그린-X
AI를 통해 지속가능한 제품을 더 빠르게 만드는 방법
앞으로의 과제는 합성생물학자, 수학자, 전기공학자, 컴퓨터 과학자, 분자생물학자, 화학공학자 등을 포함하는 다학제적 접근을 필요로 한다고 생각합니다.
합성 생물학자는 식물과 미생물의 게놈을 변형하여 귀중한 화합물을 생산하거나, 박테리아를 빛에 민감하게 만들거나, 박테리아 세포가 암세포에 침입하도록 프로그래밍하는 등 사양을 충족하는 생물학적 시스템을 설계할 수 있습니다.
이 과학 분야는 불과 수십 년 밖에 되지 않았지만 의료용 의약품의 대규모 생산을 가능하게 했으며 석유가 없는 화학 물질, 연료 및 재료를 제조할 수 있는 능력을 확립했습니다. 바이오 제조 제품은 계속 존재할 것으로 보이며, 우리가 전통적이고 탄소 집약적인 제조 공정에서 벗어나면서 점점 더 바이오 제조 제품에 의존하게 될 것입니다.
그러나 한 가지 큰 장애물이 있는데, 바로 합성생물학이 노동 집약적이고 느리다는 것입니다. 제품을 만드는 데 필요한 유전자를 이해하는 것부터 숙주 유기체에서 제대로 기능하도록 하는 것, 그리고 마지막으로 해당 유기체가 대규모 산업 환경에서 번성하여 시장 수요를 충족하기에 충분한 제품을 생산할 수 있도록 하는 것까지, 바이오 제조 공정의 개발에는 수년과 수백만 달러의 투자가 필요할 수 있습니다.
로렌스 버클리 국립 연구소의 생명과학 분야 연구원인 엑터 가르시아 마르틴(Héctor García Martín)은 물리학자 교육을 받는 동안 습득한 인공 지능과 수학적 도구를 적용하여 이 R&D 환경을 가속화하고 개선하기 위해 노력하고 있습니다.
우리는 AI, 맞춤형 알고리즘, 수학적 모델링, 로봇 자동화가 어떻게 부분보다 더 큰 합으로 합쳐질 수 있는지, 그리고 합성생물학에 대한 새로운 접근 방식을 제공할 수 있는지 알아보기 위해 그와 이야기를 나눴습니다.
합성생물학 연구와 공정 확장에 여전히 오랜 시간이 걸리는 이유는 무엇입니까?
합성생물학에서 재생가능한 제품을 만드는 데 있어 우리가 발견하는 장애물은 모두 매우 근본적인 과학적 결점, 즉 생물학적 시스템을 예측할 수 없는 무능력에서 비롯된다고 생각합니다. 많은 합성 생물학자들은 저의 의견에 동의하지 않을 수 있으며, 밀리리터에서 수천 리터로 공정을 확장하는 것의 어려움, 상업적 생존 가능성을 보장할 수 있을 만큼 충분히 높은 수율을 추출하기 위한 어려움, 심지어 합성하기에 적합한 특성을 가진 분자를 찾는 힘든 문헌을 지적할 수도 있습니다. 그리고 그것은 모두 사실입니다.
그러나 나는 그것들이 모두 생물학적 시스템을 예측할 수 없는 우리의 무능력의 결과라고 믿습니다. 타임머신을 가진 사람이 와서 미생물에 넣을 완벽하게 설계된 DNA 염기서열을 제공하여 원하는 표적 분자(예: 바이오 연료)를 대규모(수천 리터)로 최적의 양으로 생성한다고 가정해 보겠습니다.
그것을 합성하고 세포로 변형시키는 데 몇 주가 걸리고, 상업적인 규모로 성장시키는 데 3개월에서 6개월이 걸릴 것입니다. 그 6.5개월과 현재 우리에게 걸리는 약 10년의 차이는 유전자 염기서열과 배양 조건을 미세 조정하는 데 소요되는 시간입니다(예: 독성 축적을 피하기 위해 특정 유전자의 발현을 낮추거나 더 빠른 성장을 위해 산소 수준을 높이는 것)는 세포 행동에 어떤 영향을 미칠지 모르기 때문입니다.
이를 정확하게 예측할 수 있다면 훨씬 더 효율적으로 엔지니어링할 수 있을 것입니다. 그리고 그것이 다른 분야에서도 이루어지는 방식입니다. 우리는 새로운 비행기 모양을 만들고 얼마나 잘 작동하는지 보기 위해 비행기를 설계하지 않습니다. 유체 역학 및 구조 공학에 대한 우리의 지식은 매우 뛰어나서 동체 변경과 같은 것이 비행에 미칠 영향을 시뮬레이션하고 예측할 수 있습니다.
인공 지능은 이러한 프로세스를 어떻게 가속화합니까? 최근 작업의 몇 가지 예를 들어주실 수 있나요?
우리는 기계 학습과 인공 지능을 사용하여 합성 생물학에 필요한 예측 능력을 제공하고 있습니다. 우리의 접근 방식은 관련된 분자 메커니즘을 완전히 이해할 필요가 없으므로 상당한 시간을 절약할 수 있습니다. 그러나 이것은 전통적인 분자 생물학자들에게 약간의 의심을 불러일으킵니다.
일반적으로 이러한 도구는 방대한 데이터 세트에서 훈련되어야 하지만, 합성 생물학에서는 천문학과 같은 분야에서 얻을 수 있는 것만큼 많은 데이터가 없기 때문에 이러한 한계를 극복하기 위한 고유한 방법을 개발했습니다. 예를 들어, 우리는 기계 학습을 사용하여 생산성을 극대화하기 위해 어떤 프로모터(유전자 발현을 매개하는 DNA 염기서열)를 선택할지 예측했습니다.
또한 기계 학습을 사용하여 최적의 생산을 위한 올바른 성장 배지를 예측하고, 세포의 대사 역학을 예측하고, 지속 가능한 항공 연료 전구체의 수율을 높이고, 기능하는 폴리케타이드 합성효소(매우 다양한 가치 있는 분자를 생산할 수 있지만 예측 가능하게 엔지니어링하기 어려운 효소)를 엔지니어링하는 방법을 예측했습니다.
이러한 경우 많은 경우 AI 방법이 진정으로 효과적이기 위해 필요한 대량의 고품질 데이터를 얻기 위해 과학 실험을 자동화해야 했습니다. 예를 들어, 우리는 로봇 액체 처리기를 사용하여 미생물의 새로운 성장 배지를 만들고 그 효과를 테스트했으며 유전자 편집을 자동화하기 위해 미세 유체 칩을 개발했습니다. 저는 연구소의 다른 사람들(및 외부 협력자)과 함께 합성생물학을 위한 자율 주행 실험실을 만들기 위해 적극적으로 노력하고 있습니다.
미국의 다른 많은 단체들도 비슷한 일을 하고 있는가? 시간이 지나면 이 분야가 더 커질 것이라고 생각하십니까?
AI, 합성생물학 및 자동화의 교차점에 대한 전문 지식을 갖춘 연구 그룹의 수는 매우 적으며, 특히 산업 외부에서는 더욱 그렇습니다. 위스콘신 대학교의 필립 로메로(Philip Romero)와 일리노이 대학교 어바나-샴페인 캠퍼스(University of Illinois Urbana-Champaign)의 후이민 자오(Huimin Zhao)를 꼽고 싶습니다. 그러나 이러한 기술 조합이 사회에 큰 영향을 미칠 수 있는 잠재력(예: 기후 변화 퇴치 또는 새로운 치료 약물 생산)을 감안할 때 이 분야는 가까운 장래에 매우 빠르게 성장할 것이라고 생각합니다.
저는 신흥 생명공학에 관한 국가안보위원회(National Security Commission on Emerging Biotechnology)의 전문가 회의를 포함하여 여러 실무 그룹, 위원회 및 워크숍에 참여하여 이 분야의 기회를 논의하고 적극적인 권장 사항이 포함된 보고서 초안을 작성하고 있습니다.
이 작업을 계속함으로써 앞으로 어떤 종류의 발전이 있을 것으로 예상하십니까?
합성생물학에 AI와 로봇공학/자동화를 집중적으로 적용하면 합성생물학 타임라인을 20배 가량 앞당길 수 있다고 생각합니다. 우리는 10년 대신 6개월 만에 새로운 상업적으로 실행 가능한 분자를 만들 수 있습니다. 이는 재생 가능한 바이오매스(탄소원)를 지속 가능하게 사용하여 에너지와 중간재 및 최종 제품을 생산하는 순환 바이오 경제를 가능하게 하려면 절실히 필요합니다.
오늘날 석유화학제품에서 생산되는 고생산(HPV) 화학물질(미국이 연간 최소 100만 파운드를 생산하거나 수입하는 화학물질)은 약 3,574종으로 추산됩니다. Genencor라는 생명 공학 회사는 널리 사용되는 화학 물질 중 하나 인 1,3-프로판디올을 생산하기위한 재생 가능한 경로를 생산하기 위해 575 manyear의 작업이 필요했으며 이것이 전형적인 수치입니다.
우리가 이 수천 개의 화학 물질 각각에 대해 석유 정제 공정을 대체하기 위해 바이오 제조 공정을 설계하는 데 걸리는 시간을 가정하면 ~ 2,000,000 인년이 필요합니다. 만약 우리가 5~5,000명으로 추산되는 미국의 합성생물학자들(미국 내 모든 생물학자의 10%라고 가정해보자. 그리고 그것은 과대평가이다)을 이 작업에 투입한다면, 순환 바이오경제를 창출하는 데 약 371년이 걸릴 것입니다.
이상 기온이 매년 증가함에 따라 실제로 371년이 없습니다. 이 숫자는 분명히 봉투 뒷면의 빠른 계산이지만 현재 경로를 계속할 경우 크기 순서에 대한 아이디어를 제공합니다. 파괴적인 접근 방식이 필요합니다.
또한, 이 접근 방식은 환경 목적과 인간 건강을 위한 미생물 군집 엔지니어링, 생체 재료, 생체 공학 조직 등과 같은 현재 접근 방식으로는 실현 불가능한 보다 야심찬 목표를 추구할 수 있게 할 것입니다.
버클리 연구소는 어떻게 이 연구를 수행하기에 독특한 환경입니까?
버클리 연구소는 지난 20년 동안 합성생물학에 많은 투자를 해왔으며 이 분야에서 상당한 전문성을 보여주고 있습니다. 더욱이, 버클리 연구소는 대규모 팀, 다학제 과학 및 "빅 사이언스"의 본거지입니다.
저는 그것이 지금 이 순간 합성생물학을 위한 올바른 길이라고 생각합니다. DNA가 발견된 이후 지난 70년 동안 단일 연구자의 전통적인 분자생물학 접근법을 통해 많은 성과를 거두었지만, 앞으로의 과제는 합성생물학자, 수학자, 전기공학자, 컴퓨터 과학자, 분자생물학자, 화학공학자 등을 포함하는 다학제적 접근을 필요로 한다고 생각합니다. 버클리 연구소는 그런 종류의 작업을 위한 자연스러운 장소여야 한다고 생각합니다.
생물학적 시스템의 수학적 모델링을 연구하게 된 계기에 대해 말씀해 주시겠습니까?
아주 어렸을 때부터 저는 과학, 특히 생물학과 물리학에 관심이 많았습니다. 아버지가 공룡의 멸종에 대해 말씀해 주셨던 것이 생생하게 기억납니다. 또한 페름기에는 산소 농도가 지금보다 훨씬 높았기 때문에 곤충이 폐가 아닌 확산을 통해 산소를 얻기 때문에 거대한 잠자리(~75cm)가 있었다는 말을 들었던 기억이 납니다. 따라서 산소 농도가 높을수록 곤충이 훨씬 더 커질 수 있었습니다.
또한 수학과 물리학이 우리 주변의 사물을 이해하고 공학적으로 인식할 수 있는 능력에 매료되었습니다. 물리학이 저의 첫 번째 선택이었는데, 그 당시 생물학을 가르치는 방식은 정량적 예측보다 훨씬 더 많은 암기를 필요로 했기 때문입니다. 하지만 저는 항상 어떤 과학적 원리가 지금 우리가 보고 있는 지구에 생명체가 살게 되었는지를 배우는 데 관심이 있었습니다.
저는 이론 물리학 박사 학위를 취득했는데, 보스-아인슈타인 응축물(광자를 포함하는 그룹인 보손이라고 불리는 입자가 절대 영도에 가까울 때 발생하는 물질 상태)을 시뮬레이션하고 경로 적분 몬테카를로 기술을 사용했지만 생태학에서 100+ 년 된 퍼즐에 대한 설명도 제공했습니다. 왜 한 지역의 종의 수가 명백히 보편적인 멱법칙에 따라 그 지역에 의존하는지(S=cAz, z=0.25)? 그때부터 물리학 연구를 계속할 수도 있었지만, 생물학에 예측 능력을 적용하면 더 많은 영향을 미칠 수 있다고 생각했습니다.
이러한 이유로, 저는 물리학 박사 학위에 큰 도박을 걸었고, 마이크로바이옴에 대한 예측 모델을 개발하기 위해 DOE Joint Genome Institute에서 미생물 군집의 염기서열을 분석하여 근본적인 세포 활동을 밝히는 메타유전체학(metagenomics)에 대한 박사 후 과정을 수락했습니다. 그러나 대부분의 미생물 생태학자들이 예측 모델에 대한 관심이 제한적이라는 것을 알게 되었고, 세포를 사양에 맞게 엔지니어링하는 것을 목표로 하기 때문에 예측 기능이 필요한 합성생물학 분야에서 일하기 시작했습니다.
현재 제 직책은 수학적 지식을 사용하여 바이오 연료를 생산하고 기후 변화에 맞서 싸우기 위해 세포를 예측하고 설계할 수 있도록 합니다. 우리는 많은 진전을 이루었고 AI 기반 합성 생물학의 첫 번째 사례 중 일부를 제공했지만 생물학을 예측 가능하게 만들기 위해서는 여전히 해야 할 일이 많습니다.
이상의 기사는 2024년 5월 30일 Phys.org에 게재된 “Q&A: How to make sustainable products faster with artificial intelligence and automation”제목의 기사 내용을 편집하여 작성하였습니다.
* 원문정보 출처 : Q&A: How to make sustainable products faster with artificial intelligence and automation (phys.org)