High-throughput variant libraries and machine learning enable robust target-site selection for toehold-switch design in Detectrons
저자들은 고처리량 변이 라이브러리를 통해 학습되어 토홀드 스위치(toehold-switch) RNA 센서를 위한 최적의 표적 부위를 성공적으로 식별하는 머신러닝 모델인 DeSTAR를 제시하며, 이는 무작위 선택 방식과 비교했을 때 미지의 SARS-CoV-2 전사체에 대해 기능적 센서 설계 측면에서 5배의 개선을 달성하였다.
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
의사가 혈액 한 방울로 바이러스를 감지할 수 있는 간단한 장치를 휴대하거나, 농부가 자신의 작물이 병들었는지 즉각 알 수 있는 세상, 즉 거대한 실험실 없이도 가능한 세상을 상상해 보십시오. 이러한 비전은 RNA 센서라고 불리는 유형의 생물학적 도구에 달려 있습니다. 이들은 분자 자물쇠처럼 작동하는 아주 작고 프로그래밍 가능한 분자들입니다. 이들은 바이러스나 질병으로부터 오는 특정 유전 코드를 만나면 잠금이 해제되며 신호를 보냅니다. 과학자들이 원하는 거의 모든 유전 서열을 인식하도록 이 센서들을 설계할 수 있다는 것이 이 기술의 약속입니다. 하지만 중요한 함정이 있습니다. 센서가 특정 서열을 인식하도록 설계되었다고 해서 반드시 잘 작동하는 것은 아니라는 점입니다. 실제로 이 센서들의 성능은 그들이 찾고자 하는 긴 유전 물질 내의 정확히 어느 위치에 배치되느냐에 전적으로 달려 있습니다. 어떤 지점은 완벽하게 작동하는 반면, 바로 옆에 있는 다른 지점들은 완전히 실패하기도 합니다. 적절한 위치를 찾는 것은 종종 추측 게임과 같았으며, 연구자들이 작동하는 센서 하나를 찾기 위해 수백 개의 실패한 센서를 직접 만들고 테스트해야 하는 과정을 필요로 했습니다.
연구팀은 컴퓨터가 최적의 위치를 자동으로 찾을 수 있도록 가르침으로써 이 문제를 해결했습니다. 그들은 DeSTAR(Detectron Sensor Target-site Ranker)라고 불리는 새로운 방법을 개발했습니다. 이 컴퓨터 모델을 훈련시키기 위해 연구진은 단지 몇 가지 사례만을 살펴본 것이 아니라, 인간을 감염시키는 바이러스를 포함하여 6가지 서로 다른 생명체의 전체 유전 가닥을 아우르는 방대한 센서 라이브러리를 구축했습니다. 그들은 이 가닥들을 따라 가능한 모든 위치를 테스트하여 수천 개의 센서를 만들어 어떤 것이 작동하고 어떤 것이 작동하지 않는지 확인했습니다. 이 방대한 데이터를 분석함으로써, 연구진은 센서의 성공이 무작위가 아니라는 사실을 발견했습니다. 대신, 그것은 센서 자체의 화학적 구조, 구체적으로는 그 구성 요소들의 첫 몇 쌍이 어떻게 연결되는지에 기반한 엄격한 규칙을 따르고 있었습니다. 컴퓨터는 이 규칙들을 매우 잘 학습하여, 이전에 본 적이 없는 완전히 새로운 바이러스를 대상으로 테스트했을 때 무작위로 위치를 선택했을 때보다 훨씬 더 자주 작동하는 센서를 식별해 냈습니다.
연구진은 먼저 표적을 찾았을 때 DNA 바코드를 생성하는 일종의 RNA 센서인 '디텍트론(Detectron)' 시스템을 구축하는 것으로 시작했습니다. 이 바코드는 기계가 셀 수 있는 고유한 ID 역할을 하여, 수천 개의 센서를 동시에 테스트할 수 있게 해줍니다. 그들은 여섯 가지 서로 다른 유전 가닥—박테리오파지 두 개, 지카 및 뎅기열과 같은 인간 병원성 바이러스 두 개, 그리고 인간 세포 두 개—을 가져와서 이를 아주 작은 조각들로 잘게 나누었습니다. 각각의 조각마다 그 특정 조각을 인식하도록 설계된 센서를 만들었습니다. 그 결과 7,000개가 넘는 고유한 바코드를 가진 센서 라이브러리가 만들어졌습니다. 그 후 연구진은 이 센서들을 표적 유전 가닥과 함께 박테리아에 도입했습니다. 만약 센서가 표적을 찾으면 바코드를 생성했고, 찾지 못하면 침묵을 유지했습니다. 바코드를 세어봄으로써 연구진은 각 센서가 얼마나 잘 작동하는지를 정확히 측정할 수 있었습니다.
결과는 놀라울 정도로 상세한 수준을 보여주었습니다. 센서의 성능은 지점마다 극명하게 달랐습니다. 특정 서열을 인식하도록 설계된 센서가 훌륭하게 작동할 수도 있지만, 연구진이 유전 코드에서 단 한 글자만 옆으로 옮겨도 센서는 완전히 작동을 멈추는 경우가 많았습니다. 이러한 민감성 때문에 유전 가닥을 큼직하게 보는 것만으로는 부족했으며, 모든 글자를 하나하나 확인해야 했습니다. 데이터를 살펴보았을 때, 연구진은 가장 잘 작동하는 센서들이 그 구조에서 특정한 패턴을 공유한다는 것을 발견했습니다. 센서가 표적에 처음 닿는 부분인 '스템(stem)'은 정밀한 규칙을 따라야 했습니다. 즉, 스템의 두 번째 연결은 약해야 하고, 그 뒤를 잇는 연결들은 강해야 했습니다. 이 특정한 배치는 센서가 표적을 찾았을 때 쉽게 열리면서도, 표적을 찾지 못했을 때는 닫힌 상태를 유지할 수 있게 해주었습니다.
이러한 관찰을 바탕으로 연구진은 머신러닝 모델을 훈련시켜 패턴을 인식하게 했습니다. 컴퓨터에게 잠재적인 표적 부위의 서열을 보고, 그 부위를 위해 만들어진 센서가 강할지 약할지를 예측하도록 가르쳤습니다. 연구진은 여섯 가지 유전 가닥 중 하나를 컴퓨터로부터 숨긴 채, 그 숨겨진 가닥에서 최적의 지점을 예측하도록 모델을 테스트했습니다. 모델은 성공적이었으며, 학습한 규칙을 바탕으로 높은 성능을 보이는 지점들을 무작위 선택보다 훨씬 더 높은 정확도로 식별해 냈습니다. 모델은 단순히 이전에 보았던 특정 가닥들을 암기하는 것이 아니라, 학습한 규칙을 통해 좋은 지점과 나쁜 지점을 구분해 낼 수 있었습니다. 이는 센서 성능을 지배하는 규칙들이 보편적이며, 본 적 없는 새로운 유전 서열에도 적용될 수 있음을 입증했습니다.
모델이 실제 세계에서도 작동하는지 증명하기 위해 연구진은 한 단계 더 나아갔습니다. 그들은 훈련된 컴퓨터 모델을 시스템이 전혀 본 적 없는 새로운 대상인 SARS-CoV-2(코로나19를 일으키는 바이러스) 유전 가닥에 적용했습니다. 모델은 바이러스의 유전 코드 상의 모든 가능한 지점에 순위를 매기고 상위 10곳을 선정했습니다. 연구진은 이 10곳에 대한 센서를 제작하여 테스트했습니다. 결과는 명확했습니다. 컴퓨터가 선택한 센서들은 무작위로 선택된 센서들보다 훨씬 더 활발하고 신뢰할 수 있었습니다. 실제로 컴퓨터의 상위 선택지들은 연구진이 그냥 추측했을 때보다 작동하는 센서일 확률이 5배나 더 높았습니다. 이 성공은 이 모델이 시행착오 없이도 새로운 바이러스나 유전적 표적을 위한 센서를 설계하는 강력한 도구가 될 수 있음을 보여주었습니다.
또한 이 연구는 왜 이전의 예측 시도들이 어려움을 겪었는지 명확히 밝혔습니다. 다른 모델들은 유전 가닥의 전체적인 모양이나 이를 여는 데 필요한 에너지에 집중했지만, 이러한 요인들은 성공의 주요 동인이 아니었습니다. 연구진은 센서의 첫 몇 가지 연결부의 구체적인 화학적 정체성이 지배적인 요인이라는 것을 발견했습니다. 표적 가닥의 전체적인 구조도 중요하지만, 이는 국소적인 규칙에 비해 부차적인 것이었습니다. 이 새로운 모델은 센서 구조의 구체적인 '문법'에 집중함으로써, 단순한 박테리아 바이러스부터 복잡한 인간 유전자까지 매우 다양한 유형의 유전 물질에 대해 정확한 예측을 할 수 있었습니다.
이 작업은 과학자들이 분자 센서를 설계하는 방식에 있어 중대한 변화를 의미합니다. 이제 과학자들은 직관이나 광범적인 규칙에 의존하는 대신, 데이터 기반 모델을 사용하여 센서가 작동할 정확한 위치를 짚어낼 수 있습니다. 이는 새로운 진단 도구를 개발하는 데 필요한 시간과 자원을 줄여줍니다. 새로운 질병을 위한 센서를 만들려는 과학자에게 이 과정은 더 이상 방대한 유전적 풍경 속에서의 눈먼 탐색이 아닙니다. 이제 그들은 어디를 찾아봐야 할지 정확히 알려주는 도구를 사용할 수 있으며, 이는 어려운 공학적 과제를 단순한 선택 과정으로 바꾸어 놓았습니다. 성능을 매우 정확하게 예측할 수 있는 이 능력은 다양한 생물학적 위협을 빠르고 신뢰성 있게 탐지할 수 있는 문을 열어주며, 휴대 가능하고 프로그래밍 가능한 진단의 꿈을 현실에 훨씬 더 가깝게 만들고 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.