Assessing chemical toxicity across Eukaryota using multimodal transformers

자연계는 가장 작은 단세포 생물부터 가장 큰 포유류에 이르기까지 거대하고 상호 연결된 생명의 그물망입니다. 수십 년 동안 과학자들은 인간이 만든 화학 물질이 이 그물망을 위협하며 곤충, 조류, 그리고 전체 생태계에 해를 끼친다는 사실을 알고 있었습니다. 자연을 보호하기 위해 규제 기관들은 어떤 화학 물질이 어떤 생물에게 위험한지를 알아야 합니다. 그러나 우리의 지식에는 거대한 공백이 존재합니다. 매년 수천 개의 새로운 화학 물질이 발견되고 수백만 종의 생물이 서식하고 있지만, 우리는 그중 아주 극소수의 일부만을 테스트했을 뿐입니다. 전통적인 테스트 방식은 느리고 비용이 많이 들며, 물고기, 쥐, 조류와 같은 몇몇 표준 동물로 제한되는 경우가 많습니다. 이로 인해 우리는 대부분의 종에 대한 화학 물질의 안전성을 추측할 수밖에 없으며, 이는 오염이 돌이킬 수 없는 피해를 입히기 전에 이를 차단하는 것을 어렵게 만듭니다.

이러한 격차를 메우기 위해 연구자들은 인공지능으로 눈을 돌렸습니다. 실험실에서 모든 화학 물질을 모든 동물에게 일일이 테스트하는 대신, 그들은 컴퓨터가 이미 보유한 데이터에서 패턴을 인식하도록 가르치고 있습니다. 화학 구조가 서로 다른 종의 생물학적 특성과 어떻게 상호작용하는지 학습함으로써, 이 컴퓨터 모델들은 실험이 한 번도 수행되지 않은 상황에서도 독성을 예측할 수 있습니다. 이러한 접근 방식은 안전성 평가의 속도를 높이고, 지금까지 연구되지 않은 수많은 종에 숨겨진 위험을 밝혀낼 것을 약속합니다.

새로운 연구에서 과학자 팀은 이 과제를 해결하기 위해 TRIDENT-2라고 불리는 강력하고 새로운 도구를 개발했습니다. 이 시스템은 식물과 균류를 포함하여 거의 모든 복잡한 생명체를 포함하는 그룹인 진핵생물에 대해 화학 물질이 얼마나 독성이 있을지를 예측하도록 설계되었습니다. 연구진은 56만 개 이상의 독성 테스트를 포함하는 방대한 기존 데이터 컬렉션을 활용하여 모델을 훈련시켰습니다. 이 테스트들은 82,000개 이상의 서로 다른 화학 물질과 거의 6,800종의 생물을 다루었으며, 이는 알려진 모든 진핵생물 그룹의 약 3분의 1을 나타냅니다. 데이터에는 노출 시간, 노출 경로, 그리고 사망, 성장 변화, 행동 변화와 같이 관찰된 구체적인 효과 등 매우 다양한 시나리오가 포함되었습니다.

TRIDENT-2의 핵심은 멀티모달 트랜스포머(multimodal transformer)라고 알려진 일종의 인공지능입니다. 간단히 말해, 이 컴퓨터는 화학 구조나 동물을 별개로 보는 것이 아니라, 이들이 테스트 조건과 함께 어떻게 결합되는지를 이해하도록 학습합니다. 모델은 화학 물질의 분자 구조, 생물의 유형, 노출 경로, 그리고 실험 기간을 동시에 처리합니다. 이러한 다양한 정보의 혼합을 통해 학습함으로써, 모델은 서로 다른 종과 화학 물질 사이의 깊은 연관성을 찾아낼 수 있습니다. 예를 들어, 특정 화학 물질이 생쥐에게 미치는 영향을 통해, 해당 화학 물질이 유사한 설치류나 심지어 동물계의 먼 친척 관계에 있는 생물에게 어떤 영향을 미칠지에 대해 교육적인 추측을 할 수 있습니다.

연구진이 TRIDENT-2를 테스트했을 때, 이 모델은 본 적 없는 종과 화학 물질에 대해서도 놀라운 정확도로 독성을 예측할 수 있음을 발견했습니다. 이 모델은 인구의 절반을 죽게 만드는 것과 같은 특정 효과를 일으키는 화학 물질의 농도를 전통적인 방법과 대등한 수준의 정밀도로 추정할 수 있었습니다. 결정적으로, 모델은 곤충과 식물부터 균류와 해양 생물에 이르기까지 생명의 나무 전체에 걸쳐 우수한 성능을 보였습니다. 이는 광범적인 데이터를 통해 학습함으로써, 테스트가 거의 이루어지지 않는 종들에 대한 빈칸을 채울 수 있음을 보여주었습니다. 예를 들어, 표준 테스트는 흔히 물고기와 설치류에 집중되지만, TRIDENT-2는 생태계 건강에 필수적이지만 종종 간과되는 벌레, 균류, 곤충과 같은 그룹에 대해서도 독성을 성공적으로 예측했습니다.

연구진은 또한 TRIDENT-2를 규제 기관과 과학자들이 사용하는 여러 기존 도구들과 비교했습니다. 이 새로운 모델은 특히 전통적인 테스트의 좁은 범위 밖에 있는 종이나 화학 물질에 대한 효과를 예측할 때 기존 방식보다 일관되게 뛰어난 성능을 보였습니다. 다른 도구들이 소수의 테스트 동물과 특정 유형의 화학 물질에 국한되었던 반면, TRIDENT-2는 수천 종의 생물과 방대한 양의 물질을 다룰 수 있었습니다. 이 연구는 모델이 훈련 데이터와 구조적으로 매우 다른 화학 물질이나, 학습한 것과 진화적으로 거리가 먼 종에 대한 효과를 예측하도록 요청받았을 때도 정확도를 유지할 수 있음을 입증했습니다.

이것이 실제 상황에서 어떻게 작동하는지 보여주기 위해, 연구팀은 TRIDENT-2를 수천 개의 농약에 적용했습니다. 그들은 이 화학 물질들이 진핵생물의 나무 전반에 걸쳐 다양한 종에 어떻게 영향을 미칠지를 지도화했습니다. 결과에 따르면, 일부 농약은 의도된 표적 대상인 곤충이나 잡초에는 매우 독성이 강했지만, 특정 벌레, 균류, 식물과 같은 비표적 종들에게도 위험을 초 thấy 되었습니다. 모델은 데이터를 넓은 그룹으로만 보았을 때 놓칠 수 있는 이러한 미묘하고 종 특이적인 민감성을 감지할 수 있었습니다. 이러한 세부 수준의 정보는 생물 다양성에 미치는 오염의 진정한 영향을 이해하는 데 필수적입니다.

이 연구는 인공지능가 생태적 위험 평가를 저해해 온 오랜 데이터의 한계를 극복할 수 있다고 결론짓습니다. 기존의 방대하지만 불균형한 데이터를 사용하여 독성의 일반적인 원칙을 학습함으로써, TRIDENT-2는 아직 테스트되지 않은 수백만 종에 대한 화학 물질의 안전성을 과학자들이 평가할 수 있게 해줍니다. 이 도구는 물리적인 실험의 필요성을 대체하는 것이 아니라, 어떤 테스트가 가장 필요한지를 우선순위화하고 광범위한 피해를 입히기 전에 잠재적인 위협을 식별하는 방법을 제시합니다. 이 도구는 현재 대중에게 공개되어 있으며, 증가하는 화학 오염으로부터 지구의 생물 다양성을 보호하기 위한 새로운 길을 제시하고 있습니다.