Models trained with noisy genomes extend bacterial phenotype prediction into deep time
연구진은 진화적 거리 전반에 걸친 일반화 능력을 향상시키기 위해 노이즈 증강을 적용한 박테리아 유전자 함량 기반의 머신러닝 모델을 학습시킴으로써, 조상 표현형을 성공적으로 예측하였고 마지막 박테리아 공통 조상은 혐기성, 이중 막 구조, 중온성 생물이었을 가능성이 높다는 결론을 도출하였다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
당신이 오늘날 발견할 수 있는 모든 살아있는 박테리아의 방대한 지침서(게놈)를 가지고 있다고 상상해 보세요. 과학자들은 이미 이 현대적인 지침서를 사용하여 박테리아가 어떻게 생겼고 어떻게 행동하는지(표현형) 예측하는 방법을 알아냈습니다. 마치 자동차의 엔진 매뉴얼을 읽는 것만으로 그 자동차의 속도를 추측하는 것과 같습니다.
이 논문은 그 아이디어를 가져와 수십억 년 전으로 시간을 되돌려, 아주 초기의 박테리아가 어떤 모습이었을지 추측하는 것에 관한 것입니다.
연구진이 수행한 방법과 그들이 발견한 내용은 다음과 같이 간단히 정리할 수 있습니다:
"노이즈가 섞인" 타임머신
연구진은 박테리아의 유전자와 그 형질 사이의 연결 고리를 학습하기 위해 컴퓨터 모델(기계 학습 알고리즘)을 구축했습니다. 하지만 문제가 하나 있습니다. 과거로 멀리 거슬러 올라갈수록 "지침서"는 더 많이 변하고 뒤섞인다는 점입니다. 이는 마치 1,0로년 전의 레시피를 읽으려는데 일부 단어는 빠져 있고 다른 단어들은 철자가 틀려 있는 것과 같습니다.
이를 해결하기 위해, 과학자들은 현대의 유전자 데이터에 학습하는 동안 의도적으로 "노이즈"(무작위 오류나 누락된 부분)를 추가했습니다. 이는 마치 흐릿하고 약간 망가진 교과서로 공부하며 시험을 대비하는 것과 같습니다. 데이터가 엉망인 상황에서도 훌륭한 추측을 해내는 법을 배움으로써, 컴퓨터는 고대 조상들의 "흐릿한" 유전자 데이터를 훨씬 더 잘 다룰 수 있게 되었습니다.
결과: 얼마나 멀리까지 볼 수 있었나?
모델은 형질에 따라 다르게 작동했습니다:
- 거시적 형질: 산소가 필요한지, 외벽이 어떤 모습인지, 혹은 어떤 온도를 선호하는지처럼 수많은 서로 다른 유전자가 함께 작용해야 하는 복잡한 특징의 경우, "노이즈"가 섞인 학습 덕분에 모델은 박테리아 가계도의 맨 처음까지 명확하게 볼 수 있었습니다.
- 미시적 형질: DNA의 화학적 구성이나 포자를 형성할 수 있는지와 같은 단순하거나 구체적인 형질의 경우, 모델의 시야는 훨씬 더 빨리 흐릿해졌습니다. 모델은 이러한 형질들을 그렇게 먼 과거까지 신뢰성 있게 예측할 수 없었습니다.
최초의 박테리아의 초상화
모델이 "거시적" 형질을 매우 명확하게 볼 수 있었기 때문에, 과학자들은 최후 공통 박테리아 조상(LBCA)—오늘날 살아있는 모든 박테리아의 위대한 위대한 위대한 조상—의 모습을 그려낼 수 있었습니다.
그들의 발견에 따르면, 이 고대의 조상은 다음과 같았을 가능성이 높습니다:
- 혐기성: 생존을 위해 산소를 필요로 하지 않았습니다(산소가 없는 세상에서 살았습니다).
- 이중 막 구조: 이중 층의 외피를 가지고 있었습니다.
- 호열성: 열을 좋아하여 46°C에서 75°C(약 115°F ~ 167°F) 사이의 온도에서 번성했습니다.
핵심 요약
요약하자면, 연구진은 컴퓨터가 "엉망인" 데이터를 처리하도록 가르침으로써, 머나먼 과거를 들여다보는 새로운 방법을 만들어냈습니다. 그들은 이 방법을 성공적으로 사용하여 최초의 박테리아가 어떠했는지 추론해 냈으며, 우리가 남겨진 유전적 단서들을 연구함으로써 생명의 초기 진화에 대해 배울 수 있다는 것을 증명했습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.