Optimization of PURE system composition using automation and active learning

이 논문은 자동화 액체 처리 기술과 능동 학습 (active learning) 프레임워크를 결합하여 PURE 시스템의 고차원 조성 공간을 효율적으로 탐색함으로써 단백질 발현을 최대 3 배까지 향상시키고, 최적의 조성 조건이 DNA 농도와 유전자 특성에 따라 달라진다는 메커니즘을 규명했습니다.

핵심

🍳 핵심 비유: "완벽한 요리 레시피 찾기"

상상해 보세요. 여러분이 완벽한 스프를 만들고 싶다고 칩시다. 이 스프를 만들기 위해 소금, 후추, 채소, 고기, 향신료 등 69 가지의 재료가 필요합니다.

기존에는 과학자들이 "아마 소금을 조금 더 넣으면 맛있겠지?"라고 추측해서 실험을 했습니다. 하지만 재료가 너무 많고, 서로 섞였을 때의 반응이 예측하기 어려워서 (예: 소금을 더 넣으면 채소가 죽을 수도 있음) 최적의 맛을 찾기 위해 수천 번을 시도하는 것은 불가능에 가까웠습니다.

이 연구팀은 **"인공지능 요리사 (Active Learning)"**와 **"로봇 주방 (자동화 액체 핸들러)"**을 고용하여 이 문제를 해결했습니다.

🤖 연구의 주요 내용

1. 로봇과 AI 가 함께 요리합니다 (자동화 & 능동 학습)

연구팀은 69 가지 재료를 21 개의 그룹으로 묶었습니다. 그리고 **메타스 (METIS)**라는 AI 프로그램을 사용했습니다.

• AI 의 역할: AI 는 처음에 무작위로 레시피를 몇 개 만들어 실험해 봅니다. 그 결과 (스프의 맛, 즉 단백질 생산량) 를 보고 "다음에는 소금을 줄이고 고기를 늘려보자"라고 스스로 학습합니다.
• 로봇의 역할: Echo 라는 초정밀 로봇 팔이 재료를 아주 작은 방울 (물방울) 단위로 섞어줍니다. 사람이 손으로 할 때보다 훨씬 정확하고 빠릅니다.

이 과정을 몇 번 반복하자, AI 는 **기존 레시피보다 3 배 더 맛있는 스프 (단백질)**를 만들어내는 새로운 조합을 찾아냈습니다!

2. "재료의 양"과 "요리하는 상황"은 다릅니다 (DNA 농도에 따른 차이)

가장 흥미로운 점은 상황에 따라 최적의 레시피가 달라진다는 것입니다.

• 상황 A (재료가 적을 때): 스프에 넣을 고기 (DNA) 가 아주 적을 때는, **T7 RNA 중합효소 (요리사의 손)**를 많이 넣어야 맛이 좋아졌습니다.
• 상황 B (재료가 많을 때): 고기를 많이 넣으면, 손이 부족해져서 **리보솜 (요리 도구)**이나 **개시 인자 (요리 시작 신호)**를 더 많이 넣어야 했습니다.

즉, **"한 가지 정답 (Universal Recipe) 은 없다"**는 것을 발견했습니다. 요리할 양 (DNA 농도) 에 따라 최적의 레시피가 완전히 달라진 것입니다.

3. 한 그릇의 스프, 여러 가지 맛 (다중 유전자 발현의 한계)

연구팀은 이제 단순히 하나의 스프 (단백질) 만 만드는 게 아니라, **한 번에 15 가지 종류의 스프를 동시에 만드는 거대한 냄비 (41kb 합성 염색체)**를 실험했습니다.

• 목표: AI 가 "mVenus(노란색 스프)"와 "mCherry(빨간색 스프)"의 맛을 좋게 만들도록 레시피를 조정했습니다.
• 결과: AI 가 지시한 대로 노란색과 빨간색 스프는 정말 맛있어졌습니다. 하지만 나머지 13 가지 스프는? 어떤 것은 더 맛있어졌고, 어떤 것은 맛이 떨어졌습니다.

이는 **"한 가지 레시피로 모든 요리를 완벽하게 만들 수는 없다"**는 뜻입니다. 각 재료 (유전자) 마다 고유의 특성이 있어서, 특정 맛을 좋게 하려면 다른 맛은 희생될 수밖에 없었습니다.

💡 이 연구가 우리에게 주는 교훈

1. 시행착오가 아니라 '학습'이 답이다: 무작정 재료를 섞는 대신, AI 가 실험 결과를 학습하며 빠르게 최적점을 찾았습니다. 이는 복잡한 생물학적 시스템을 최적화하는 새로운 표준이 될 것입니다.
2. 상황에 맞춰 유연하게: "이게 최고야!"라고 정해둔 레시피는 없습니다. 무엇을 만들고 싶은지 (어떤 DNA 를 넣을지) 에 따라 레시피를 바꿔야 합니다.
3. 자동화의 힘: 로봇이 재료를 섞어주니, 인간이 할 수 없었던 정밀한 실험이 가능해졌습니다.

🎯 결론

이 논문은 **"인공지능과 로봇을 이용해 세포 없이 단백질을 만드는 시스템을 최적화했다"**는 것입니다. 마치 AI 가 수천 가지의 레시피를 시도하며 "이 조합이 최고야!"라고 찾아낸 것과 같습니다.

하지만 이 연구는 또한 **"하나의 레시피로 모든 것을 해결할 수는 없다"**는 중요한 교훈도 줍니다. 우리가 원하는 단백질 (요리) 이 무엇인지, 그리고 얼마나 많이 만들 것인지에 따라 레시피를 유연하게 바꿔야만 최고의 결과를 얻을 수 있다는 것입니다.

이 기술은 앞으로 새로운 백신 개발, 인공 세포 만들기, 그리고 맞춤형 의약품 생산 등에 큰 도움을 줄 것으로 기대됩니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• PURE 시스템의 한계: PURE 시스템은 정의된 구성 요소로 이루어져 있어 합성 생물학 및 인공 세포 구축에 유용하지만, 기존 구성 (PUREfrex 2.0 등) 은 단백질 수율이 낮고 번역 속도가 느리며 반응 수명이 짧다는 한계가 있습니다.
• 기존 최적화의 부족: 이전 연구들은 단일 유전자 발현에 초점을 맞추거나 소수의 구성 요소만 변경하는 데 그쳤습니다. 69 개의 개별 구성 요소 (단백질, tRNA 등) 로 이루어진 고차원 공간에서 최적 조합을 찾기 위해 수천 번의 실험을 수행하는 것은 비효율적입니다.
• 문맥 의존성 (Context-dependence): 기존 연구들은 DNA 농도나 템플릿 구조에 따라 최적의 구성 요소가 달라질 수 있음을 시사했으나, 이를 체계적으로 규명한 사례는 부족했습니다.

2. 방법론 (Methodology)

A. 실험 자동화 및 파라미터 공간 정의

• 구성 요소 그룹화: PURE 시스템의 69 개 구성 요소를 21 개의 기능적 그룹 (예: 개시 인자, 신장 인자, 아미노산 등) 으로 묶고, 6 개는 개별 변수로 유지하여 변수의 수를 줄였습니다.
• 자동화 액체 처리 (Echo): 비커 (Echo 525) 를 사용하여 마이크로플레이트에 구성 요소를 정밀하게 분주했습니다. 점도와 글리세롤 함량에 따른 오차를 보정하기 위해 21 개 그룹별로 액체 클래스 (Liquid class) 를 교정했습니다.
• 반응 조건: 21 개 그룹 각각을 기준 농도 (1×) 의 0.5 배, 1 배, 2 배로 설정하여 $3^{21}$ (약 100 억 개) 의 조합 공간을 탐색했습니다.

B. 활성 학습 (Active Learning) 프레임워크

• METIS 워크플로우: 구글 콜랩 (Google Colab) 기반의 METIS 도구를 사용하여 실험을 설계하고 데이터를 분석했습니다.
• 알고리즘:
  • XGBoost 회귀 모델: 누적된 실험 데이터를 기반으로 다음 라운드에서 테스트할 조합을 예측합니다.
  • 베이지안 최적화 (Bayesian Optimization): Upper Confidence Bound (UCB) 지표를 사용하여 '탐색 (Exploration)'과 '이용 (Exploitation)'을 균형 있게 조절하며 최적 조합을 선정합니다.
• 피드백 루프: 실시간 형광 데이터 (mEYFP) 를 기반으로 모델을 훈련시키고, 다음 라운드의 실험 조건을 생성하는 폐쇄 루프 (Closed-loop) 시스템을 구축했습니다.

C. 평가 지표

• 단일 유전자 (meyfp, lacZ): mEYFP 의 형광 수율과 번역 속도를 주요 최적화 목표로 삼았으며, lacZ (β-galactosidase) 를 통해 공발현 유전자의 영향을 평가했습니다.
• 다중 유전자 (MSG1.1): 41 kb 크기의 합성 염색체 (MSG1.1, 15 개 유전자 포함) 를 사용하여, 형광 리포터 (mVenus, mCherry) 의 조화 평균 (Harmonic mean) 을 최적화 목표로 설정했습니다.
• 프로테오믹스 분석: 최적화된 조건에서 합성된 전체 단백질의 양을 질량 분석기 (LC-MS) 로 정량화하여 유전자별 발현 패턴을 분석했습니다.

3. 주요 결과 (Key Results)

A. 단백질 수율 및 번역 속도의 획기적 향상

• 단일 유전자 최적화: 활성 학습을 통해 2~3 라운드 만에 기준 조건 (REF) 대비 최대 3 배 이상의 단백질 수율 및 번역 속도 향상을 달성했습니다.
• 상관관계: 최적화된 조건에서 번역 속도와 최종 단백질 수율은 강한 양의 상관관계를 보였습니다.
• 재현성: 자동화된 Echo 조립과 수동 조립 모두에서 향상된 수율을 확인했으며, 다른 배치 (Batch) 의 시약에서도 유사한 최적화 경향을 보였습니다.

B. DNA 농도에 따른 최적 조성의 이질성 (Context-Dependence)

• 저농도 DNA (0.1 nM): T7 RNA 중합효소 (t7pol) 와 티로신 (tyr) 농도 증가가 수율 향상에 결정적이었습니다.
• 고농도 DNA (2 nM): 번역 개시 인자 (IFs), 마그네슘 아세테이트 (mg-acet), tRNA 등이 주요 제한 요인이 되었으며, t7pol 의 영향력은 상대적으로 감소했습니다.
• 결론: DNA 농도에 따라 시스템의 제한 요인 (Bottleneck) 이 달라지므로, 단일한 '만능' PURE 조성은 존재하지 않으며, DNA 농도에 맞춰 조성을 조정해야 합니다.

C. 다중 유전자 발현의 한계 (Gene-Specific Trade-offs)

• 리포터 vs 전체 프로테오믹스: 형광 리포터 (mVenus, mCherry) 의 발현을 최적화한 조건에서도, MSG1.1 염색체에 포함된 다른 13 개 유전자의 발현은 균일하게 향상되지 않았습니다.
• 유전자 특이적 영향: 일부 단백질은 과발현된 반면, 다른 단백질은 오히려 감소하거나 변하지 않았습니다. 이는 최적화 전략이 특정 유전자 서열이나 구조에 의존적임을 의미합니다.
• 예측 모델의 성능: 고농도 DNA 조건에서는 모델의 예측 정확도 ($R^2$) 가 크게 향상되었으나, 저농도 조건에서는 노이즈가 많아 예측이 어려웠습니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 고차원 공간 탐색의 효율성: 수천 개의 실험 없이 활성 학습과 자동화를 통해 PURE 시스템의 고차원 조성 공간에서 최적 조합을 신속하게 발견하는 프레임워크를 확립했습니다.
2. 메커니즘적 통찰: DNA 농도에 따라 시스템의 제한 요인이 전환된다는 것을 규명하여, PURE 시스템의 작동 원리에 대한 깊은 이해를 제공했습니다.
3. 맥락 의존성 강조: 특정 유전자나 DNA 농도에 최적화된 조성은 다른 조건에서는 오히려 성능을 저하시킬 수 있음을 보여주어, "원격 제어" 가능한 맞춤형 PURE 시스템의 필요성을 강조했습니다.
4. 확장성: 이 워크플로우는 리포터 유전자뿐만 아니라 복잡한 합성 염색체나 대사 경로 최적화에도 적용 가능하며, 향후 자가 재생성 시스템이나 인공 세포 구축의 기초 기술로 활용될 수 있습니다.

5. 결론

이 연구는 데이터 기반의 활성 학습이 합성 생물학의 복잡한 최적화 문제를 해결하는 강력한 도구임을 입증했습니다. 특히, PURE 시스템의 성능이 단일한 최적 조성이 아니라 DNA 농도와 유전자 서열에 따라 동적으로 변화한다는 사실을 규명함으로써, 향후 더 정교하고 목적에 맞는 무세포 단백질 합성 시스템 개발의 방향성을 제시했습니다.