당신이 아주 작은 단서들을 추적하는 탐정이라고 상상해 보세요. 그 단서들은 눈에 보이지 않고, 아주 작으며, 바로 눈앞에 숨어 있습니다. 이것이 바로 식물을 공격하는 질병을 연구하는 과학인 식물 병리학의 세계입니다. 이 세계에서 가장 교활한 악당 중 하나는 Acidovorax citrulli라는 박테리아입니다. 이것은 멜론과 수박의 건강을 훔쳐가는 미세한 도둑이라고 생각하면 됩니다. 이 박테리아는 단순히 과일의 외관을 망치는 것에 그치지 않고, 다음 세대의 식물을 감염시키기 위해 씨앗 안에 숨어 기다립니다. 만약 농부가 자신도 모르게 이러한 "감염된" 씨앗을 심는다면, 밭 전체가 병들 수 있으며 이는 막대한 손실로 이어집니다.

전통적으로 이 도둑을 잡는 것은 돋보기를 들고 건더미 속에서 바늘을 찾는 것과 같았습니다. 과학자들은 실험실에서 박테리아를 배양하고, 박테리아가 증식하기를 기다린 다음, 현미경 아래에서 아주 작은 군락(colony)을 뚫어지게 쳐다보며 그것이 나쁜 녀석인지 확인해야 합니다. 이는 느리고, 지루하며, 많은 전문 교육을 필요로 합니다. 하지만 만약 우리가 씨앗과 박테리아에게 그들의 비밀을 드러낼 수 있는 "초능력"을 줄 수 있다면 어떨까요? 바로 여기서 다분광 이미징(multispectral imaging)이 등장합니다. 다분광 카메라는 우리가 보는 색상(빨강, 초록, 파랑)뿐만 아니라 적외선이나 자외선처럼 보이지 않는 빛의 전체 무지개를 볼 수 있는 카메라를 상상해 보세요. 마치 사람이 야간 투시 카메라를 통해 다르게 보이는 것처럼, 건강한 씨앗과 아픈 씨앗은 이 보이지 않는 빛을 각기 독특한 방식으로 반사합니다. 과학자들은 컴퓨터에게 이 "보이지 않는 지문"을 인식하도록 가르침으로써, 씨앗을 직접 만지지도 않고 즉각적으로 질병을 찾아내고자 합니다.

이것이 바로 중국의 연구팀이 수행하고자 했던 작업입니다. 그들은 두 가지를 할 수 있는 고도의 기술 시스템을 구축하고자 했습니다. 첫째, 배지(petri dish)에서 자라는 박테리아를 빠르게 식별하는 것이고, 둘째, 멜론 씨앗을 파괴하지 않고도 씨앗이 감염되었는지 스캔하는 것입니다.

박테리아 탐정 업무

먼저, 연구팀은 배지 위의 박테리아 문제를 다루었습니다. 과학자들이 질병을 확인하기 위해 박테리아를 배양할 때, 종종 다양한 종류의 미생물이 섞여 있는 지저한 플레이트를 얻게 됩니다. 수백 명의 똑같이 생긴 낯선 사람들 사이에서 특정 쌍둥이를 찾는 것은 매우 어렵습니다. 연구진은 박테리아 군락의 사진을 찍기 위해 다분광 카메라를 사용했습니다. 그들은 박테리아가 육안으로는 똑같아 보일지라도, 빛을 반사하는 방식은 다르다는 것을 발견했습니다.

그들은 이를 분류하기 위해 두 가지 서로 다른 "탐정 알고리즘"을 만들었습니다. 첫 번째 모델인 nMahalanobis 모델은 초민감 보안 요원과 같았습니다. 이 모델은 모든 나쁜 박테리아를 잡아내는 데 탁월했지만(거의 놓치는 것이 없었습니다), 가끔은 결백한 박테리아를 용의자로 지목하는 등 지나치게 예민하게 반응했습니다. 두 번째 모델인 nCDA는 엄격한 판사와 같았습니다. 이 모델은 무고한 박테리아를 기소하지 않는 데 매우 뛰어났지만, 가끔 몇몇 나쁜 박테리아를 놓치기도 했습니다.

연구팀은 두 가지 전략을 함께 사용하는 것이 최선이라는 것을 깨달았습니다. 첫 번째 모델의 "모두 잡는" 접근 방식과 두 번째 모델의 "신중한" 접근 방식을 결합하여 하이브리드 시스템을 만들었습니다. 실제 샘플에 이 방식을 테스트했을 때, 결과는 놀라울 정도로 효과적이었습니다. 이 시스템은 나쁜 박테리아를 99.9%의 확률로 정확히 식별해 냈으며, 실수(착한 박테리아를 나쁘다고 표시함)를 범한 경우는 약 15%에 불과했습니다. 이는 이 방법이 실험실에서의 초기 스크리닝 과정을 가속화하여, 과학자들이 현미경을 쳐다보며 보내는 시간을 절약해 줄 강력한 도구가 될 수 있음을 시사합니다.

씨앗 스캐너

다음으로, 연구진은 멜론 씨앗 자체로 넘어갔습니다. 그들은 씨앗을 쪼개지 않고도 씨앗 더미를 스캔하여 어떤 것이 감염되었는지 알 수 있는지 알고 싶었습니다. 이를 테스트하기 위해 그들은 두 가지 유형의 테스트 그룹을 만들었습니다. 첫째, 건강한 씨앗을 박테리아 용액에 담가 "인공적으로 감염된" 씨앗을 만들었습니다. 그다음, 야생에서 질병을 옮겨온 실제 상업용 배치에서 "자연적으로 감염된" 씨앗을 수집했습니다.

그들은 어떤 모델이 건강한 씨앗과 아픈 씨앗을 가장 잘 구별할 수 있는지 알아보기 위해 일곱 가지 서로 다른 컴퓨터 학습 모델(수학적 뇌라고 생각하면 됩니다)에 씨앗 이미지를 입력했습니다. 결과는 흥اً로웠습니다. 단순한 직선형 수학 모델, 특히 **선형 판별 분석(LDA)**과 **로지스틱 회귀(Logistic Regression)**가 복잡한 딥러닝 모델보다 더 우수한 성능을 보였습니다. 이는 감염의 "지문"이 매우 명확하여 단순한 수학 규칙만으로도 이를 포착하기에 충분했음을 의미합니다.

하지만 한 가지 문제가 있었습니다. 컴퓨터를 한 종류의 멜론(Xizhoumi 품종)으로만 학습시킨 뒤 다른 종류(Yunaixiang 또는 Hami)에 적용했을 때, 컴퓨터는 혼란을 겪었습니다. 서로 다른 멜론 품종의 색상과 질감이 모델을 방해했기 때문입니다. 그러나 세 가지 멜론 품종을 한꺼번에 섞어서 학습시키자, 컴퓨터는 품종 간의 차이점을 무시하고 오직 질병의 징후에만 집중하는 법을 배웠습니다. 이 "다품종(multi-variety)" 모델은 훨씬 더 똑똑해졌으며, 다양한 종류의 멜론에 걸쳐 감염된 씨앗을 정확하게 찾아낼 수 있었습니다.

실제 현장 테스트

마지막으로, 그들은 가장 좋은 모델들을 자연적으로 감염된 씨앗에 테스트했습니다. 자연 감염 씨앗은 박테리아가 매우 적은 수로 숨어 있을 수 있기 때문에 실제로는 더 큰 도전 과제입니다. 그들은 어떤 씨앗이 정말로 감염되었는지 결정하기 위해 qPCR이라는 표준 실험실 테스트를 사용했습니다. 그들은 다분광 카메라가 박테리아 양이 많을 때 가장 잘 작동한다는 것을 발견했습니다. 만약 감염 정도가 매우 낮다면(실험실 테스트에서 높은 "Ct" 값을 가질 경우), 카메라는 차이점을 식별하는 데 어려움을 겪었습니다. 하지만 더 엄격한 규칙을 설정하여, 박테리아 농도가 높은(Ct 값이 37 미만인) 씨앗만을 찾도록 했을 때 카메라는 매우 신뢰할 수 있는 성능을 보였습니다. 예를 들어, 로지스틱 회귀 모델은 이러한 엄격한 조건 하에서 감염된 씨앗을 82%의 확률로 정확히 식별해 냈습니다.

이것이 의미하는 바

이 논문은 다분광 이미징이 우리의 멜론과 수박을 건강하게 유지하기 위한 유망한 새로운 도구임을 시사합니다. 우리는 빛을 사용하여 배지 위의 박테리아를 "보고", 씨앗을 파괴하지 않고도 아픈 씨앗을 감지할 수 있음을 보여주었습니다. 비록 이 시스템이 아직 완벽하지는 않지만(박테리아가 많을 때와 다양한 종류의 씨앗으로 학습했을 때 가장 잘 작동함), 씨앗을 선별하는 빠르고 비파괴적인 방법을 제공합니다. 이는 농부와 종자 기업들이 질병을 조기에 발견하여, 이 파괴적인 벌레의 확산을 막고 전 세계 멜론 공급을 보호하는 데 도움을 줄 수 있습니다. 연구진은 향-후 이 기술을 더욱 정교하게 다듬어, 훨씬 더 은밀하고 낮은 수준의 감염까지도 처리할 수 있게 함으로써 우리의 식량 공급을 더 안전하고 확실하게 만들 수 있다고 제안합니다.