계통 분류에 의존하지 않는 머신러닝을 통한 박테리오파지 - 숙주 상호작용의 균주 수준 예측
Contents
01. 연구 배경과 미해결 과제
박테리오파지는 약물 내성 세균 감염 치료 및 미생물군 조절에 있어 항생제를 대체할 유망한 수단으로 기대되고 있습니다. 그러나 특정 세균 균주에 감염되는 파지를 선택하는 어려움이 그 적용을 제한하는 주요 병목 현상입니다. 기존의 예측 방법은 숙주나 파지의 계통 분류 (phylogeny) 에 의존하고 있어, 알려지지 않은 균주나 새로운 파지에 대한 예측 정확도에 한계가 있었습니다. 또한 감염 메커니즘에 대한 사전 지식이 필요한 경우가 많아 새로운 감염 결정 인자의 발견을 방해하는 요인이 되었습니다.
특히 임상 현장이나 산업 활용에서, 표적이 되는 세균 균주에 대해 효과 있는 파지를 신속하고 정확하게 선별하는 것은 매우 중요합니다. 그러나 실험적으로 모든 조합을 테스트하는 것은 시간과 비용 측면에서 비현실적이며, 게놈 정보를 기반으로 한 고정밀 예측 모델 구축이 강력히 요구되고 있습니다.
02. 이 논문에서 밝혀진 핵심 내용
본 연구에서는 계통 분류에 의존하지 않는 (phylogeny-agnostic) 머신러닝 프레임워크를 개발하여 게놈 서열만으로 다양한 세균 속 (genus) 에서 균주 수준의 박테리오파지 - 숙주 상호작용을 예측하는 데 성공했습니다. 이 모델은 기존 종 특이적 방법과 동등한 성능 (AUROC 0.67~0.94) 을 달성하면서도 계통 제약을 제거하고, 알려지지 않은 파지나 숙주에 대한 일반화 능력을 입증했습니다.
실험적 검증으로 1,240 개의 E. coli 파지 - 숙주 상호작용을 예측 및 검증한 결과, AUROC 0.84 라는 높은 정확도를 달성했습니다. 또한 게놈 전체 RB-TnSeq 스크리닝을 통해 실험적으로 동정된 감염 매개 인자의 68.6% 가 계산 모델에 의해 포착되었음이 확인되었습니다. 모델 가이드에 의한 파지 켑틀 설계에서는 5 개의 파지로 최대 97.5% 의 세균 커버리지를 달성하여, 기존의 광범위한 파지 선택법보다 최대 3.1 배의 개선을 보였습니다.
03. 연구 설계와 기술적 포인트
연구에서는 6 개의 기존 데이터셋 (115,037 개의 상호작용, 949 개의 세균 균주, 518 개의 파지) 을 사용하여 모델을 구축 및 최적화했습니다. 게놈 데이터를 수치 특징량으로 변환할 때, 단백질 패밀리의 유무 (presence-absence) 를 특징량으로 활용하고, 재귀적 특징량 선택 (recursive feature elimination) 과 그래디언트 부스팅 결정 트리 (CatBoost) 의 앙상블 학습을 채택했습니다.
- 1,320 만 회 이상의 학습 실행을 통해 모델 파라미터를 체계적으로 최적화
- 계통 분류에 의존하지 않고 게놈 정보만으로 신규 균주 및 파지의 상호작용 예측
- SHAP 값을 활용한 특징량 해석을 통해 감염 관련 유전자 (포린, LPS 합성 효소 등) 동정
- RB-TnSeq 를 통한 실험적 검증으로 예측 특징량의 생물학적 타당성 확인
이 접근법은 고차원이고 불균형한 데이터에서도 과적합을 방지하면서 생물학적으로 해석 가능한 특징량을 추출할 수 있다는 점이 특징입니다. 특히 감염 경로의 전체 조절 메커니즘을 단일 유전자 수준에서 포착하는 능력이 입증되었습니다.
04. 질환 연구 및 신약 개발에 대한 시사점
이 연구는 박테리오파지 치료 의 합리적인 설계와 정밀한 미생물군 공학 에 큰 시사점을 제공합니다. 항생제 내성균이라는 세계적 건강 위기에 대해, 특정 균주만을 표적으로 하고 주변 유익한 미생물군에 미치는 영향을 최소화하는 치료법 개발이 가능해집니다.
또한 모델 가이드에 의한 파지 켑틀 설계는 내성균 출현 위험을 줄이고 치료 효과를 극대화하는 전략을 가능하게 합니다. 임상, 농업, 산업 미생물학의 넓은 맥락에서 신속한 파지 선별 및 치료 프로토콜 최적화가 실현되고 있습니다.
05. 전임상 모델 및 연구 도구와의 연관성
본 연구에서 개발된 예측 플랫폼은 전임상 연구 단계에서 파지 스크리닝의 효율화에 직접 기여합니다. Cyagen 은 특정 병원체나 모델 생물에 대응하는 유전자 편집 마우스 와 세포 모델 을 제공하여, 파지 - 숙주 상호작용 연구 및 파지 치료의 실증 시험 (in vivo/in vitro) 에 필수적인 리소스를 제공합니다.
특히, 타겟 유전자 편집 기술을 활용한 유전자 기능 분석 및 형질전환 마우스 모델을 이용한 감염 메커니즘 규명에서, 본 연구에서 동정된 감염 결정 인자 (포린, 수용체 등) 를 표적으로 한 모델 구축이 유효합니다. 또한 CRO 서비스를 통해 파지 켑틀의 효능 평가 및 안전성 시험을 포괄적으로 지원할 수 있습니다.
06. 정리
계통 분류에 의존하지 않는 머신러닝에 의한 박테리오파지 - 숙주 상호작용 예측은 파지 치료의 새로운 패러다임을 여는 것입니다. 게놈 정보로부터 고정밀 예측을 수행하고 실험적 검증을 동반하는 이 접근법은 항생제 내성균 대응 및 미생물군 조절에서 신속하고 정밀한 솔루션을 제공합니다. 향후 연구에서는 더 다양한 데이터셋의 통합 및 환경 조건을 고려한 모델의 진화가 기대됩니다.
