Unsupervised machine-learning identifies latent pyrenoid states linked to mitotic remodeling defects and CO2-dependent growth

단세포 조류의 미세한 세계 내부에서, 생명은 공기 중의 이산화탄소를 포착하여 먹이로 바꾸는 섬세하고 보이지 않는 기계 장치에 의존합니다. 광합성이라고 알려진 이 과정은 탄소 원자를 붙잡아 당을 만드는 분자 공장 노동자처럼 작용하는 특정 효소에 의존합니다. 그러나 이 노동자는 종종 비효율적이며, 이를 더 잘 작동하게 만들기 위해 일부 조류는 이산한 탄소 이산 dioxide를 필요한 곳에 바로 집중시키는 단백질의 밀집된 클러스터인 특수한 구획을 진화시켰습니다. 피레노이드(pyrenoid)라고 불리는 이 구조는 세포 내부를 떠다니는 액체 방울처럼 행동하며, 끊임없이 변화하고 재형성됩니다. 이 작은 유기체들의 과제는 이 액체 구조가 세포 분열이라는 격렬한 사건 속에서도 살아남아야 한다는 것입니다. 세포가 두 개의 딸세포를 만들기 위해 둘로 나뉠 때, 피레노이드는 해체되고, 분류되고, 각 새로운 딸세포 내에서 다시 구축되어야 합니다. 만약 이 재구성이 아주 미세하게라도 잘못된다면, 새로운 세포들은 성장이 어려워지거나 생존에 어려움을 겪을 수 있으며, 특히 이산화탄소가 부족할 때 더욱 그러합니다.

과학자들은 이러한 구조가 세포 분열 중에 재구축되는 방식에서의 작고 숨겨진 결함이 나중에 더 큰 문제를 일으킬 수 있는지 오랫동안 궁금해해 왔습니다. 이를 해결하기 위해 연구진은 흔한 녹조류인 Chlamydomonas reinhardtii를 활용하였고, 내부 구조를 관찰하는 새로운 방법을 개발했습니다. 인간의 눈으로 차이점을 포착하는 것에 의존하는 대신(인간의 눈은 아주 희미한 불규칙성도 놓칠 수 있습니다), 그들은 컴퓨터에게 건강한 피레노이드가 어떻게 보이는지를 학습시켰습니다. 연구진은 먼저 정상적이고 건강한 세포의 수천 장의 이미지를 채취하여, 인공지능의 일종을 사용하여 '정상'의 전체 범위를 학습시켰습니다. 약 5,000장의 야생형 세포 이미지를 바탕으로 훈련된 이 컴퓨터 시스템은 피레노이드의 표준 형태와 질감을 식별하는 법을 배웠습니다. 이 훈련을 더욱 견고하게 만들기 위해, 연구진은 10만 개 이상의 이미지 변형을 생성하여 컴퓨터가 가능한 모든 정상 상태를 이해할 수 있도록 데이터셋을 확장했습니다.

이러한 디지털 표준이 마련되자, 연구팀은 무작위적인 유전적 변화를 가진 2만 1천 개의 돌연변이 조류 균주 라이브러리를 대상으로 대규모 탐색을 시작했습니다. 연구진은 돌연변이들의 이미지를 컴퓨터 시스템에 입력했고, 컴퓨터는 이를 학습된 정상의 기준과 비교했습니다. 컴퓨터는 특이한 패턴을 보이는 17개의 특정 균주를 찾아내어, 이들이 피레노이드 구조에 결함이 있음을 식별해 냈습니다. 이 접근 방식이 강력했던 이유는 인간 관찰자가 간과하기 쉬운 미묘한 편차를 감지하는 능력 때문이었습니다. 연구진은 컴퓨터가 차이를 발견한 정확한 지점을 분석함으로써, 육안으로는 분류하기 너무 복잡한 불규칙성을 드러내며 피레노이드의 구체적인 국소적 결함을 지도화할 수 있었습니다.

연구진이 이 돌연변이 세포들을 실시간으로 관찰했을 때, 그들은 이러한 숨겨진 결함의 결과를 목격했습니다. 식별된 몇몇 균주에서는 세포 분열 중에 피레노이드가 제대로 해체되지 않거나, 필수 효소를 포함한 조각들이 새로운 세포들로 고르게 분배되지 못했습니다. 또 다른 경우에는 세포가 분리된 후 구조가 제대로 재조립되지 못했습니다. 세포 분열 과정에서의 이러한 기계적 실패는 성장의 문제로 직결되었습니다. 돌연변이 조류는 이산화탄소가 풍부할 때는 정상적으로 성장했지만, 이산화탄소 공급이 줄어들자 성장이 현저히 느려졌습니다. 이는 피레노이드의 미묘한 구조적 결함이 자원이 부족할 때 세포를 훨씬 더 취약하게 만든다는 것을 확인시켜 주었습니다.

또한 이 연구는 이러한 문제의 원인이 되는 특정 유전자를 지목했습니다. 무작위적인 유전적 변화가 일어난 위치를 지도화함으로써, 연구진은 조류가 빛을 포착하는 방식을 조절하는 것으로 알려진 단백질을 생성하는 STT7이라는 유전자를 찾아냈습니다. 이 연결 고리를 확인하기 위해, 연구진은 이 유전자를 의도적으로 끈 새로운 조류 계통을 만들었습니다. 이렇게 수정된 조류들은 원래의 돌연변이들과 동일한 이상한 피레노이드 구조 패턴을 보였으며, STT7 단백질이 전혀 없었습니다. 이 증거는 STT7 단백질이 빛 수확 조절과 탄소 농축 구조의 물리적 무결성을 연결하며, 피레노이드의 형태와 기능을 유지하는 데 직접적인 역할을 한다는 것을 시사합니다.

이 작업은 비지도 학습(unsupervised machine learning)이 전통적인 관찰로는 발견할 수 없는 생물학적 결함을 밝혀낼 수 있음을 보여줍니다. 컴퓨터가 정상의 경계를 정의하게 하고 그 범위를 벗어나는 모든 것을 탐색하게 함으로써, 과학자들은 복잡한 세포 과정에 관여하는 새로운 유전적 요인을 찾아낼 수 있습니다. 이번 연구 결과는 세포의 성장 건강과 저탄소 환경에서 번성하는 능력이, 분열 중에 내부 구조를 재구축하는 정밀하고도 종종 보이지 않는 역학 관계와 깊게 연관되어 있음을 보여줍니다. 이러한 잠재적 상태를 탐지하는 능력은 생명이 번식의 혼돈 속에서 어떻게 필수적인 기계 장치를 유지하는지를 이해하는 새로운 창을 열어줍니다.