 구현하는 것.

2. 방법론 (Methodology)

A. 핵심 구성 요소: '메머규론 (Memregulon)'

• 정의: 개체 수준이 아닌 세균 집단 (population) 단위로 가중치를 저장하는 기억 단위.
• 구현 방식:
  • 이중 플라스미드 시스템: P1 과 P2 라는 두 개의 고분자 플라스미드를 사용.
  • 가중치 (Weight, W): 전체 플라스미드 풀에서 P1 의 비율 ($W = x / (x+y)$) 로 정의. 이는 아날로그 값으로 저장됨.
  • 대칭성 유지: 두 플라스미드는 크기와 발현 부하를 맞추기 위해 정교하게 설계됨 (P1 은 mCherry + 비활성 KanR/활성 CmR, P2 는 EGFP + 활성 KanR/비활성 CmR).
  • 학습 메커니즘: P2 에는 카나마이신 (Kanamycin) 저항 유전자가 특정 프로모터 아래에 위치.
    • 세균이 활성화되면 (유도제 존재), P2 가 발현되어 카나마이신 저항성을 가짐.
    • 서브-치사량 (Sub-lethal) 카나마이신을 투여하면, P2 를 더 많이 가진 세포 (즉, 가중치 $W$가 낮은 세포) 가 더 빠르게 성장하여 집단 내 비율이 증가함.
    • 결과적으로 집단 평균 가중치 $W$가 감소하며, 이는 영구적인 DNA 수준의 변화로 남음.

B. 학습 규칙 (Learning Rule)

• 지역성 (Locality): 각 메머규론 집단의 가중치 업데이트는 해당 집단의 **로컬 활동 상태 (프로모터 활성화 여부)**와 **공유된 전역 부정적 학습 신호 (카나마이신)**에만 의존.
• 수학적 모델: 가중치 변화량 ($\Delta \langle W \rangle$) 은 활동도 ($A$) 와 현재 가중치 분포의 분산 ($Var(W)$) 에 비례함.
  • $\Delta \langle W \rangle = - C_{neg} \cdot A \cdot Var(W)$
  • 의미: 활동이 활발할수록, 그리고 가중치 분포가 넓을수록 (분산이 클수록) 학습 속도가 빠름. 분포가 좁아지면 학습이 자연스럽게 둔화되는 '내재적 어닐링 (annealing)' 메커니즘이 작동.

C. 실험 설계

• 단일 균주: 8 가지 서로 다른 프로모터를 사용하여 학습 규칙의 정량적 검증.
• 혼합 집단 (Co-culture): 서로 다른 유도제를 사용하는 9 가지 균주를 혼합하여, 하나의 전역 신호 (카나마이신) 가 특정 활성 집단만 선택적으로 학습시키는지 확인.
• 게임 적용: 틱택토 (Tic-Tac-Toe) 토너먼트를 통해 학습된 세균 집단의 적응 능력 평가.
• XOR 게이트 구현: 단일 층 (Combinatorial promoter 사용) 과 다층 (Human-in-the-loop 프로토콜) 구조로 논리 회로 구현.

3. 주요 기여 (Key Contributions)

1. 살아있는 세포에서의 물리적 학습 규칙 최초 구현: 유전적으로 인코딩된 로컬 업데이트 규칙이 지속성 생물학적 메모리 (플라스미드 비율) 에 작용하여 살아있는 세균 집단이 학습할 수 있음을 증명.
2. 메머규론 (Memregulon) 개념 정립: 개체 수준이 아닌 집단 수준의 분포를 가중치로 활용하고, 성장 편이 (growth bias) 를 통해 이를 업데이트하는 새로운 아키텍처 제안.
3. 지역 학습의 정량적 검증: 이론적으로 예측된 "가중치 변화량 $\propto$ 활동도 $\times$ 분산" 관계를 8 가지 프로모터에 대해 실험적으로 입증.
4. 확장성 및 모듈성 증명:
   • 9 가지 직교하는 화학적 입력과 조합형 프로모터 (AND, OR 등) 에 적용 가능.
   • 퀴럼 센싱 (Quorum-sensing) 분자를 통한 세포 간 통신 가능성 제시.
   • 단일 층 XOR 게이트와 다층 신경망 구조 (Human-in-the-loop) 를 통해 비선형 문제 해결 능력 입증.

4. 주요 결과 (Results)

• 안정적인 아날로그 메모리: 플라스미드 비율 기반의 가중치는 세포 분열을 거치더라도 안정적으로 유지되며, 단일 세포 수준에서도 재현 가능한 분포를 가짐.
• 학습 규칙의 유효성:
  • 카나마이신 처리 시, 유도된 프로모터만 가진 집단에서 가중치가 유의미하게 감소 (학습).
  • 유도되지 않은 집단은 가중치 변화가 거의 없음 (선택성).
  • 가중치 분포는 학습이 진행됨에 따라 좁아지고 (narrowing), 하한선 (0) 에 가까워질수록 왜도 (skewness) 가 증가하는 이론적 예측과 일치.
• 틱택토 토너먼트 성공:
  • 9 균주 혼합 배양에서 전역 카나마이신 신호를 통해 특정 위치 (학습 대상) 의 가중치만 선택적으로 조정.
  • 학습 후, 무작위 상대에 대한 승리율 (Expertise) 이 약 50% 에서 76~79% 로 크게 향상.
• XOR 게이트 구현:
  • 단일 층: 조합형 프로모터 (AND 게이트 등) 를 활용한 합리적 설계로 94% 정확도로 XOR 구현.
  • 다층: 인간 - 루프 (Human-in-the-loop) 프로토콜을 통해 층 간 통신을 외부에서 공급하되, 가중치 업데이트는 물리적으로 수행하여 XOR 문제 해결 성공.

5. 의의 및 향후 전망 (Significance)

• 생물학적 하드웨어의 패러다임 전환: 기존에 고정된 논리 회로나 외부 제어에 의존하던 생물학적 컴퓨팅에서, 자율적으로 환경에 적응하고 학습하는 살아있는 하드웨어로의 전환을 가능하게 함.
• 에너지 효율성 및 분산 처리: 대규모 인공 신경망 훈련의 높은 에너지 소모 문제를 해결할 수 있는 저전력 물리적 학습 대안을 제시.
• 응용 가능성:
  • 차세대 세포 치료제: 환경 신호를 감지하고 학습하여 질병 부위에서 적응적으로 반응하는 스마트 치료제.
  • 분산 환경 감지: 복잡한 환경 변화를 학습하여 최적의 반응을 보이는 합성 다세포 시스템.
• 한계 및 향후 과제:
  • 현재 학습 규칙이 부정적 (Negative) 학습 (가중치 감소) 만 가능하여, 가중치 증가가 필요한 작업에는 제한적임.
  • 층간 통신을 위한 생물학적 신호 전달 시스템의 고도화 필요.
  • 항생제 의존성으로 인한 돌연변이 저항성 및 숙주 적합성 문제 해결을 위한 CRISPR 기반 등 대체 액추에이터 개발 필요.

결론적으로, 이 연구는 살아있는 세포가 단순한 계산 장치를 넘어, 물리적 메모리와 지역 학습 규칙을 통해 환경과 상호작용하며 진화할 수 있는 '적응형 생물학적 컴퓨터'의 기초를 마련했다는 점에서 매우 중요한 의의를 가집니다.