💻 bioinformatics

ML4SD: Leveraging Machine Learning and High-Throughput Search Algorithms for an Iterative Growth-Coupled Design Innovation

이 논문은 머신러닝과 새로운 고처리량 알고리즘(gcSwarms)을 통합하여 성장 결합형 미생물 균주 설계를 효율적으로 식별함으로써, 전통적인 탐색 방법보다 훨씬 적은 실험 반복 횟수로도 탄소 수율을 현저히 높이는 능동 학습 기반의 설계-제작-테스트-학습(Design-Build-Test-Learn) 사이클인 ML4SD를 소개한다.

원저자: Gargantilla Becerra, A., Nogales Enrique, J.

게시일 2026-09-16

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Gargantilla Becerra, A., Nogales Enrique, J.

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

순환 경제를 구축하기 위한 경쟁 속에서, 과학자들은 미생물이 폐기물을 가치 있는 화학 물질로 전환하여 현재 우리 세상을 움직이는 석유 기반 공정을 대체하도록 가르치려 노력하고 있습니다. 박테리아가 작은 노동자로서 역할을 수행하며 버려진 식물성 물질이나 산업 부산물을 섭취하고 플라스틱, 연료 또는 의약품을 배출하는 공장 바닥을 상상해 보십시오. 문제는 이 미세한 노동자들이 인간을 위해 특정 제품을 만드는 데 에너지를 쓰는 것보다 성장과 분열을 우선시한다는 점입니다. 이를 해결하기 위해 엔지니어들은 원하는 제품을 만드는 것이 유기체 자체의 생존에 필수적이 되도록 박테리아의 내부 대사를 재설계하려고 시в합니다. 만약 박테리아가 화학 물질 생산을 멈추면 성장도 멈추게 됩니다. 이러한 '성장 결합(growth-coupled)' 전략은 미생물이 작업을 수행하도록 강제하지만, 적절한 유전적 스위치를 찾아내는 것은 수십억 개의 가능성이라는 건초더미 속에서 바늘을 찾는 것과 같습니다. 전통적인 방식은 한 번에 하나의 유전적 변화를 테스트하는 것으로, 매우 느리고 비용이 많이 들며 결과가 드문드문 나오는 경우가 많습니다.

연구팀은 이제 컴퓨터 모델링과 머신러닝을 결합하여 이 탐색 속도를 획기적으로 높이는 새로운 접근 방식을 개발했습니다. 그들은 설계된 박테리아를 위한 스마트 가이드 역할을 하는 ML4SD라는 시스템을 만들었습니다. 수천 가지의 유전적 조합을 맹목적으로 테스트하는 대신, 이 시스템은 박테리아 대사의 디지털 트윈을 사용하여 서로 다른 유전적 절단이 성장과 생산에 어떤 영향을 미치는지 시뮬레이션합니다. 그런 다음 머신러닝을 사용하여 이러한 시뮬레이션으로부터 학습하고, 성공으로 이어지는 패턴을 식별합니다. 연구진은 이 학습이 작동하기 위해서는 초기 시뮬레이션 설계 풀(pool)이 매우 방대하고 다양해야 하며, 실패하거나 성능이 낮은 설계도 많이 포함되어야 한다는 것을 발견했습니다. 만약 풀이 '최적의' 설계들로만 구성된다면, 컴퓨터 모델은 혼란에 빠져 새로운 상황에 일반화할 수 없게 됩니다. 다양한 데이터로 학습함으로써, 시스템은 어떤 유전적 변화가 가장 잘 작동할지 예측하는 법을 배웠으며, 결과적으로 탐색 범위를 효과적으로 좁혔습니다.

이 방법의 성능을 테스트하기 위해, 팀은 구체적이고 까다로운 과제에 집중했습니다. 바로 식물 폐기물에서 유래한 리그닌 성분인 4-하이드로벤조에이트를 나일론-6의 원료인 6-카프로락탐으로 전환하는 것입니다. 이는 화학적 경로가 복잡하고, 박테리아인 Pseudomonas putida가 자연적으로 이 작업을 효율적으로 수행하지 못하기 때문에 매우 어려운 전환 작업입니다. 연구진은 처음에 기존 알고리즘을 사용하여 잠재적인 유전적 설계 목록을 생성하려 했으나, 해당 알고리즘이 머신러닝 모델이 효과적으로 학습할 수 없는 작고 반복적인 옵션들을 생성한다는 것을 발견했습니다. 모델은 과적합(overfitting), 즉 주어진 몇 가지 사례를 암기만 할 뿐 새로운 설계에 대해서는 예측에 실패하는 현상을 보였습니다.

이를 해결하기 위해 팀은 gcSwarms라는 새로운 탐색 알고리즘을 구축했습니다. 이전 방식과 달리, 이 알고리즘은 설계 공간을 더 넓게 탐색하여 단 한 번의 실행으로 50,000개 이상의 고유한 유전적 설계를 생성했습니다. 여기에는 완벽하지 않은 설계들도 많이 포함되어 있어, 머신러닝 시스템이 대사의 근본적인 규칙을 학습하는 데 필요한 풍부하고 다양한 데이터를 제공했습니다. 이 다양한 라이브러리를 ML4SD 시스템에 입력했을 때 결과는 놀라웠습니다. 시스템은 초기 탐색만으로 찾은 최적의 설계들과 비교했을 때 탄소 수율을 최대 164%까지 향상시키는 유전적 결실(deletions) 세트를 성공적으로 식별해 냈습니다.

이 접근 방식의 힘은 효율성에 있습니다. 고성능 설계를 찾기 위해 ML4SD 시스템은 4,500개 미만의 설계만을 탐색했습니다. 반면, 전통적인 탐색 알고리즘은 유사한 수준의 성능에 도달하기 위해 10,000개에서 30,000개 사이의 설계를 검토해야 했습니다. 이는 새로운 방법이 2배에서 7배 적은 계산 노력만으로 동일한 결과를 달 수 있음을 의미합니다. 더욱이, 시스템은 최적의 설계들에서 일관되게 나타나는 최소한의 세 가지 유전적 변화 세트를 정확히 짚어낼 수 있었습니다. 이러한 변화들은 세포 내부의 에너지 흐로를 효과적으로 재지정하여, 세포가 자원을 나일론 전구체를 만드는 데 집중하도록 강제했습니다.

연구진은 이러한 결과가 현재 시뮬레이션 단계이며, 이 방법의 잠재력을 보여주는 개념 증명(proof of concept)임을 강조합니다. 다음 단계는 실제 박테리아를 실험실에서 배양하여 컴퓨터가 예측한 대로 수행되는지 테스트하는 것입니다. 만약 성공한다면, 이 접근 방식은 지속 가능한 바이오 제조의 발전을 크게 가속화하여, 현재의 방식보다 훨씬 적은 시간과 자원으로 폐기물을 가치 있는 재료로 전환할 수 있게 할 것입니다. 기계가 실패와 성공의 다양한 시도로부터 학습하도록 가르침으로써, 연구진은 복잡한 대사 공학의 지형을 항해하기 위한 로드맵을 구축했으며, 보다 순환적이고 지속 가능한 산업적 미래를 향한 실질적인 길을 제시했습니다.

문제 정의
석유화학 경로를 대체하기 위해 미생물 바이오 제조를 최적화하려면, 목표 합성이 생체량(biomass) 형성과 연결되는 성장 결합형(growth-coupled, GC) 생산을 통해 경쟁력 있는 타이터(titer), 속도(rate), 수율(yield)을 달순해야 한다. 이러한 결합을 강제하는 유전자 결실 전략을 식별하는 것은 계산 집약적이며, 이로 인해 실제로 in vivo에서 테스트된 설계안이 부족한 현상이 발생한다. 이러한 데이터 희소성은 대규모의 다양성 있는 데이터셋을 필요로 하는 표준 머신러닝(ML) 방법론의 적용을 저해한다. DeepGDel과 같은 기존의 균주 설계(strain design, SD) 프레임워크는 사전 존재하는 데이터베이스에 의존하여 de novo 설계가 불가능하고, 대사 토폴로지(metabolic topology)를 고려하지 못하며, 정량적 성능 지표가 아닌 이진 결실 상태(binary deletion status)만을 예측한다는 한계가 있다. 또한, 전통적인 균주 설계 알고리즘은 파레토 최적(Pareto-optimal) 또는 최소 설계에 국한된 라이브러리를 생성하는 경향이 있는데, 이는 ML 모델의 과적합(overfitting)을 방지하는 데 필요한 다양성(최적 미달 및 비생존 설계 포함)이 부족하다는 문제를 안고 있다.

방법론
저자들은 게놈 규모 대사 모델(GEM)과 앙상블 ML 모델을 통합하여 결실 권장 사항을 반복적으로 개선하는 능동 학습 기반의 DBTL(Design–Build–Test–Learn) 사이클인 ML4SD(Machine Learning for Strain Design)를 제안한다.

프레임워크 아키텍처:
- 초기 라이브러리 생성: 사이클은 축소된 GEM 상에서 SD 알고리즘을 통해 생성된 설계( $\mathcal{D}$ )의 초기 라이브러리로 시작된다. 이 설계들은 반응 결실을 나타내는 이진 벡터로 표현된다.
- 앙상블 모델링: AutoSklearn 패키지를 사용하여, 프레임워크는 결실 벡터를 기반으로 생산 지표(예: 탄소 수율)를 예측하는 앙상블 ML 모델을 학습시킨다.
- 능동 학습 및 샘플링: 앙상블은 전체 설계 공간에 대해 성능 점수( $y$ )와 추정 오차(절대 오차, $AE(y)$ )를 예측한다. 점수 예측의 곡선 아래 면적(AUC)과 오차 예측의 AUC를 병합하여 샘플링 분포 $S(\mathcal{D})$ 를 계산한다. 이 분포는 탐색(모델 정확도 향상을 위해 고오차 영역을 타겟팅)과 활용(성능 최적화를 위해 고득점 영역을 타겟팅) 사이의 균형을 맞추며 다음 설계 세트를 선택하도록 안내한다.
- 반복적 정교화: 새로운 설계는 전체 GEM을 사용하여 in silico로 검증되거나 in vivo에서 검증되며, 결과 데이터는 라이브러리에 추가되어 앙상블을 재학습시킴으로써 모델의 예측 능력을 점진적으로 향상시킨다.
알고리즘 개발 (gcSwarms):
- 저자들은 gcFront와 같은 기존 SD 알고리즘이 생성하는 라이브러리가 너무 작고 동질적(파레토 최적 설계로만 구성됨)이어서 ML 모델에 심각한 과적합을 초래한다는 점을 확인하였다.
- 이를 해결하기 위해, 저자들은 새로운 이진 입자 군집 최적화(Binary Particle Swarm Optimization, BPSO) 알고리즘인 gcSwarms를 개발하였다.
- gcSwarms의 주요 특징:
  - 초기화: 탐색 공간 전반에 걸쳐 다양한 초기 모집단을 보장하기 위해 라틴 하이퍼큐브 샘플링(Latin Hypercube Sampling, LHS)을 사용한다.
  - 탐색 전략: 전역 탐색(global exploration)과 지역 최적화(local exploitation) 사이의 균형을 맞추기 위해 이웃 기반 접근 방식을 채택하여 조기 수렴을 방지한다.
  - 출력: 최종 최적해뿐만 아니라 전체 검색 이력을 기록함으로써, 견고한 ML 모델 학습에 필수적인 생존 가능, 최적 미달 및 비생존 설계를 포함한 대규모의 다양성 있는 데이터셋을 제공한다.
사례 연구:
- 프레임워크는 Pseudomonas putida KT2440(iJN1462 GEM 사용)을 대상으로 테스트되었다.
- 특정 사례 연구는 리그닌 유래 **4-하이드록시벤조에이트(4-HB)**를 6-카프로락탐(나일론-6 단량체)으로 전환하는 것에 초점을 맞추었다.
- 두 가지 최적화 캠페인이 실행되었는데, 하나는 탄소 수율(Carbon Yield, CY) 극대화였고, 다른 하나는 생체량 결합 생성물 수율(Biomass-Coupled Product Yield, BCPY) 극대화였다.

주요 결과

라이브러리 다양성 및 모델 일반화: gcFront가 생성한 라이브러리는 작고(20~349개 설계) 동질적이었으며, 이로 인해 ML 모델은 낮은 일반화 성능(중앙값 테스트 $R^2$ 은 0.952로 높으나 분산이 크고 합성 데이터에 대한 성능은 NRMSE 58.0%로 저조함)을 보였다. 반면, gcSwarms로 생성된 라이브러리는 평균 약 59,000개의 고유한 설계를 생성하였고 훨씬 높은 다양성을 보였다(중앙값 자카드 거리 0.44 vs gcFront 0.67). gcSwarms 데이터로 학습된 모델은 우수한 일반화 능력(낮은 분산을 가진 중앙값 테스트 $R^2$ 0.872)과 합성 데이터에 대한 높은 예측 정확도(NRMSE 4.4%)를 나타냈다.
성능 향상: 4-HB에서 6-카프로락탐으로의 전환 사례 연구에서, ML4SD 워크플로우는 최적의 초기 설계 대비 탄소 수율을 최대 **164%**까지 개선하였다.
데이터 효율성: ML4SD는 단 4,316개의 설계만을 탐색하여 최대 성능에 도달하였다. 이에 비해 단독 gcSwarms 탐색은 유사한 성능에 도달하기 위해 10,869개에서 30,615개의 설계가 필요했다. 이는 요구되는 설계의 수를 2.5배에서 7.1배까지 감소시킨 결과이다.
기계적 통찰력: 앙상블 모델의 SHAP(SHapley Additive exPlanations) 분석을 통해 반복 실험 간의 공유된 최소 개입 모티프(minimal intervention motif)를 확인하였다: ICL, AKGDH, PTRCTA2/SSALy의 결실이다. 이 모티프는 TCA 플럭스를 아세틸-CoA 방향으로 올바르게 재지정하여 6-카프로락탐 생산을 촉진하며, 이는 모델이 대사 설계 원리를 재현할 수 있음을 입증한다.
자원 효율성: ML4SD 워크플로우는 표준 노트북(6 코어)에서 약 74분 동안 실행된 반면, 비교 대상인 gcSWRMS 탐색은 초기 라이브러리를 생성하는 데만 32 코어의 고성능 컴퓨팅(HPC) 클러스터를 사용하여 44분이 소요되었다.

의의 및 주장
본 논문은 ML4SD가 특히 실험 데이터가 부족한 바이오 공정에서 성장 결합형 균주를 설계하기 위한 실용적이고 데이터 효율적인 경로를 제공한다고 주장한다. 능동 학습 기반의 DBTL 사이클과 다양한 탐색 알고리즘(gcSwarms)을 결합함으로써, 이 방법은 ML의 "데이터 갈증" 문제를 극복한다. 저자들은 자사의 접근 방식이 다음과 같음을 강조한다:

De Novo 설계 가능: 기존의 균주 설계 데이터베이스에 의존하지 않고, 특정 바이오 공정에 특화된 라이브러리를 직접 생성한다.
데이터 효율성 개선: 전통적인 SD 알고리즘보다 적은 평가 횟수로 고성능 설계를 식별함으로써 계산 및 실험적 부담을 줄인다.
해석 가능성 제공: SHAP 분석을 통해 블랙박스 형태의 권장 사항이 아닌, 해석 가능한 설계 규칙(최소 개입 모티프)을 추출한다.
In Silico와 In Vivo의 가교 역할: 저자들은 ML4SD를 GEM을 사용하여 초기 후보를 생성한 후, 이를 실험 데이터로 정교화하여 화학 양론 모델(stoichiometric models)에 내재된 운동학적 및 조절적 격차를 보정하는 "웜 스타트(warm start)" 도구로 정의한다.

결론적으로, 본 연구는 결과가 계산적 개념 증명(proof-of-concept)임에도 불구하고, ML4SD 프레임워크가 순환 경제 애플리케이션(예: 리그닌 가치화)을 위한 최적의 균주 설계를 가이드하는 데 성공적으로 기여할 수 있음을 보여준다.

유사한 논문