Proteomic and Machine Learning Analyses Reveal the Mechanism of Baicalin in Inhibiting Biofilm Formation of Escherichia coli

기술 요약: 단백질체 및 머신러닝 분석을 통해 밝혀진 대장균(Escherichia coli)의 바이오필름 형성 억제 기전 내 바이카린(Baicalin)의 역할

문제 제로 (Problem Statement)
대장균(Escherichia coli, E. coli)은 주요 생존 전략으로서 바이오필름(생물막)을 형성하며, 이는 항균제, 소독제 및 숙주 면역 체계에 대한 저항성을 부여한다. 이러한 지속성은 만성 감염과 치료 실패를 초د한다. 박테리아의 생존력 자체를 표적으로 하는 기존의 항균 전략은 바이오필름에 대해 효과가 떨어지는 경우가 많으며, 높은 저항성 선택 압력을 가한다. 천연 플라보노이드인 바이카린은 항균 및 항독성 특성을 입증해 왔으나, E. coli의 바이오필름 형성을 억제하는 구체적인 분자 기전, 특히 전역적 단백질체 변화 및 기능적 네트워크 조절 측면에서는 아직 완전히 이해되지 않았다.

연구 방법론 (Methodology)
본 연구는 E. coli 균주 D5와 CMCC 44113에 대한 바이카린의 항바이오필름 효과를 조사하기 위해 통합된 멀티오믹스 및 계산 과학적 접근 방식을 채택하였다. 실험 설계는 다음과 같다:

• 표현형 분석 (Phenotypic Assays): 액체 미량 희석법(broth microdilution)과 크리스탈 바이올렛 염색을 사용하여 최소 억제 농도(MIC), 최소 살균 농도(MBC), 최소 바이오필름 억제 농도(MBIC)를 결정하였다. 바이오필름 형성 억제와 살균 효과를 구분하기 위해 초음파 분산 후 집락 형성 단위(CFU)를 통한 생존 세포 수를 평가하였다.
• 현미경 관찰 (Microscopy): 주사 전자 현미경(SEM)을 사용하여 바이오필름 생체량(biomass)과 편모 구조를 시각화하였다.
• 정량 단백체학 (Quantitative Proteomics): 다양한 농도(1/4 ~ 2× MBIC)의 바이카린으로 처리된 세포에 대해 데이터 독립적 획득(DIA) 질량 분석법을 수행하였다. 차별 발현 단백질(DEP)은 엄격한 통계적 기준(fold change ≥ 1.5 또는 ≤ 0.67, FDR < 0.05)을 사용하여 식별하였다.
• 생물정보학 (Bioinformatics): 유전자 기능(GO) 및 키요토 경로(KEGG) 농축 분석을 수행하였다. 단백질-단백질 상호작용(PPI) 네트워크는 STRING 데이터베이스를 사용하여 구축되었으며, 허브 단백질 및 기능적 모듈을 식별하기 위해 Cytoscape을 통해 분석되었다.
• 머신러닝 (Machine Learning): 정량적 단백체 데이터로부터 항바이오필름 표현형과 관련된 후보 단백질 특징을 식별하기 위해 LASSO 회귀, 랜덤 포레스트(Random Forest) 모델링, 그리고 in silico 가상 결실(virtual knockout) 분석을 결합한 통합 프레임워크를 적용하였다.
• 생리학적 검증 (Physiological Validation): 단백체 분석 결과를 검증하기 위해 세포 내/외 ATP 수준, 활성 산소종(ROS) 수준, 그리고 박테리아 운동성(swimming 및 swarming) 분석을 수행하였다.

주요 결과 (Key Results)

1. 살균 효과 없는 항바이오필름 활성: 바이카린은 농도 의존적으로 E. coli 바이오필름 형성을 억제하였으며, 64 mg/mL(MBIC)에서 99% 이상의 억제율을 달いました. 결정적으로, 바이오필름 배양 내 생존 세포 수는 처리 농도에 관계없이 일정하게 유지되었는데, 이는 바이카린이 특정 조건 하에서 전체 박테리아의 생존력을 크게 감소시키지 않으면서 바이오필름 형성을 억제함을 나타낸다.
2. 단백체 재프로그래밍: 단백체 분석 결과, 농도 의존적인 차별 발현 단백질(DEP)의 증가가 확인되었다. 농축 분석 결과 에너지 대사(당분해, TCA 회로, 산화적 인산화), 화학 주성(chemotaxis), 편모 조립에서 유의미한 변화가 식별되었다.
3. 대사 및 산화환원 리모델링: 바이카린 처리는 세포 내 ATP 감소와 세포 내 ROS 증가를 유도하였으나, 세포 외 ATP 수준은 안정적으로 유지되었다. 이는 관찰된 대사 스트레스가 비특이적 막 누출보다는 에너지 생산 및 산화환원 항상성 장애에서 기인함을 시사한다.
4. 운동성 및 편모 손상: 표현형 분석을 통해 바이카린이 swimming 및 swarming 운동성을 유의하게 감소시킴을 확인하였다. SEM 이미징 결과, 대조군에 비해 처리된 세포에서 가시적인 편모 구조가 현저히 감소한 것이 관찰되었다.
5. 머신러닝을 통한 식별: 머신러닝 모델(LASSO 및 Random Forest)은 플라젤린(flagellin) 관련 단백질으로 주석이 달린 A0A140NAX2를 항바이오필름 표현형과 연관된 고신뢰도 후보 특징으로 식별하였다. In silico 섭동 분석은 이 단백질의 발현과 바이오필름 억제율 사이에 부(-)의 상관관계가 있음을 뒷받침하였다.
6. 네트워크 분석: PPI 네트워크 분석은 운동성(FliA, FliC), 대사(GltA, Icd, AtpA), 그리고 전사/번역(RpoA, Tig)에 관여하는 허브 단백질들을 강조하였으며, 이는 조율된 시스템 수준의 반응을 시사한다.

핵심 기여 (Key Contributions)

• 기전 규명: 본 연구는 바이카린의 항바이오필름 기전에 대한 시스템 수준의 이해를 제공하며, 바이카린이 직접적인 살균 작용보다는 대사 상태를 변화시키고 운동성 관련 초기 부착 과정을 저해함으로써 작용함을 입증하였다.
• ML 및 단백체학의 통합: 본 연구는 DIA 기반 단백체학을 머신러닝과 성공적으로 결합하여 복잡한 데이터 세트로부터 특정 분자 결정 요인(예: A0A140NAX2)의 우선순위를 정하였으며, 이는 다요인적 생물학적 과정에서 타겟을 식별하는 강력한 프레임워크을 제공한다.
• 생존력 vs 바이오필름 억제의 차별화: 본 연구는 바이오필름 유도 조건 하에서 효과적인 바이오필름 억제가 반드시 총 생존 세포 수의 감소와 일치하지는 않는다는 점을 명확히 함으로써, 독성 및 군집 형성 인자를 표적으로 삼는 것의 중요성을 강조하였다.

의의 및 주장 (Significance and Claims)
저자들은 본 연구가 바이카린의 작용 기전에 대한 현재의 이해를 정교화한다고 주장한다. 바이카린은 단순히 일반적인 항균 작용이나 쿼럼 센싱(quorum-sensing) 억제를 통해 작용하는 것이 아니라, 중앙 탄소 대사, ATP 생산, 그리고 편모 조립/화학 주성을 교란함으로써 E. coli의 바이오필름 형성을 억제한다.

이러한 발견은 대사 및 운동성 경로를 표적으로 하는 것이 박테리아의 군집 형성을 줄이면서도 저항성에 대한 선택 압력을 낮출 수 있는 실행 가능한 항감염 전략이 될 수 있음을 시사한다. 플라젤린 관련 단백질을 핵심 특징으로 식별한 것은 향후 타겟 검증 및 대사 및 운동성 지향적 항바이오필름 전략 개발을 위한 잠재적 근거를 제공한다. 연구는 관찰된 효과가 바이오필름 유도 조건(LB 배지, 26°C, 높은 접종량)에 특이적이며, 표준적인 부유 배양(planktonic) 감수성 테스트 조건과는 다를 수 있음을 강조한다.