Machine Learning Prediction of Antimicrobial Response in Pleurotus ostreatus Extracts Cultivated on Cassava Peel: A Proof-of-Concept Study

때때로 우리를 아프게 만드는 미세하고 보이지 않는 침입자들인 박테리아와 곰팡이의 세계를 상상해 보세요. 오랫동안 우리는 이들과 싸우기 위해 항생제라는 특별한 무기를 가져왔지만, 이 침입자들은 점점 영리해지고 있습니다. 그들은 우리의 무기를 피하는 법을 배우고 있는데, 과학자들은 이를 '항균제 내성'이라고 부릅니다. 이것은 마치 숨바꼭질 게임과 같아서, 숨는 사람들이 더 잘 숨는 법을 배우고 있고, 우리는 그들을 잡기 위한 새로운 방법을 찾아내야 하는 상황입니다. 한 가지 유망한 아이디어는 자연의 자체적인 약국, 구체적으로는 버섯을 살펴보는 것입니다. 느타리버섯(Pleurotus ostreatus)과 같은 일부 버섯은 이러한 나쁜 균들의 움직임을 멈출 수 있는 화학 물질을 만드는 것으로 유명합니다. 더욱 멋진 점은 이 버섯들이 우리가 보통 버리는 것들, 예를 들어 카사바 뿌리의 껍질 위에서도 자랄 수 있다는 것입니다. 하지만 까다로운 부분은, 모든 버섯 배치를 모든 종류의 세균에 대해 일일이 테스트하는 것은 느리고, 비용이 많이 들며, 많은 노력이 필요하다는 점입니다. 과학자들은 실험실에서의 번거로운 테스트를 시작하기도 전에 어떤 버섯 추출물이 가장 잘 작동할지 예측하기 위해 수학과 컴퓨터로 만든 '수정구슬', 즉 머신러닝(Machine Learning)을 사용할 수 있을지 고민하고 있습니다.

이 논문은 '개념 증명(proof-of-concept)' 연구입니다. 이는 아주 쉽게 말해, "이 수정구슬 아이디어가 과연 가능한지 확인하기 위해 작은 테스트를 해보자"라는 뜻입니다. 연구진은 카사바 껍질에서 느타리버섯을 재배한 후, 알코올(에탄올)을 사용한 추출물과 물을 사용한 추출물이라는 두 가지 형태의 액체 추출물을 만들었습니다. 그들은 이 액체들을 일곱 가지 서로 다른 종류의 세균에 대해 테스트하여 세균의 성장을 얼마나 잘 억제하는지 확인했습니다. 단순히 결과만을 관찰하는 대신, 그들은 모든 데이터를 '랜덤 포레스트(Random Forest)'라고 불리는 컴퓨터 프로그램에 입력했습니다. 이 모델을 아주 조직적인 탐정이라고 생각해 보세요. 이 탐정은 추출물을 만드는 데 사용된 액체의 종류, 싸우고 있는 세균의 종류, 그리고 버섯 배치의 화학적 구성과 같은 단서들을 살펴보고 결과를 예측합니다.

이 탐정은 한 가지 특정 작업에서 꽤 괜찮은 성과를 냈습니다: 바로 '저해환(zone of inhibition)'의 크기를 예측하는 것이었습니다. 접시 위에 세균이 자랄 수 없는 원을 그린다고 상상해 보세요. 이 원이 클수록 버섯 추출물이 더 잘 작동한다는 뜻입니다. 컴퓨터 모델은 특정 조건에서 더 큰 원이 나타날 것임을 꽤 성공적으로 예측했으며, 0.68의 정확도 점수(R-square)를 기록했습니다. 이는 꽤 준수한 수준이었으며, 특정 조건에서 더 큰 원이 생길 것이라고 잘 추측해 냈습니다. 탐정이 찾아낸 가장 중요한 단서는 추출 용매였습니다. 추출물을 만드는 데 사용된 액체가 알코올인지 물인지가 버섯 배치의 미세한 화학적 차이보다 훨씬 더 중요했습니다. 실제로 버섯의 구체적인 화학적 구성은 예측에 거의 기여하지 못했습니다.

하지만 탐정은 다른 것을 예측하려 할 때 벽에 부딪혔습니다: 바로 '최소 억제 농도(MIC)'입니다. 이것은 세균을 완전히 멈추기 위해 얼마나 많은 양의 추출물이 필요한지를 나타내는 척도입니다. 컴퓨터가 이 추출물이 '승자'가 될 만큼 강력한지 아니면 '패자'가 될 것인지를 예측하려고 했을 때, 성능이 저조했습니다. 정답률은 43%에 불과했습니다. 그것은 마치 어둠 속에서 더듬거리며 추측하는 것과 같았습니다. 이는 과학자들이 가진 단서들, 즉 배치의 화학 성분이나 세균의 종류 등이 강한 추출물과 약한 추출물을 구분하기에는 충분하지 않았음을 의미합니다.

그렇다면 결론은 무엇일까요? 이 연구는 머신러닝이 버섯 의약품을 탐구하는 데 도움이 되는 조력자가 될 수 있음을 시사하지만, 아직 마법 지팡이는 아니라는 점을 보여줍니다. 컴퓨터는 추출물을 만드는 데 사용된 액체의 종류가 매우 중요하다는 것을 배웠지만, 추출물의 강도가 얼마나 될지에 대한 세부적인 디테일은 파악하지 못했습니다. 저자들은 이 결과가 단지 시작일 뿐이라고 신중하게 밝히고 있습니다. 연구진이 테스트한 샘플 수가 적고(42개의 관측치), 단 세 가지의 버섯 배치만을 사용했기 때문에, 전체적인 그림은 여전히 다소 흐릿합니다. 진정으로 신뢰할 수 있는 수정구슬을 만들기 위해서는, 훨씬 더 많은 종류의 버섯과 세균을 테스트하고 더욱 상세한 화학적 측정값을 포함하는 훨씬 더 큰 데이터셋이 필요하다고 그들은 말합니다. 현재로서는, 이 연구는 생물학과 컴퓨터 과학을 결합하는 잠재력을 보여주는 재미있고 유망한 첫걸음이지만, 컴퓨터가 실험실의 벤치를 대체하기 위해서는 아직 훨씬 더 많은 숙제를 해야 한다는 것을 보여줍니다.