← 최신 논문
📄 합성생물학

Generative Neuromorphic Programming of Mammalian Cells

이 논문은 아날로그 회로 구축을 위한 RNA 표적 엔도리보뉴클레아제와 정확한 예측을 위한 생체 모방 신경망, 그리고 자동 설계를 위한 "바이오 컴파일러"를 결합하여, 포유류 세포 내에서 이전에 본 적 없는 복잡한 아날로그 동작을 단 한 번의 과정으로 성공적으로 설계할 수 있게 하는 생성형 뉴로모픽 프로그래밍 프레임워크를 소개한다.

원저자: Disset, J., Van De Mark, C., Wachter, G. K. A., Kuo, S.-H., Moorman, A., Xu, W., Palanques Tost, E., Buritica Monroy, A., Belta, C., Weiss, R.

게시일 2026-09-22
📖 6 분 읽기🧠 심층 분석

원저자: Disset, J., Van De Mark, C., Wachter, G. K. A., Kuo, S.-H., Moorman, A., Xu, W., Palanques Tost, E., Buritica Monroy, A., Belta, C., Weiss, R.

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

세포는 단순한 온/오프 스위치가 아닙니다. 세포는 여러 신호를 끊임없이 측정하여 결정을 내리는 정교한 프로세서입니다. 자연계에서 세포는 주변을 떠다니는 여러 다른 단백질의 수치를 감지하고, 그 신호들의 정확한 조합과 강도에 기초하여 분열할지, 손상을 복구할지, 혹은 사멸할지를 결정할 수 있습니다. 이러한 의사 결정은 이진법적인 예/아니오 응답이 아니라, 부드럽고 단계적인 반응을 만들어내는 내부 연결의 조밀한 망을 통해 이루어집니다. 수십 년 동안 새로운 과업을 위해 세포를 프로그래밍하려던 과학자들은 도구들이 디지털 논리에 기반하여 만들어졌기 때문에 어려움을 겪었습니다. 즉, 생물학적 부품들을 완전히 켜지거나 꺼진 상태인 컴퓨터 비트처럼 취급했습니다. 이러한 불일치는 생명체의 미묘한 아날로그적 특성을 다룰 수 있는 회로를 설계하는 것을 매우 어렵게 만들었으며, 간단한 동작조차 구현하기 위해 수년간의 시행착오를 요구하는 경우가 많았습니다.

매사추세츠 공과대학교(MIT)와 다른 기관의 연구진은 세포가 자연적으로 수행하는 방식대로 계산하도록 가르침으로써 이 간극을 메웠습니다. 그들은 세포의 내부 기제를 여러 입력을 동시에 처리할 수 있는 유연한 아날로그 컴퓨터로 취급하는 시스템을 개발했습니다. 연구진은 세포가 경직된 디지털 규칙을 따르도록 강요하는 대신, 특정하고 부드러운 행동 패턴을 생성하도록 유전 회로를 설계하는 소프트웨어 엔진을 구축했습니다. 그들은 세 가지 완전히 새로운 유전 회로를 처음부터 설계하여 이를 입증했는데, 각 회로는 두 가지 입력 신호의 고유한 조합을 인식하고 정밀한 출력을 내도록 설계되었습니다. 놀랍게도, 모든 회로는 수동 조정이나 미세 조정 없이도 소프트웨어가 예측한 대로 첫 번째 시도에 정확히 작동했습니다.

이 성취의 핵심은 유전자가 상호작용하는 방식에 대한 새로운 사고방식에 있습니다. 연구진은 인공 신경망의 연산을 모방하는 다섯 가지 기본 빌딩 블록을 식별해 냈는데, 이 블록들은 실제 생물학적 분자로 구성되어 있습니다. 그들은 RNA를 절단하여 신호를 빼는 역할을 하는 특정 효소를 음성 입력으로 사용하며, 다른 메커니즘을 통해 신호를 더합니다. 또한, 단백질이 생성되는 양을 조절하는 유전 서열을 변경함으로써, 마치 볼륨 조절 노브를 돌리듯 이러한 연결의 강도를 조절하는 방법도 찾아냈습니다. 이러한 블록들을 서로 연결함으로써, 한 회로의 출력이 다음 회로의 입력으로 전달되어 다층적인 처리가 가능한 시스템을 만들었습니다. 이 접근 방식은 세포가 특정 범위의 신호 수준을 감지하고 그 외의 것은 무시하는 기능, 즉 밴드패스 필터(band-pass filter)라고 알려진 복잡한 함수를 계산할 수 있게 합니다.

이 시스템을 실용적으로 만들기 위해 연구진은 '바이오컴파일러(biocompiler)'라고 부르는 소프트웨어 패키지를 제작했습니다. 이 프로그램은 원하는 행동과 이를 구축하는 데 필요한 DNA 지침 사이를 이어주는 번역기 역할을 합니다. 이 소프트웨어는 '생체 모방 신경망(biomorphic neural network)'이라는 모델에 의존하는데, 이는 기존의 방대한 실험 데이터를 학습하여 생물학적 과정이 어떻게 작동하는지 연구하는 방식입니다. 소프트웨어는 유전적 부품들이 어떻게 상호작용하는지에 대한 수학적 공식을 추측하는 대신, 실제 데이터를 통해 이러한 과정들의 실제 동작을 학습합니다. 시스템은 프로모터나 특정 효소와 같은 각각의 유전적 부품을, 조정 가능한 고유한 '지문'을 가진 유연한 구성 요소로 취급합니다. 과학자가 세포에 새로운 과업을 수행하게 하고 싶을 때, 단순히 원하는 출력 패턴을 기술하면 소프트웨어가 부품과 연결의 수백만 가지 가능한 조합을 검색하여 그 결과를 만들어낼 수 있는 조합을 찾아냅니다.

연구진은 학습 데이터에 존재하지 않았던 세 가지 독특한 행동 패턴을 설계하도록 요청함으로써 이 시스템을 테스트했습니다. 소프트웨어는 자신이 학습한 부품 라이브러리에는 존재하지 않는 세 가지 완전히 새로운 회로 구조를 제안했습니다. 연구진은 실험실에서 이 회로들을 구축하여 인간 세포에 DNA 지침을 삽입했습니다. 모든 경우에서 세포는 소프트웨어가 예측한 것과 정확히 일치하는 패턴을 생성했습니다. 설계와 실제 결과 사이의 일치는 동일한 실험을 반복할 때 나타나는 자연적인 변동 범위를 넘어서지 않을 정도로 매우 정밀했습니다. 이 성공은 소프트웨가 단순히 회로의 동작을 예측할 뿐만 아니라, 즉시 작동하는 새로운 회로를 발명할 수 있으며, 이를 통해 전통적으로 합성 생물학의 속도를 늦췄던 긴 시행착오의 주기를 우회할 수 있음을 증명합니다.

이 연구는 과학자들이 생명을 공학적으로 접근하는 방식에 있어 중대한 변화를 의미합니다. 이전에는 세포가 복잡한 과업을 수행하도록 설계하는 것이 마치 어떤 기어가 맞는지 추측하며 시계를 만드는 것과 같아서, 타이밍을 맞추기 위해 많은 실패를 겪어야 했습니다. 새로운 방식은 이미 기어의 물리학을 이해하고 있는 시스템으로부터 청사진을 생성하는 것과 같습니다. 방대한 양의 이전 실험으로부터 학습함으로써, 소프트웨어는 유전적 부품들이 어떻게 상호작용하는지에 대한 깊은 이해를 구축했으며, 이를 통해 본 적 없는 새로운 상황에도 일반화할 수 있게 되었습니다. 이 시스템은 다양한 유형의 세포에서 작동할 만큼 견고하며, 이는 시스템이 학습한 규칙이 특정 세포 유형에 국한된 것이 아니라 세포 기능의 근본적인 원리임을 시사합니다.

이 작업의 영향은 단순히 더 나은 회로를 만드는 것에 그치지 않습니다. 이는 생물학적 공학이 축적되는 과학, 즉 모든 새로운 실험이 미래의 설계를 더욱 정확하게 만드는 공유 지식 라이브러리에 기여하는 체계를 구축합니다. 시스템이 더 많은 데이터를 학습함에 따라, 점점 더 복잡한 네트워크의 동작을 예측하는 능력이 향려될 것입니다. 연구진은 생물학의 고유한 아날로그 언어를 사용하여, 전자 장치를 설계할 때 사용하는 것과 같은 정밀도와 신뢰성으로 세포를 프로그래밍하는 것이 가능하다는 것을 보여주었습니다. 이는 세포가 복잡한 마커의 징후를 바탕으로 암세을 식별하고 파괴하거나, 정밀한 공간적 패턴에 따라 조직의 성장을 유도하는 등, 지속적인 인간의 개입 없이도 정교한 과업을 수행할 수 있는 문을 열어줍니다.

바이오컴파일러의 성공은 전통적인 머신 러닝과는 다른 특정 유형의 학습에 기반합니다. 이미지나 텍스트의 패턴을 인식하기 위해 하나의 거대한 모델을 훈련시키는 대신, 이 시스템은 특정 효소가 RNA를 절단하는 방식이나 프로모터가 유전자 발현을 유도하는 방식과 같은 개별적인 생물학적 과정의 동작을 학습합니다. 이렇게 학습된 동작들은 다시 결합되어 새로운 회로를 형성합니다. 즉, 시스템은 단순히 본 회로를 암기하는 것이 아니라, 그들을 지배하는 근본적인 규칙을 이해합니다. 새로운 설계 과제에 직면했을 때, 시스템은 이러한 알려진 규칙들을 참신한 방식으로 조합하여 문제를 해결할 수 있습니다. 이러한 구성적 접근 방식은 실험만으로는 탐색이 불가능한 광대한 설계 공간을 다룰 수 있게 해줍니다. 실험을 통해 가능한 모든 조합을 테스트하는 것은 실험실의 속도로는 불가능하기 때문입니다.

실험에서 연구진은 설계된 내용을 테스트하기 위해 '폴리-코-트랜스펙션(poly-co-transfection)' 기법을 사용했습니다. 이 방법은 다양한 양의 서로 다른 유전적 입력을 단일 세포 집단에 전달하여, 단 한 번의 실험으로 광범위한 조건들을 만들어낼 수 있게 합니다. 각 세포의 출력을 측정함으로써, 연구진은 모든 가능한 입력 조합에 걸쳐 회로가 어떻게 작동하는지, 즉 전체 반응 표면(response surface)을 그려낼 수 있었습니다. 세포 행동에 대한 이러한 고해외상도 뷰는 소프트웨어를 훈련시키고 예측을 검증하는 데 필요한 상세한 데이터를 제공했습니다. 소프트웨어가 본 적 없는 회로의 동작을 예측할 수 있었고, 그 예측이 실험실에서도 사실로 드러났다는 점은 모델이 세포 내부 네트워크의 핵심 논리를 포착했음을 확인시켜 줍니다.

연구진은 또한 시스템이 한 유형의 세포에서 다른 유형의 세포로 지식을 전이할 수 있는지 테스트했습니다. 소프트웨어를 인간 배아 신장 세포 데이터로 훈련시킨 후, 망막 색소 상피 세포와 중국 해마 난(CHO) 세포라는 두 가지 다른 세포 유형에서의 회로 동작을 예측하도록 했습니다. 소프트웨어는 훈련에 사용된 세포 유형에서만큼이나 새로운 세포 유형에서도 거의 동일한 성능을 보였으며, 이는 유전적 부품들이 상호작용하는 근본적인 규칙이 서로 다른 인간 세포주 간에도 일관적임을 시사합니다. 이러한 휴대성은 실질적인 응용 측면에서 매우 중요한데, 이는 한 세포 유형에서 설계된 디자인이 처음부터 다시 시작할 필요 없이 다른 세포 유형에서도 작동하도록 적응될 수 있음을 의미하기 때문입니다.

현재의 시스템이 큰 진전임에도 불구하고, 연구진은 여 still 할 일이 남아 있음을 인정합니다. 현재 소프트웨어는 사전 정의된 구조적 템플릿, 즉 스캐폴드(scaffold) 내에서 작동하며, 아직 완전히 새로운 유형의 연결을 무에서 유로 발명할 수는 없습니다. 향후 버전의 시스템은 데이터로부터 구조적 규칙 자체를 직접 생성하는 법을 학습하여 설계 범위를 더욱 확장할 수 있을 것입니다. 또한, 현재의 모델은 개별 과정의 동작은 잘 포착하지만, 회로의 동작을 변화시킬 수 있는 세포 자원의 경쟁과 같은 전역적 효과(global effects)를 명시적으로 고려하지는 못합니다. 그러나 이 프레임워크는 유연하게 설계되어 있어, 시스템이 더 복잡한 데이터를 학습함에 따라 이러한 한계점들을 해결할 수 있습니다.

세포를 이토록 정밀하게 프로그래밍할 수 있다는 능력은 합성 생물학의 잠재력을 변화시킵니다. 이는 생물학적 공학을 시행착오의 학문에서, 엔지니어가 기능을 지정하면 작동하는 유전 회로를 돌려받는 합리적 설계의 학문으로 전환시킵니다. 이러한 능력은 세포가 인체의 복잡하고 변화하는 환경을 감지하고 반응해야 하는 차세대 세포 치료제 개발에 필수적입니다. 세포의 고유한 아날로그 컴퓨팅 능력을 활용함으로써, 이 접근 방식은 우리가 구축하는 생물학적 시스템만큼이나 정교하고 적응력이 뛰어난 '살아있는 기계'를 만드는 길을 제시합니다. 이 연구는 적절한 도구만 있다면 우리가 마침내 세포의 언어를 유창하게 구사하여, 그들의 자연스러운 복잡성을 의학 및 생물학의 어려운 과제들을 해결하기 위한 프로그래밍 가능한 자원으로 바꿀 수 있음을 보여줍니다.

연구 분야의 논문에 파묻히고 계신가요?

연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.

Digest 사용해 보기 →