Unsupervised decomposition of massively parallel TraDIS-Xpress fitness data from Escherichia coli identifies distinct functional and expression modules of antimicrobial resistance determinants

박테리아는 적응의 명수입니다. 박테리아가 항생제와 같은 위협에 직면했을 때, 그들은 단순히 파괴될 때까지 가만히 앉아 기다리지 않습니다. 대신 복잡한 내부 방어 체계를 활성화합니다. 이 과정이 어떻게 작동하는지 이해하기 위해, 과학자들은 종종 트랜스포존 삽입 시퀀싱(transposon insertion sequencing)이라 불리는 기술을 사용합니다. 게놈을 박테리아를 구축하고 운영하기 위한 긴 지침서라고 상상해 보십시오. 이 방법에서 연구자들은 지침서의 특정 지점에 아주 작은 유전 물질 조각들을 무작위로 삽입하여, 사실상 지침의 흐름을 막아버립니다. 만약 박테리아가 지침이 막힌 상태에서도 생존하고 잘 성장한다면, 그 부분의 지침은 해당 조건에서의 생존에 필수적이지 않았을 가능성이 높습니다. 반대로 박테리아가 죽거나 고전한다면, 그 지침은 매우 결정적인 것이었습니다. 이러한 '고장 난' 박테리아 수백만 마리를 한꺼번에 테스트함으로써, 과학자들은 다양한 환경에서 생존에 필수적인 유전자가 무엇인지에 대한 지도를 만들 수 있습니다.

하지만 이러한 지도를 읽는 전통적인 방식에는 중대한 한계가 있습니다. 대개 과학자들은 각 유전자를 고립된 상태로 관찰하며, 통제된 환경과 스트레스를 받은 환경에서의 행동을 비교합니다. 이 접근 방식은 테스트된 모든 조건에 대해 각각 하나씩, 수백 개의 별도 목록을 만들어내기 때문에 서로 다른 유전자들이 하나의 팀으로서 어떻게 함께 작동하는지라는 더 큰 그림을 보는 것을 어렵게 만듭니다. 더욱이, 표준적인 방법들은 유전자가 고장 난 것이 아니라 단지 켜지거나 꺼진 것뿐인 미묘한 신호들을 놓치는 경우가 많은데, 이는 박테리아가 약물에 저항하는 방식의 핵심적인 부분입니다. 쿼드람 연구소(Quadram Institute)와 이스트 앵글리아 대학교(University of East Anglia)의 연구진이 발표한 새로운 연구는 방대한 박테리아 데이터에 강력한 수학적 도구를 적용함으로써 이러한 공백을 해결합니다. 연구진은 유전자 하나하나를 보는 대신, 유전자 그룹을 연결하는 숨겨진 패턴을 찾아냄으로써 박테리아가 어떻게 실시간으로 방어 체계를 조율하는지를 밝혀냈습니다.

연구진은 실험실에서 흔히 사용되는 일반적인 박테리아인 대장균(Escherichia coli)의 약 80만 개에 달하는 거대한 돌연변이 균주 라이브러리로 시작했습니다. 이 라이브러리는 유전자를 파괴할 뿐만 아니라 켜거나 끌 수도 있는 특수한 유전 도구를 사용하여 만들어졌는데, 이를 통해 과학자들은 보통 세포를 죽여서 파괴할 수 없는 필수 유전자들까지도 연구할 수 있었습니다. 연구진은 이 박테리아들을 다양한 항생물질과 기타 환경적 스트레스를 포함한 754가지의 서로 다른 조건에 노출시켰습니다. 목표는 각 실험을 개별적으로 분석하는 표준적인 방식을 넘어선 것이었습니다. 대신, 연구진은 모든 데이터를 박테리아가 다양한 도전에 직면할 때 나타나는 독립적인 패턴, 즉 "모듈(modules)"을 찾도록 설계된 컴퓨터 프로그램에 입력했습니다. 독립 성분 분석(independent component analysis)이라고 알려진 이 과정은, 유전자들이 염색체상에서 서로 옆에 위치하는지 혹은 알려진 생물학적 경로에 속하는지와 관계없이, 그들이 함께 반응하는 방식을 그룹화할 수 있게 해주었습니다.

분석 결과 99개의 뚜렷한 기능적 그룹이 발견되었으며, 연구진은 이를 "fxModules"라고 불렀습니다. 이 그룹들은 유전자가 무엇을 하는지에 대한 기존 지식에 의해 정의되는 것이 아니라, 데이터상에서 실제로 어떻게 함께 행동하는지에 의해 정의됩니다. 연구는 이 모듈들이 개별 유전자를 관찰하는 것보다 박테리아 저항성에 대해 훨씬 더 명확한 그림을 제공한다는 것을 보여주었습니다. 예를 들어, 박테리아가 항생제 포스포마이신(fosfomycin)에 노출되었을 때, 이 분석은 약물의 세포 내 진입, 조절 및 대사 처리를 담당하는 유전자들을 포함하는 특정 모듈을 식별해 냈습니다. 이 모듈은 알려진 저항 기전을 정확하게 재현했을 뿐만 아니라, 전통적인 방식으로는 놓쳤던 것처럼 서로 다른 생물학적 경로에 걸친 유전자들을 연결하는 정밀함을 보여주었습니다. 연구진은 박테리아의 방어가 단순히 하나의 유전자가 단독으로 작용하는 것이 아니라, 약물의 흐로를 제어하기 위한 조율된 노력임을 볼 수 있었습니다.

이 접근 방식의 힘은 또 다른 항생제인 클로람페니콜(chloramphenicol)을 연구할 때 더욱 분명해졌습니다. 이 경우, 분석은 유전자의 바로 앞 영역인 프로모터(promoters)로부터 오는 신호에 의해 거의 전적으로 주도되는 모듈을 강조했습니다. 이 영역들은 유전자가 얼마나 강하게 발현될지를 제어합니다. 연구는 박테리아의 저항이 세포 밖으로 약물을 퍼내는 특정 유전자들의 '볼륨'을 높이는 것에 크게 의존한다는 것을 보여주었습니다. 전통적인 방법들은 이러한 조절 영역을 무시하거나 유전자와 별개의 것으로 취급하기 때문에, 이 중요한 통찰을 놓쳤을 것입니다. 유전자 발현의 신호와 유전자 파괴의 신호를 분리함으로써, 연구진은 박테리아가 유출 펌프(efflux pumps)를 과잉 생산함으로써 생존하고 있다는 것을 볼 수 있었는데, 이는 표준적인 유전자별 분석으로는 보이지 않았을 메커니즘입니다.

마찬가지로, 이 연구는 젠타마이신(gentamicin)에 박테리아가 어떻게 반응하는지에 대한 상세한 모습을 제공했습니다. 분석은 에너지를 생성하는 시스템인 박테리아의 호흡 사슬을 서로 다르게 반응하는 세 개의 뚜렷한 모듈로 나누었습니다. 에너지 공급을 구축하는 데 관여하는 한 유전자 그룹은 강한 양성 반응을 보였는데, 이는 이 유전자들을 파괴하는 것이 박테리아의 생존을 도왔음을 의미합니다. 반면, 그 에너지를 사용하여 ATP를 만드는 다른 유전자 그룹은 음성 반응을 보였는데, 이는 이 유전자들을 파서 생존을 해쳤음을 의미합니다. 이러한 수준의 상세함은 박테aria가 에너지 시스템을 하나의 덩어리로 취급하는 것이 아니라, 항생제의 진입을 줄이기 위해 특정 부분들을 미세하게 조정한다는 것을 드러냈습니다. 연구진은 또한 이러한 반응을 제어하는 특정 조절자들을 식별했는데, 이들 중 일부는 이전에 젠타마이신 저항성과 연결된 적이 없었던 것들입니다.

연구는 또한 베타락탐(beta-lactams) 계열의 약물에 특이적으로 반응하는 세포벽(박테리아의 외벽)에 대한 모듈을 밝혀냈습니다. 이 그룹에는 벽을 구축하는 단백질, 벽을 자르는 효소, 그리고 벽의 온전성을 감지하는 조절자들이 포함되었습니다. 놀랍게도, 분석 결과 이 단백질들은 세포 내에서 물리적으로 연결되어 있음에도 불구하고, 컴퓨터에 의해 그룹화되었습니다. 이는 이 수학적 접근 방식이 인간이 큐레이션한 데이터베이스가 다른 기준에 의해 조직되어 놓칠 수 있는 기능적 단위를 찾아낼 수 있음을 시사합니다. 연구진은 이 방법이 알려진 기전을 성공적으로 회상했을 뿐만 아니라, 세포벽을 스트레스 반응과 연결할 수 있는 특정 조절자와 같이 새로운 연결 고리를 제안했다는 점에 주목했습니다.

가장 중요한 발견 중 하나는 이 방법이 유전자의 기능을 미리 알 필요 없이 작동한다는 점이었습니다. 컴퓨터는 오로지 모든 다양한 스트레스 조건에서 유전자들의 활성도가 함께 어떻게 변하는지에 기초하여 유전자들을 그룹화했습니다. 이는 이 접근 방식이 기존의 교과서나 데이터베이스에 의존하지 않고도 유전자와 생존 역할 사이의 새로운 관계를 식별할 수 있음을 의미합니다. 연구진은 방대한 데이터를 한꺼번에 분석함으로써, 새로운 실험을 기존 실험과 직접 비교할 수 있는 공통된 프레임워크를 만들 수 있음을 입증했습니다. 이는 수백 개의 별도 목록을 하나의 일관된 박테리아 행동 지도로 바꾸어 놓음으로써 과학자들이 대규모 데이터셋을 다루는 방식을 변화시킵니다.

연구진은 이 방법이 견고하고 재현 가능하지만, 식별된 그룹들이 반드시 물리적 연결을 의미하는 것이 아니라 움직임의 통계적 패턴에 기반하고 있다는 점을 주의 깊게 언급했습니다. 데이터상에서 유전자가 함께 움직인다고 해서 그들이 직접 상호작용한다는 보장은 없지만, 많은 경우 그 그룹들은 알려진 생물학적 복합체와 일치했습니다. 또한 연구는 이러한 그룹을 정의하는 데 사용된 특정 임계값이 이 유형의 데이터를 위해 경험적으로 결정되었으므로, 다른 유형의 실험에는 조정이 필요할 수 있다는 점을 강조했습니다. 이러한 주의 사항에도 불구하고, 조절 신호를 해결하고 실제 기능적 영향에 따라 유전자를 그룹화하는 능력은 큰 진전을 의미합니다. 이는 과학자들이 나무가 아닌 숲을 보게 하여, 박테리아가 개별 유전자 목록의 소음 속에 숨겨져 있던 방식으로 어떻게 자신들의 방어를 조율하는지를 밝혀줍니다.

궁극적으로, 이 작업은 박테리아와 약물 사이의 전투를 이해하기 위한 새로운 렌즈를 제공합니다. 유전자를 정적인 부품 목록이 아닌, 서로 협력하는 역동적인 시스템으로 다룸으로써, 연구진은 더 깊은 층위의 생물학적 통찰력을 열었습니다. 이 방법은 이미 알려진 것을 확인하는 데 그치지 않고, 박테리아가 새로운 도전에 어떻게 반응할지 예측하고 생존을 위해 당기는 구체적인 레버가 무엇인지 식별하는 방법을 제공합니다. 박테리아 데이터의 양이 늘어남에 따라, 이 접근 방식은 미생물 생명의 복잡한 언어를 해석하는 것을 더 쉽게 만들어 줄 것이며, 잠재적으로 항생제 저항성에 맞서 싸우기 위한 더 나은 전략을 이끌어낼 것입니다. 이 연구는 적절한 분석 도구가 있다면 거대한 생물학적 데이터셋 내의 숨겨진 구조를 드러낼 수 있으며, 생명의 근본적인 규칙을 이해하는 더 명확한 길을 제시할 수 있음을 보여주는 증거입니다.