Unraveling relationship between physiological and seed-yield traits in wheat (Triticum aestivum L.) through genotype–trait interactions

당신이 미제 사건을 해결하려는 탐정이라고 상상해 보십시오. 하지만 당신이 쫓고 있는 것은 실종된 사람이 아니라, 밀 식물을 위한 완벽한 레시피입니다. 이 연구는 농학(agronomy)과 육종학(plant breeding)의 세계에 살고 있으며, 이곳에서 과학자들은 셰프와 유전학자가 결합된 존재처럼 행동합니다. 그들의 목표는 단순하지만 거대합니다. 바로 세계를 먹여 살리는 것입니다. 이를 위해 그들은 날씨가 까다로울 때도 최대한 많은 알곡을 생산할 수 있는 밀을 재배해야 합니다.

하지만 식물은 복잡합니다. 밀 한 포기는 단순히 하나의 물체가 아니라, 서로 협력하는 많은 부분의 집합체입니다. 어떤 부분은 식물의 키나 종자의 무게(수확량, yield)처럼 눈에 잘 보이는 것이고, 다른 부분은 잎이 얼마나 많은 물을 머금고 있는지, 얼마나 초록색인지, 혹은 햇빛을 에너지로 얼마나 효율적으로 전환하는지(생리적 형질, physiological traits)와 같이 내부에 숨겨진 것들입니다. 큰 과제는 한 정원에서 멋져 보였던 식물이 토양, 비, 또는 온도 때문에 다른 곳에서는 실패할 수도 있다는 점입니다. 이것을 **유전자 × 환경 상호작용(Genotype × Environment interaction)**이라고 부릅니다. 이는 식물의 유전자와 날씨가 대화를 나누고 있지만, 가끔은 서로 사이가 좋지 않다는 것을 뜻하는 멋진 표현입니다.

이를 해결하기 위해 과학자들은 과거에는 그저 씨앗을 심고 운이 좋기를 바라며 추측하고 확인하는 방식을 사용했습니다. 하지만 이제 그들에게는 새로운 초능력이 생겼습니다. 바로 **머신러닝(Machine Learning)**입니다. 이것은 수천 개의 작은 단서(잎의 색깔이나 수분 함량 등)를 살펴보고 어떤 것들이 실제로 풍성한 수확을 예측하는지를 알아내는 매우 똑똑한 컴퓨터 뇌라고 생각하면 됩니다. 이 논문은 이 컴퓨터 뇌를 사용하여 "챔피언" 밀을 찾아내고, 왜 그들이 승리하는지를 정확히 이해하는 것에 관한 것입니다.

---

위대한 밀 찾기: 챔피언을 찾아서

이 연구에서 연구팀은 고도의 심리전이 담긴 "식물 룰렛" 게임을 벌였습니다. 그들은 23가지의 서로 다른 유형의 밀(운동선수 팀 23개라고 생각하십시오)을 가져와 이란의 세 가지 매우 다른 지역인 **카라지(Karaj), 다마반드(Damavand), 카즈빈(Qazvin)**으로 보냈습니다. 이 장소들은 비디오 게임의 서로 다른 레벨과 같습니다. 한 곳은 높고 추우며, 다른 곳들은 더 온화합니다. 목표는 어떤 밀 팀이 모든 환경에서 가장 많은 점수(곡물 수확량)를 낼 수 있는지 확인하는 것이었습니다.

과학자들은 단순히 최종 점수(곡물)만을 보지 않았습니다. 그들은 그 사이에 있는 모든 것을 측정했습니다. 그들은 잎에 물이 얼마나 있는지, 얼마나 초록색인지, 얼마나 빨리 자라는지와 같은 식물의 "생체 징후"를 체크했습니다. 심지어 식물의 태양광 패널이 제대로 작동하는지 알려주는 특수 카메라(형광 효과를 보는 카메라)를 사용하여 빛에 대한 식물의 반응까지 관찰했습니다.

위대한 발견: 복잡하다!
연구진이 발견한 첫 번째 사실은 어디서나 승리하는 단 하나의 "슈퍼 밀"은 존재하지 않는다는 것이었습니다. 환경이 엄청나게 중요합니다. 카라지에서 스타였던 식물이 다마반드에서는 낙제생이 될 수도 있습니다. 이것이 바로 유전자 × 환경 상호작용이 작용하는 모습입니다. 날씨와 토양이 게임의 규칙을 바꾸기 때문에, 식물이 승리하려면 적응력이 필요합니다.

하지만 연구진은 폴리곤 플롯(polygon plot)(최고의 선수 주변에 그려진 도형이라고 상상해 보십시오)이라는 특별한 지도를 사용하여 지속적으로 강한 모습을 보인 몇몇 뛰어난 유전자형들을 식별했습니다.

• 다마반드 지역(춥고 고도가 높은 도전적인 환경)에서는 유전자형 G6가 최고의 성과를 냈습니다.
• 카즈빈에서는 유전자형 G2가 왕좌를 차지했습니다.
• 모든 지역을 종합하여 가장 안정적이고 신뢰할 수 있는 챔피언을 찾았을 때, 유전자형 G21, G14, G10, G5가 가장 바람직한 것으로 나타났습니다.

그러나 연구진은 더 깊이 파고들고 싶었습니다. 그들은 "어떤 구체적인 형질이 이 식물들을 승자로 만드는가?"라고 질문했습니다. 그들은 **주성분 분석(PCA)**이라는 기술을 사용했는데, 이는 방대한 정보의 도서관을 단 몇 권의 요약본으로 압축하는 것과 같습니다. 그들은 첫 열 개의 "요약본"(주성분)이 식물 간의 모든 차이점을 84% 이상 설명한다는 것을 발견했습니다. 이는 그들이 측정한 형질들이 매우 일관적이며 명확한 패턴을 따르고 있음을 의미합니다.

컴퓨터 뇌 vs 인간의 추측

이 연구의 가장 흥적인 부분은 컴퓨터가 인간보다 수확량을 더 잘 예측할 수 있는지 테스트하는 것이었습니다. 연구팀은 머신러닝을 사용하여 세 가지 다른 "예측 엔진"을 구축했습니다:

1. 랜덤 포레스트 (Random Forest, RF): 정답에 대해 투표하는 전문가 위원회와 같습니다.
2. 서포트 벡터 머신 (Support Vector Machine, SVM): 승자와 패자 사이에 완벽한 선을 그으려는 엄격한 심판과 같습니다.
3. 엑스트림 그래디언트 부스팅 (Extreme Gradient Boosting, XGBoost): 매번 시도할 때마다 실수로부터 배우며 점점 더 똑똑해지는 학생과 같습니다.

그들은 식물의 생리적 형질(잎의 온도와 수분 함량 등)에 대한 데이터를 컴퓨터에 입력하고 최종 곡물 수확량을 예측하도록 했습니다. 결과는 명확했습니다. XGBoost가 독보적인 챔피언이었습니다.

카라지 지역에서 XGBoost는 0.652의 결정계수(R²)로 수확량을 예측했습니다.
카즈빈에서는 0.628을 기록했습니다.
다마반드에서는 0.698에 도달했습니다.

이를 비교해 보자면, 다른 모델들(RF와 SVM)도 훌륭했지만 더 많은 실수를 저질렀습니다. XGBoost는 가장 낮은 오차율을 보였으며, 다마반드에서 "평균 절대 백분율 오차(MAPE)"는 **2.046%**에 불과했습니다. 이는 컴퓨터가 실제 수확량 수치에 믿기 힘들 정도로 근접했음을 의미합니다.

무엇이 승자를 만드는가?
컴퓨터는 단순히 추측만 한 것이 아니라, 왜 그런 추측을 했는지 과학자들에게 알려주었습니다. 그것은 서로 다른 환경에는 서로 다른 "초능력"이 필요하다는 것을 드러냈습니다:

• 카라지에서는 잎의 온도와 상대 수분 함량이 가장 중요한 요소였습니다. 기본적으로 물을 잘 보유하고 체온을 낮게 유지할 수 있는 식물들이 승자였습니다.
• 카즈빈에서는 광합성(햇빛을 얼마나 잘 섭취하는지)과 삼투압(내부 수압을 얼마나 잘 관리하는지)이 핵심이었습니다.
• 다마반드에서는 가장 빠르게 성장하고 가장 많은 건물중(dry matter)(생물량)을 생산하는 식물들이 승자였습니다.

시사점

이 논문은 내일 당장 세계 기아 문제를 해결할 "완벽한" 밀을 찾았다고 주장하는 것이 아닙니다. 대신, 육종을 위한 최적의 후보를 찾는 강력하고 새로운 방법을 제시합니다. 전통적인 현장 측정법과 현대적인 머신러닝을 결합함으로써, 과학자들은 이제 풍성한 수확으로 이어지는 숨겨진 형질을 포착할 수 있습니다.

이 연구는 유전자형 G2, G10, G12가 여러 차원에서 우수한 성과를 보였기 때문에 향후 육종 프로그램에서 특히 유망하다는 것을 확인해 줍니다. 또한 XGBoost가 식물이 수확기에 도달하기도 전에 그 성과를 예측하는 데 있어 탁월한 도구임을 증명합니다.

요약하자면, 연구진은 육종가들에게 새로운 지도와 나침반을 건네주었습니다. 이제 그들은 식물의 미세한 생리적 단서들을 살펴보고, 스마트한 컴퓨터를 사용하여 그 식물이 현장에서 챔피언이 될 수 있을지를 예측할 수 있으며, 이를 통해 세계를 먹여 살리기 위한 여정을 조금 더 빠르고 훨씬 더 똑똑하게 만들어 가고 있습니다.