Mechanical plasticity as a unifying axis for the thermodynamics of biological information machines

기술 요약: 생물학적 정보 기계의 열역학을 위한 통합 축으로서의 기계적 가소성(Mechanical Plasticity)

문제 제기
생물학적 정보 처리는 기능적 사건의 에너지가 열적 노이즈($k_B T$)와 맞먹는 환경에서 발생한다. 그럼에도 불구하고 리보솜, 이온 펌프, 시냅스와 같은 기계들은 신뢰할 수 있는 기능을 수행한다. 현재의 열역학적 분석은 판독(kinetic proofreading)은 변별력과 회전율에 집중하고, 시냅스 가소성 문헌은 양자 매개변수와 분산에 집중하며, 구조적 소산 연구는 추상적인 과업 대 물리적 구현에 집중하는 등 서로 단절된 프로그램들로 파편화되어 있다. 이러한 기계들을 비교할 수 있는 공유된 축이 없으며, 이로 인해 차이점이 기능에서 기인하는지 아니면 기질(substrate)에서 기인하는지 구분하는 것이 불가능하다. 기존 프레임워크는 단일 매개변수 현상론에 의존하는 경우가 많으며, 이는 지속적인 정보를 운반하는 단단한 구조적 모드(stiff structural modes)와 기계적 일을 수행하는 부드러운 기능적 모드(soft functional modes)를 혼동하여 내부적으로 일관되지 않은 수치 추정치를 초래한다.

방법론
본 논문은 단일 기계적 매개변수인 무차원 가소성 $\gamma \equiv k_B T / (\kappa L^2)$를 기반으로 한 통합 프레임워크를 제안한다. 여기서 $\kappa$는 기능적 반응 좌표의 강성(stiffness)이고 $L$은 생리학적으로 유의미한 변위(excursion)이다.

1. 모드 분해(Mode Decomposition): 저자들은 기계를 하나의 $\gamma$를 가진 단일 개체로 취급하는 대신, $N$개의 자유도를 가진 결합된 조화 해밀토니안(coupled harmonic Hamiltonian)으로 모델링한다. 헤시안 행렬(Hessian matrix)을 대각화함으로써, 시스템을 고유 강성 $\kappa_\alpha$와 그에 대응하는 가소성 $\gamma_\alpha$를 가진 집합적 모드 $\{Q_\alpha\}$의 스펙트럼으로 분해한다.
2. 스펙트럼 분할(Spectral Partitioning): 스펙트럼 $\{\gamma_\alpha\}$은 세 가지 뚜렷한 영역으로 분할된다:
   • 구조적 모드 ($\gamma \ll 1$): 깊게 고정되어 지속적인 정보를 운반한다.
   • 기능적 모드 ($\gamma \sim 0.1\text{--}1$): 업데이트 및 기계적 일을 위해 사용되는 부드러운 좌표이다.
   • 열적 모드 ($\gamma \gtrsim 1$): 완전히 열화되어 벌크 용매(bulk solvent)와 구별할 수 없다.
3. 지표 유도(Derivation of Metrics): 모드가 분해된 해밀토니안으로부터 저자들은 다음을 유도한다:
   • 정보 용량 ($U_{max}$): 각 기능적 모드에 대한 독립적인 가우시안 채널의 샤논-하틀리(Shannon-Hartley) 용량의 합으로 계산된다.
   • 업데이트 에너지 ($E_{up}$): 입력 결합의 이차 형식(quadratic form)으로 유도되며, 부드러운 모드가 단위 입력당 더 많은 에너지를 흡수함을 보여준다.
   • 유지 부담 ($R$): $R \equiv P_{maint} \tau_{ret} / (u_{write} k_B T)$로 정의되는 무차원 지표이다. 이는 랜드아워 하한(Landauer floor) 대비 유지되는 비트당 지불되는 과잉 유지 소산을 측정하며, 수동적 기질($R \sim 1$)과 능동적이고 재작성 가능한 기질($R \gg 1$)을 구분한다.

주요 결과 및 응용
이 프레임워크는 네 가지 생물학적 시스템에 적용되어, 조정 가능한 매개변수 없이 알려진 측정값을 회복하고 이전의 불일치들을 해결함을 입증한다:

• 리보솜 (처리량): 프레임워크는 두 개의 뚜렷한 모드를 식별한다: 구조적 오류 하한을 제어하는 단단한 구조적 모드 ($\gamma_S \approx 0.02$)와 기계적 일을 제어하는 더 부드러운 전이 모드 ($\gamma_T \approx 0.15$)이다. 이는 단일 매개변수 모델의 불일치를 해결한다. 분석 결과, 리보솜은 교정(proofreading)보다는 사이클을 비가역적으로 구동하는 데 대부분의 에너지를 소산하도록 속도 최적화되어 있다.
• Na+/K+-ATPase (수송): 이 시스템은 단일 집합적 좌표 ($\gamma \approx 0.1$)에 의해 지배되며, 이는 이 특정 사례에서 단일 매개변수 근사가 타당함을 검증한다. 계산된 열역학적 효율은 $\sim 75\%$이며, 이는 직접 측정값과 일치한다.
• 해마 시냅스 (기억): 이 시스템은 쓰기와 보관을 위한 두 가지 모드 구조를 필요로 한다: 쓰기를 위한 부드러운 적응 좌표 ($Q_A, \gamma_A \sim 1$)와 보관을 위한 단단한 유지 좌표 ($Q_R, \gamma_R \sim 0.01$)이다. 프레임워크는 Malkin 등의 생물물리학적 스케일링 법칙($\sigma^{-2} \propto E^5$)으로 성공적으로 환원되며, Stone의 매핑을 통해 Harris 등의 효율-전도도 데이터를 조정 가능한 매개변수 없이 재현한다. 또한 $R \sim 10^4 k_B T/\text{bit}$의 유지 부담을 계산하여, 재작성 가능성의 높은 열역학적 비용을 강조한다.
• DNA (수동적 기억): 수동적 기질로서, DNA는 랜드아워 한계에 가까운 $R \sim 10 k_B T/\text{bit}$의 유지 부담을 갖는다. DNA와 시냅스 사이의 효율 격차 ($\sim 10^3\text{--}10^4$)는 능동적 유지 및 재작성 가능성의 열역학적 대가로 식별된다.

의의 및 주장
본 논문은 이전에 분리되어 있던 연구 프로그램들(번역, 수송, 시냅스 가소성, 게놈 유지)을 단일 축 위에 놓는 매개변화를 제공한다고 주장한다. 구체적인 기여는 다음과 같다:

1. 통합 축: 측정 가능한 교차 기계적 매개변수인 기계적 가소성 $\gamma$의 도입.
2. 모드 분해 구조: 기억을 쓰고 유지하는 기계는 근본적으로 전달 계수 $\zeta$에 의해 결합된 두 모드 구조(부드러운 업데이트, 단단한 저장)를 필요로 함을 입증한다. 이는 단일 매개변수 분석에서 발견되는 구조적 자유도와 기능적 자유도의 혼동을 해결한다.
3. 유지 부담 ($R$): 능동적 저장을 정량화하는 랜드아워 정규화 지표를 정의하여, 다양한 기억 기질 간의 비교를 가능하게 한다.
4. 제1 원리로부터의 유도: 현상론적 입력으로 취급하는 대신, 결합된 조화 해밀토니안으로부터 용량($U_{max}$)과 업데이트 에너지($E_{up}$)를 직접 유도한다.
5. 경험적 법칙의 화해: 본 프레임워크는 Malkin, Stone, Harris의 결과를 특수 사례로 포함하며, 기저의 모드 구조와 생물물리학적 비용 쌍으로부터 그들의 스케일링 지수를 유도한다.

저자들은 자신들이 랜드아워 한계를 확장하거나, 새로운 유동 정리(fluctuation theorem)를 유도하거나, 공식적인 고전 양자 오류 수정(QEC) 맵을 구축하는 것이 아님을 명시적으로 밝힌다. 대신, 생물학적 기억 기질의 기계적 강성에 관한 명시적이고 반증 가능한 내용을 담고 있으며, 알려진 극한에서 기존 결과로 환원되는 기계적 매개변화를 제공한다.

경험적 예측
프레임키는 다섯 가지 구체적이고 반증 가능한 예측을 생성한다:

1. 강성 비율: 두 모드 기억 기계의 경우, 유지 강성과 적응 강성의 비율 ($\kappa_R/\kappa_A$)은 시간 척도의 로그 비율에 의해 결정된다. 시냅스의 경우, 이는 $\kappa_R/\kappa_A \approx 1.5$를 예측한다.
2. 전달 계수: 액틴 역동성(예: cofilin에 의한)의 급성 억제는 쓰기 효율(LTP 유도)을 저하시키지만, 공고된 시냅스의 유지는 그대로 유지할 것이다. 반면 PSD-95 결핍은 용량을 감소시키지만 업데이트 에너지는 건드리지 않을 것이다.
3. 스케일링 법칙: 유지 부담 $R$은 서로 다른 기억 기질(시냅스, DNA 메틸화, 면역 기억) 전반에 걸쳐 쓰기 속도($k_{write}$)와 선형적으로 스케일링할 것이다.
4. 효율 지수: 효율-전도도 곡선에서의 지수 $\alpha$는 보편적인 것(시냅스에 대한 Stone의 $\alpha=5/2$와 달리)이 아니라, 메모리 시스템의 특정 모드 구조와 비용 쌍에 따라 달라진다.
5. 정보 이득: 진화는 단위 에너지당 정보 이득을 극대화하기 위해 신호 진폭보다 기능적 모드의 수($|F|$)를 늘리는 방향을 선호할 것이며, 이는 스캐폴드 하위 단위의 다양성과 사건당 정보 함량 사이의 상관관계를 예측한다.