Homeostatic feedback model of energy metabolism with adaptive enzyme levels exhibits problem solving behavior

모든 살아있는 세포 내부에는 생명을 유지하기 위해 끊임없이 작동하는 거대하고 복잡한 화학 반응 네트워크가 존재합니다. 대사라고 알려진 이 네트워크는 음식을 에너지로 바꾸고, 새로운 부품을 만들며, 노폐물을 관리하는 역할을 담당합니다. 수십 년 동안 과학자들은 이러한 시스템을 주로 항상성 기계, 즉 내부 환경을 안정적으로 유지하기 위해 작은 오류를 수정하며 일정한 상태를 유지하도록 설계된 시스템으로 간view해 왔습니다. 세포의 에너지 수준이 떨어지면 시스템은 생산량을 늘리고, 너무 높아지면 속도를 늦춥니다. 이러한 균형을 유지하는 능력은 세포가 변화하는 세상에서 살아남을 수 있게 해줍니다. 그러나 새로운 사고방식은 이와 동일한 화학적 네트워크가 단순히 현상 유지를 하는 것 이상의 일을 할 수도 있다고 제안합니다. 이들은 훨씬 더 복잡한 능력인 '학습'을 할 수 있을지도 모릅니다. 동물이 과거의 경험으로부터 학습하여 미래의 사건에 다르게 반응할 수 있는 것처럼, 세포 또한 이전의 스트레스를 기억하고 그 기억을 사용하여 다음 스트레스에 더 잘 대처할 수 있을지도 모릅니다. 이 아이디어는 학습이 반드시 뇌나 신경계를 필요로 한다는 전통적인 관점에 도전하며, 대신 화학의 기본적인 규칙만으로도 일종의 기억을 만들어낼 수 있다고 제안합니다.

터프츠 대학교(Tufts University)의 연구진들은 이 가능성을 테스트하기 위해 포유류 세포의 에너지 대사를 모델링한 컴퓨터 시뮬레이션을 구축함으로써 과감한 발걸음을 내디뎠습니다. 실제 세포를 현미경으로 관찰하는 대신, 그들은 포도당, 지방, 산소와 같은 핵심 분자들의 흐름을 추적하는 디지털 시뮬레이션을 제작했습니다. 이 모델은 세포가 에너지를 생성하는 데 사용하는 주요 경로와 함께 '적응형 효소(adaptive enzymes)' 층을 포함합니다. 이들은 고정된 부품이 아니라, 세포가 상황을 원활하게 유지하기 위해 그 수나 활성도를 조절할 수 있는 가변적인 구성 요소입니다. 결정적으로, 이 효소들을 변화시키는 데는 공장에서 새로운 기계를 만드는 데 자원이 드는 것처럼 에너지가 소모됩니다. 연구진은 모델이 내부 상태를 지속적으로 점검하고, 건강한 목표치에 가깝게 유지하기 위해 효소를 미세하게 조정하도록 프로그래밍했습니다. 그런 다음, 이 디지털 세포를 음식 공급의 갑작스러운 감소나 독소의 유입과 같은 일련의 도전 과제에 노출시켜 시간이 지남에 따라 어떻게 반응하는지 관찰했습니다.

시뮬레이션 결과는 매우 놀라웠습니다. 복잡한 뇌 구조 없이도 단순한 피드백 루프 시스템이 학습과 매우 유사한 행동을 보일 수 있음을 입증했습니다. 연구진이 특정 영양소의 공급을 제한하는 것과 같은 특정한 스트레스를 처음 노출했을 때, 시스템은 이에 대처하기 위해 효소를 조정했습니다. 이후 연구진이 두 번째의 다른 스트레스를 도입했을 때, 세포의 반응은 문제를 처음 접했을 때와는 달랐습니다. 어떤 경우에는 이전의 경험이 세포를 새로운 스트레스에 덜 반응하게 만들었는데, 이는 습관화(habituation)라고 불리는 현상입니다. 다른 경우에는 첫 번째 스트레스가 세포를 두 번째 스트레스에 더 민감하게 만들었는데, 이는 민감화(sensitization)라고 불리는 행동입니다. 이는 사건이 발생하는 순서가 중요하다는 것을 의미하며, 시스템의 이력이 미래의 반응을 변화시킨다는 것입니다. 첫 번째 사건에 대한 '기억'은 특별한 파일이나 전용 분자에 저장된 것이 아니라, 세포 효소의 새로운 구성 속에 내재되어 있었습니다.

가장 중요한 발견 중 여러 가지는, 이 기억이 원래의 스트레스 요인이 제거된 후에도 세포의 상태를 영구적으로 변화시킬 수 있다는 점이었습니다. 예를 들어, 연구진이 세포의 포도당 흡수 능력을 반복적으로 차단했을 때, 시스템은 차단이 해제된 후 단순히 정상으로 돌아오지 않았습니다. 대신, 암세포와 연관되는 경우가 많은 노폐물인 젖산(lactate)을 높은 수준으로 생성하는 새로운 안정 상태로 전환되었습니다. 이러한 변화는 세포의 유전 코드 변화 없이 일어났으며, 이는 스트레스의 이력이 세포의 대사적 개성을 지속적인 방식으로 재작성할 수 있음을 시사합니다. 또한 연구진은 심근경색이나 뇌졸중 후 혈류가 다시 공급될 때 발생하는 유해한 분자의 위험한 급증 현상을 이 시스템이 재현할 수 있음을 관찰했습니다. 이러한 행동은 연구진이 특별히 프로그래밍하지 않았음에도 불구하고 모델의 설계로부터 자연스럽게 나타났으며, 이는 그러한 위험한 반응이 대사 네트워크가 충격으로부터 회복하는 과정에서 갖는 본질적인 특성일 수 있음을 시사합니다.

그러나 이 연구는 이 단순한 형태의 학습이 가진 한계도 드러냈습니다. 연구진이 진정한 습관화를 측정하기 위해 설계된 엄격한 프로토콜(시스템이 반복되는 무해한 자극에 점진적으로 반응을 멈춰야 하는 경우)로 모델을 테스트했을 때, 기본 제어기는 실패했습니다. 시스템이 너무 완벽했습니다. 너무 빠르고 정확하게 조정되었기 때문에, 살아있는 유기체에서 나타나는 점진적인 반응 감소를 보여주지 못했습니다. 모델이 습관화를 보이게 하려면, 연구진은 세포의 센서가 환경에 덜 민감하게 만들거나 시스템이 사건 사이에 완전히 안정되지 못하게 하는 것과 같은 결함을 도입해야 했습니다. 이는 생물학적 시스템이 진정으로 학습하고 망각하기 위해서는, 약간의 불완전함이 필요하거나 혹은 전체적인 그림을 한 번에 파악하지 못해야 할 수도 있음을 시사합니다. 균형을 유지하는 데 너무 효율적인 시스템은 복잡하고 예측 불가능한 세상에 적응할 수 있는 유연한 기억을 발달시키지 못할 수도 있습니다.

궁극적으로, 이 연구는 경험 의존적 행동의 능력이 복잡한 뇌만이 가진 특별한 선물이 아니라, 압박 속에서 에너지와 자원을 관리해야 하는 모든 시스템의 근본적인 속성임을 시사합니다. 컴퓨터 모델은 단순히 살아남고 균형을 유지하려고 노력하는 것만으로도 대사 네트워크가 상충하는 제약 조건들을 헤쳐 나가고, 효소 수준에 과거 사건의 흔적을 저장하며, 그에 따라 미래의 행동을 바꿀 수 있음을 보여주었습니다. 비록 이것은 시뮬레이션이며 살아있는 세포를 직접 관찰한 것은 아니지만, 세포가 어떻게 문제를 해결하고 환경에 적응하는지에 대해 생각할 수 있는 강력하고 새로운 방법을 제공합니다. 이는 학습과 기억의 뿌리가 우리가 상상했던 것보다 생명의 나무에서 훨씬 더 깊은 곳, 즉 우리를 살아가게 하는 바로 그 화학 작용 속에 숨겨져 있을 수 있음을 암시합니다.