광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
로고

[인공지능, 기계학습] 기계학습은 합성생물학을 사용하고, 알고리즘은 세포를 생명공학으로 만들 수 있다. 과학자들이 미생물을 엔지니어링하여 암 퇴치제를 생산하는 것과 같이 생물학적 시스템을 사양에 맞게 설계할 수 있기 때문에 잠재력이 가득한 분야이다. 미국 에너지부 로렌스 버클리 등 국립연구소 (Berkeley Lab)의 과학자들은 기계학습 알고리즘을 합성생물학의 요구에 맞게 조정하여 개발을 체계적으로 안내하는 새로운 도구를 개발했다. 합성생물학은 식품, 의학, 농업, 기후, 에너지 및 재료와 같은 거의 모든 분야에서 상당한 영향을 미칠 수있는 잠재력을 가지고 있다.

박영숙세계미래보고서저자 | 기사입력 2020/10/04 [17:50]

[인공지능, 기계학습] 기계학습은 합성생물학을 사용하고, 알고리즘은 세포를 생명공학으로 만들 수 있다. 과학자들이 미생물을 엔지니어링하여 암 퇴치제를 생산하는 것과 같이 생물학적 시스템을 사양에 맞게 설계할 수 있기 때문에 잠재력이 가득한 분야이다. 미국 에너지부 로렌스 버클리 등 국립연구소 (Berkeley Lab)의 과학자들은 기계학습 알고리즘을 합성생물학의 요구에 맞게 조정하여 개발을 체계적으로 안내하는 새로운 도구를 개발했다. 합성생물학은 식품, 의학, 농업, 기후, 에너지 및 재료와 같은 거의 모든 분야에서 상당한 영향을 미칠 수있는 잠재력을 가지고 있다.

박영숙세계미래보고서저자 | 입력 : 2020/10/04 [17:50]
기계학습은 합성생물학을 사용하고, 알고리즘은 세포를 생명공학으로 만들 수 있다. 거대한 변화가 온다. 2020. 10. 3.
 
 

1E71BCED-80C3-4894-9B47-39C7764F77CC

Berkeley Lab 과학자 Tijana Radivojevic (왼쪽)과 Hector Garcia Martin은 작년 Agile BioFoundry에서 기계론적 및 통계적 모델링, 데이터 시각화 및 대사지도를 그렸다.

기계학습은 합성생물학을 사용한다. 알고리즘은 세포를 생명공학으로 만들 수 있다.

육류 맛이 나는 비건버거를 먹거나 뷰티루틴에서 합성콜라겐을 사용한 적이 있다면 이미 이 두 제품이 모두 실험실에서 "자란" 제품이다. 이렇게 이미 제품들이 합성생물학의 이점을 누릴 수 있다. 과학자들이 미생물을 엔지니어링하여 암 퇴치제를 생산하는 것과 같이 생물학적 시스템을 사양에 맞게 설계할 수 있기 때문에 잠재력이 가득한 분야이다. 그러나 기존의 생명공학 방법은 시행착오가 주요 접근방식으로 느리고 힘이 든다.

미국 에너지부 로렌스 버클리 등 국립연구소 (Berkeley Lab)의 과학자들은 기계학습 알고리즘을 합성생물학의 요구에 맞게 조정하여 개발을 체계적으로 안내하는 새로운 도구를 개발했다. 혁신은 과학자들 이 세포의 각 부분과 세포를 조작하기 위해 무엇을하는지에 대한 세심한 기술을 개발하는 데 수년을 허비하지 않아도됨을 의미한다. 대신 제한된 훈련 데이터 세트로 알고리즘은 세포의 DNA 또는 생화학의 변화가 세포의 행동에 어떤 영향을 미칠지 예측할 수 있으며, 원하는 목표를 달성하기위한 확률적 예측과 함께 권장 사항을 만들기를 원한다.

 

연구를 주도한 버클리연구소의 생물시스템 및 공학 (BSE) 부서의 연구원 Hector Garcia Martin은 “가능성은 혁신적이다. 현재 생명공학은 매우 느린 과정이다. 말라리아 치료제 아르테미시닌을 만드는 데 150년이 걸렸다. 몇 년이 아니라 몇 주 또는 몇 달 안에 사양에 맞는 새로운 세포를 만들 수 있다면 생명공학으로 할 수있는 일에 혁명을 일으킬 수 있다.”

BSE 데이터과학자 Tijana Radivojevic 및 국제연구그룹과 협력하여 팀은 최근 Nature Communications 저널에 발표된 한 쌍의 논문에 설명된 ART (Automated Recommendation Tool)라는 특허 출원중인 알고리즘을 개발하고 시연했다. 기계학습을 통해 컴퓨터는 상당한 양의 사용가능한 "학습"데이터를 "학습"한 후 예측을 할 수 있다.

Radivojevic이 이끄는 "ART : 합성생물학을위한 기계학습 자동화된 권장 도구"에서 연구원들은 합성생물학 분야의 특수성 즉 작은 훈련 데이터 세트, 불확실성을 정량화 할 필요성, 재귀 등에 맞게 조정된 알고리즘을 발표했다.  이 도구의 기능은 재생가능한 바이오연료 생산 개선과 같은 이전 대사공학 프로젝트의 시뮬레이션 및 과거 데이터로 입증되었다.

"트립토판 대사의 예측공학 및 최적화를위한 기계학습 모델과 기계학습 모델 결합"에서 팀은 ART를 사용하여 Saccharomyces cerevisiae라는 효모 종에 의한 다양한 용도의 아미노산 트립토판 생산을 증가시키는 대사공학 과정 또는 제빵사의 효모같은 물질을 안내했다.  이 프로젝트는 덴마크기술대학의 Novo Nordisk Foundation Center for Biosustainability 센터의 Jie Zhang과 Soren Petersen이 Berkeley Lab 및 샌프란시스코에 기반을 둔 스타트업 Teselagen의 과학자들과 협력하여 주도했다.

실험을 수행하기 위해 그들은 각각 다른 유전자 프로모터와 세포 내의 다른 메커니즘에 제어되고 총 8,000개의 잠재적인 생물학적 경로 조합을 나타내는 5개의 유전자를 선택했다. 덴마크의 연구원들은 가능한 모든 조합의 3%에 불과한 250개의 경로에 대한 실험데이터를 얻었으며 이 데이터는 알고리즘을 훈련하는 데 사용되었다. ART는 어떤 산출물 즉 아미노산 생산 등이 어떤 투입물 즉 유전자 발현과 연관되어 있는지를 배웠다.

그런 다음 통계적 추론을 사용하여 나머지 7,000개 이상의 조합 각각이 트립토판 생산에 미치는 영향을 추정 할 수있었다. 궁극적으로 권장하는 설계는 최신 기준 균주에 비해 트립토판 생산을 106%, 모델 교육에 사용된 최상의 설계에 비해 17% 증가했다.

“이것은 기계학습이 이끄는 생명공학이 실현가능하고 확장가능한 경우 파괴적이라는 분명한 증거이다. 우리는 5개의 유전자에 대해 이 작업을 수행했지만 전체 게놈에 대해 수행 할 수 있다고 믿는다.”라고 Agile BioFoundry의 회원이자 JBEI (Joint BioEnergy Institute)의 정량적 대사 모델링 팀장 Garcia Martin은 말했다.  DOE 바이오에너지 연구센터는 이 작업의 일부를 지원했다. “이것은 시작에 불과하다. 이를 통해 우리는 대사공학을 수행하는 다른 방법이 있음을 보여주었다. 알고리즘은 연구의 일상적인 부분을 자동으로 수행하는 동시에 과학적 노력의 보다 창의적인 부분에 시간을 할애하는 동안 중요한 질문을 결정하고 실험을 설계하고 얻은 지식을 통합한다.”

더 많은 데이터 필요

연구원들은 결과를 얻기위해 필요한 데이터가 얼마나 적은지에 놀랐다. 그러나 합성 생물학의 잠재력을 진정으로 실현하려면 알고리즘이 훨씬 더 많은 데이터로 훈련되어야한다고 말한다. Garcia Martin은 합성생물학이 1790년대 산업혁명이 있었던 시기와 동등한 초기단계에 불과하다고 설명한다. "자동화 및 고 처리량 기술에 투자해야만 생명공학을 혁신하는 데 필요한 데이터를 활용할 수 있다."라고 말했다.

Radivojevic은 다음과 같이 덧붙였다. “우리는 소규모 데이터 세트에 대한 방법론과 데모를 제공했다. 많은 양의 데이터에 접근 할 수 있으므로 잠재적인 애플리케이션은 혁신적 일 수 있다. "

국립연구소의 고유한 기능

실험 데이터의 부족 외에도 Garcia Martin은 다른 한계는 인적 자본 또는 기계학습 전문가라고 말한다. 오늘날 우리 세계에서 데이터가 폭발적으로 증가함에 따라 많은 분야와 기업이 기계학습 및 인공지능 분야에서 제한된 수의 전문가를두고 경쟁하고 있다.

Garcia Martin은 국립연구소에서 제공하는 팀 환경으로 둘러싸여 있다면 생물학에 대한 지식이 절대적인 전제조건이 아니라고 지적한다. 예를들어 Radivojevic은 응용수학박사학위를 가지고 있으며 생물학에 대한 배경 지식이 없다. "여기서 2년 동안 그녀는 생물학자, 엔지니어 및 컴퓨터과학자로 구성된 다 분야팀과 생산적으로 협력 할 수 있었고 합성생물학 분야에서 차이를 만들 수있었다."라고 그는 말했다. "대사공학을 수행하는 전통적인 방식으로, 그녀는 자신의 독립적인 실험을 시작하기 전에 필요한 생물학적 지식을 배우는 데 5~ 6년을 소비해야했다."

Garcia Martin은 “국립연구소는 전문화와 표준화가 번영하고 그들의 특징인 대규모 다 분야 팀에서 결합 할 수있는 환경을 제공한다."

합성생물학은 식품, 의학, 농업, 기후, 에너지 및 재료와 같은 거의 모든 분야에서 상당한 영향을 미칠 수있는 잠재력을 가지고 있다. 다양한 시장 보고서에 따르면 세계 합성생물학 시장은 현재 약 40억 달러로 추정되며 2025년까지 200억 달러 이상으로 성장할 것으로 예상된다.

“대사공학을 자동화 할 수 있다면 더 대담한 목표를 위해 노력할 수 있다. 우리는 치료 또는 생물학적 치료 목적으로 미생물 군집을 설계 할 수 있다. 예를들어, 자폐증을 치료하기위한 약물을 생산하기 위해 장에서 미생물 군을 조작하거나 폐기물을 바이오 연료로 전환하는 환경의 미생물 군을 생산할 수 있다.”라고 Garcia Martin은 말했다. "머신러닝과 CRISPR기반 유전자편집의 결합으로 원하는 사양에 훨씬 더 효율적으로 수렴 할 수 있다." Phys.org

 
인공지능, 기계학습 관련기사목록
광고
광고
광고
광고
광고
광고
광고
많이 본 기사
최신기사