KAIST, AI로 유전자 기능 규명 난제 해법 제시

KAIST–UCSD 공동연구, 예측·실험 결합한 차세대 미생물 연구 전략 정립

“유전자는 알지만, 그 기능은 모른다.” 전장 유전체 해독 이후 20년이 지났지만 미생물 연구가 여전히 마주하고 있는 이 난제에 대해 KAIST 연구진이 인공지능(AI)을 활용한 새로운 해법을 제시했다. AI 예측과 실험 검증을 결합한 체계적 연구 전략을 통해, 유전자 기능 발견의 속도와 효율을 획기적으로 끌어올릴 수 있다는 것이다.

KAIST는 생명화학공학과 이상엽 특훈교수 연구팀이 미국 University of California, San Diego 생명공학과 Bernhard Palsson 교수와 함께, AI 기반 미생물 유전자 기능 발견 전략을 종합적으로 정리한 리뷰 논문을 발표했다고 1월 12일 밝혔다.

2000년대 초 전장 유전체 해독 기술이 본격화되면서 생명체의 유전자 구성이 완전히 규명될 것이라는 기대가 컸다. 그러나 현재까지도 미생물 유전체 내 유전자의 상당수는 기능이 밝혀지지 않은 상태로 남아 있다. 유전자 결실 실험, 발현 조절, 시험관 내 활성 측정 등 다양한 접근이 시도됐지만, 대규모 실험의 한계와 복잡한 생물학적 상호작용, 실험실 결과와 실제 생체 내 반응 간 불일치가 기능 규명을 가로막아 왔다.

연구팀은 이러한 구조적 한계를 극복하기 위해 전산생물학과 실험생물학을 결합한 AI 기반 접근이 필수적이라고 진단했다. 이번 논문에서는 유전자 서열 유사성 분석에서 출발해, 심층학습 기반 최신 AI 모델에 이르기까지 유전자 기능 발견을 가속해 온 다양한 전산생물학적 기법을 체계적으로 정리했다.

특히 단백질 3차원 구조를 예측하는 AI 기술이 유전자 기능 이해의 전환점을 마련하고 있다고 분석했다. AlphaFold와 RoseTTAFold와 같은 모델은 단순한 기능 추정을 넘어, 단백질이 실제로 어떻게 작동하는지를 구조적 관점에서 해석할 수 있는 가능성을 제시한다. 나아가 생성형 AI는 특정 기능을 수행하는 단백질을 설계하는 단계로까지 연구 범위를 확장하고 있다.

연구팀은 전사인자와 효소를 중심으로, 유전자 서열 정보, 단백질 구조 예측, 메타유전체 분석을 결합한 다양한 응용 사례를 제시했다. 이를 통해 기능 미상 유전자를 선별하고, 실험적으로 검증하는 전산–실험 통합 워크플로우가 실제로 작동하고 있음을 설명했다.

또 하나의 핵심은 AI가 실험을 ‘보조’하는 수준을 넘어, 실험 전략을 능동적으로 제안하는 구조다. 연구팀은 AI가 불확실성이 큰 예측을 스스로 선별해 실험을 제안하고, 그 결과를 다시 학습에 반영하는 ‘능동적 학습(Active Learning)’ 기반 연구 프레임워크의 중요성을 강조했다. 이를 위해 자동화된 실험 플랫폼과 바이오파운드리 등 공유 연구 인프라, 실패 데이터의 공개와 축적이 필수적이라고 제시했다.

이상엽 특훈교수는 유전자 기능 규명은 더 이상 개별 실험의 반복으로 해결할 수 있는 문제가 아니라며, AI가 연구를 안내하고 실험이 이를 검증하는 순환 구조의 연구 생태계를 구축하는 것이 핵심이라고 밝혔다. 공동저자인 김기배 박사 역시 예측 성능 향상과 함께, AI의 판단 근거를 생물학적으로 설명할 수 있는 해석 가능한 모델 개발이 중요한 과제로 남아 있다고 덧붙였다.

이번 연구 결과는 네이처(Nature) 계열의 생명공학 분야 권위 학술지인 『Nature Microbiology』 1월 7일 자로 게재됐다. 해당 논문은 AI가 미생물 유전자 기능 발견의 속도와 방향을 근본적으로 바꿀 수 있음을 제시한 연구 전략 보고서로, 향후 합성생물학과 바이오제조, 대사공학 전반에 걸쳐 중요한 이정표가 될 것으로 평가된다.

#KAIST #이상엽교수 #AI생물학 #유전자기능 #미생물연구 #전산생물학 #단백질구조예측 #능동적학습 #합성생물학 #NatureMicrobiology