%EB%AF%B8%EA%B5%AD+%EA%B5%AD%EB%A6%BD%EA%B3%BC%ED%95%99%EC%9B%90+%ED%9A%8C%EB%B3%B4
-
이상엽 특훈교수, 김현욱 교수, 인공지능 이용한 효소기능 예측 기술 개발
우리 대학 생명화학공학과 이상엽 특훈교수와 김현욱 교수의 초세대 협업연구실 공동연구팀이 딥러닝(deep learning) 기술을 이용해 효소의 기능을 신속하고 정확하게 예측할 수 있는 컴퓨터 방법론 DeepEC를 개발했다.
공동연구팀의 류재용 박사가 1 저자로 참여한 이번 연구결과는 국제학술지 ‘미국 국립과학원 회보(PNAS)’ 6월 20일 자 온라인판에 게재됐다. (논문명 : Deep learning enables high-quality and high-throughput prediction of enzyme commission numbers)
효소는 세포 내의 생화학반응들을 촉진하는 단백질 촉매로 이들의 기능을 정확히 이해하는 것은 세포의 대사(metabolism) 과정을 이해하는 데에 매우 중요하다.
특히 효소들은 다양한 질병 발생 원리 및 산업 생명공학과 밀접한 연관이 있어 방대한 게놈 정보에서 효소들의 기능을 빠르고 정확하게 예측하는 기술은 응용기술 측면에서도 중요하다.
효소의 기능을 표기하는 시스템 중 대표적인 것이 EC 번호(enzyme commission number)이다. EC 번호는 ‘EC 3.4.11.4’처럼 효소가 매개하는 생화학반응들의 종류에 따라 총 4개의 숫자로 구성돼 있다.
중요한 것은 특정 효소에 주어진 EC 번호를 통해서 해당 효소가 어떠한 종류의 생화학반응을 매개하는지 알 수 있다는 것이다. 따라서 게놈으로부터 얻을 수 있는 효소 단백질 서열의 EC 번호를 빠르고 정확하게 예측할 수 있는 기술은 효소 및 대사 관련 문제를 해결하는 데 중요한 역할을 한다.
작년까지 여러 해에 걸쳐 EC 번호를 예측해주는 컴퓨터 방법론들이 최소 10개 이상 개발됐다. 그러나 이들 모두 예측 속도, 예측 정확성 및 예측 가능 범위 측면에서 발전 필요성이 있었다. 특히 현대 생명과학 및 생명공학에서 이뤄지는 연구의 속도와 규모를 고려했을 때 이러한 방법론의 성능은 충분하지 않았다.
공동연구팀은 1,388,606개의 단백질 서열과 이들에게 신뢰성 있게 부여된 EC 번호를 담고 있는 바이오 빅데이터에 딥러닝 기술을 적용해 EC 번호를 빠르고 정확하게 예측할 수 있는 DeepEC를 개발했다.
DeepEC는 주어진 단백질 서열의 EC 번호를 예측하기 위해서 3개의 합성곱 신경망(Convolutional neural network)을 주요 예측기술로 사용하며, 합성곱 신경망으로 EC 번호를 예측하지 못했을 경우 서열정렬(sequence alignment)을 통해서 EC 번호를 예측한다.
연구팀은 더 나아가 단백질 서열의 도메인(domain)과 기질 결합 부위 잔기(binding site residue)에 변이를 인위적으로 주었을 때, DeepEC가 가장 민감하게 해당 변이의 영향을 감지하는 것을 확인했다.
김현욱 교수는 “DeepEC의 성능을 평가하기 위해서 이전에 발표된 5개의 대표적인 EC 번호 예측 방법론과 비교해보니 DeepEC가 가장 빠르고 정확하게 주어진 단백질의 EC 번호를 예측하는 것으로 나타났다”라며 “효소 기능 연구에 크게 이바지할 것으로 기대한다”라고 말했다.
이상엽 특훈교수는 “이번에 개발한 DeepEC를 통해서 지속해서 재생되는 게놈 및 메타 게놈에 존재하는 방대한 효소 단백질 서열의 기능을 보다 효율적이고 정확하게 알아내는 것이 가능해졌다”라고 말했다.
이번 연구는 과학기술정보통신부가 지원하는 기후변화대응기술개발사업의 바이오리파이너리를 위한 시스템대사공학 원천기술개발 과제 및 바이오·의료기술 개발 Korea Bio Grand Challenge 사업의 지원을 받아 수행됐다.
□ 그림 설명
그림1. 인공지능 기반의 DeepEC를 이용한 효소 기능 EC 번호 예측
2019.07.03 조회수 19145 -
이상엽, 김현욱 교수, 약물 상호작용 예측기술 DeepDDI 개발
우리 대학 생명화학공학과 이상엽 특훈교수와 김현욱 교수 공동 연구팀이 약물-약물 및 약물-음식 간 상호작용을 정확하게 예측하기 위해 딥 러닝(deep learning)을 이용해 약물 상호작용 예측 방법론인 딥디디아이 (DeepDDI)를 개발했다.
김현욱 교수, 류재용 연구원이 공동 1저자로 참여한 이번 연구는 국제학술지 ‘미국 국립과학원 회보(PNAS)’ 4월 16일자 온라인판에 게재됐다.
기존의 약물 상호작용 예측 방법론은 약물-약물 간의 상호작용 가능성만을 예측할 뿐, 두 약물 간의 구체적인 약리작용에 대한 정보는 제공하지 못했다. 이러한 이유로 맞춤형 약물 처방, 식이요법 등 응용 연구에서 체계적인 근거를 제시하거나 가설을 세우는 데에 한계가 있었다.
연구팀은 딥 러닝(deep learning) 기술을 적용해 19만 2천 284개의 약물-약물 상호작용을 아우르는 86가지의 약물 상호작용을 92.4%의 정확도로 예측하는 시스템 딥디디아이 (DeepDDI)를 개발했다.
딥디디아이는 두 약물 A, B 간의 상호작용에 대한 예측 결과를 다음과 같이 사람이 읽을 수 있는 영문 문장으로 출력한다 : “The metabolism of Drug B can be decreased when combined with Drug A (약물 A를 약물 B와 함께 복용 시 약물 B의 약물 대사가 감소 될 수 있다)”
연구팀은 딥디디아이를 이용해 두 약물 복용 시 일어날 수 있는 유해반응의 원인, 보고된 인체 부작용을 최소화시킬 수 있는 대체 약물, 특정 약물의 약효를 떨어뜨릴 수 있는 음식 및 음식 성분, 지금껏 알려지지 않은 음식 성분의 활성 등을 예측했다.
이번 연구성과로 약물-약물 및 약물-음식 상호작용을 정확하게 예측할 수 있는 시스템을 활용하는 것이 가능해졌으며 이는 신약개발, 복합적 약의 처방, 투약시의 음식조절 등을 포함해 헬스케어, 정밀의료 산업 및 제약 산업에 중요한 역할을 할 것으로 기대된다.
이상엽 특훈교수는 “이번 연구결과는 4차 산업혁명 시대의 정밀의료를 선도할 수 있는 기반 기술을 개발한 것이다”며, “복합 투여되는 약물들의 부작용을 낮추고 환자 맞춤형 약물 처방과 식이요법 제안을 통한 효과적인 약물치료 전략을 수립할 수 있다. 특히 고령화 사회에서 건강한 삶을 유지하는데 필요한 약-음식 궁합에 대한 제안을 해 줄 수 있는 시스템으로 발전해 나갈 것이다”고 말했다.
이 연구성과는 과학기술정보통신부의 바이오리파이너리를 위한 시스템대사공학 연구사업, KAIST의 4차 산업혁명 인공지능 플래그십 이니셔티브 연구사업의 지원을 받아 수행됐다.
□ 그림 설명
그림1. 딥디디아이 (DeepDDI)의 모식도 및 예측된다양한 약물-음식성분의 상호작용들의 시각화
2018.04.18 조회수 16261 -
이상엽 교수, 가상세포 방법론 개발
- 미국 국립과학원회보 게재, "가상세포 시스템 활용 대사특성 예측 기술 개발" -
우리학교 이상엽 교수 연구팀이 생명체의 세포를 체계적으로 분석하여 세포 전체의 대사적 특성을 정확하게 예측할 수 있는 "가상세포 방법론"을 개발했다.
이 연구는 교육과학기술부 "미래기반기술사업(시스템생물학 연구개발)의 지원을 받아 수행되었으며, 연구결과는 세계적 저명 학술지인 「미국 국립과학원 회보 (PNAS)」誌" 8월 2일자 온라인판에 게재되었다.
환경문제와 질병에 대한 관심도가 나날이 높아짐에 따라 의학적인 용도 및 일상생활에 널리 쓰이는 화학물질이나 바이오연료 등을 바이오기반으로 생산하는 것이 더욱 중요해 지고 있다. 이러한 유용한 물질들은 상당수 미생물을 사용하여 개발하는데, 이를 위해 미생물의 체계적인 분석과 개량 연구가 필요하다. 이에, 전체적인 관점에서 복잡한 생명체의 대사를 체계적으로 파악할 수 있는 방법의 개발이 요구되어 왔다.
가상세포는 컴퓨터시스템으로 실제세포를 모사하여 연구하고자하는 생명체의 세포를 체계적으로 분석하는 중요한 도구이다.
이상엽교수 연구팀은 생명체의 정확한 모사를 위한 가상세포 시스템을 개발하였다. 이를 이용하여 얻어진 가상세포 예측 결과들은 실제 세포 실험으로 측정된 결과와 비교하여 정확도가 획기적으로 개선되었다. 이로써 보다 정확한 가상세포 예측이 가능하여 실제 생명체의 분석연구에서 시간과 비용을 큰 폭으로 줄일 수 있게 되었다.
이번 가상세포 방법론의 개발은 국내뿐 아니라 세계생명공학 분야에서 새로운 패러다임을 제공하여, 생명체의 분석과 개량연구에 소모되는 시간과 비용을 절감할 수 있게 되었으며, 또한 이번에 개발한 방법론은 게놈 염기서열이 분석된 모든 생명체에 적용이 가능하기 때문에 다양한 산업적, 의학적 응용을 위한 미생물 개발에 활용될 수 있을 것으로 기대된다.
2010.08.04 조회수 13902 -
이상엽 교수, 초고분자량 거미 실크 단백질 생산기술 개발
- 초고분자량의 거미 실크 단백질이 거미줄을 강하게 만든다는 사실 밝혀 -- 첨단 초강력 섬유소재로의 활용 기대 -
우리학교 이상엽 특훈교수는 서울대 박명환 교수팀과 공동으로 세계적으로 이제까지 생산하지 못했던 ‘초고분자량의 거미 실크 단백질’을 대사공학으로 개량된 대장균을 이용하여 생산하였다고 발표하였다. 이 초고분자량의 단백질로 만든 거미 실크 섬유는 강철보다 강한 성질을 나타냄을 밝혔다.이 연구는 교육과학기술부가 2009년부터 추진하고 있는 ‘신기술융합형 성장동력사업(바이오제약 사업본부장 수원대 임교빈 교수, 분자생물공정 융합연구단장 KAIST 김정회 교수)의 지원을 받아 수행되었으며, 연구결과는 특허 출원 중으로 세계적 저명 학술지인 「미국 국립과학원 회보 (PNAS)」誌’ 7월 26일자 온라인판에 게재되었다.
거미가 만드는 초고분자량의 실크 섬유는 미국 듀폰(Dupont)社의 고강력 합성섬유인 케블라(Kevlar)에 견줄 강도를 갖고 있으며, 탄성력이 뛰어나 의료산업 등 다양한 분야에서 활용될 수 있는 것으로 알려져 있다. 거미 실크 섬유의 우수한 특성 때문에 그동안 효모, 곤충, 동물세포, 형질전환식물, 대장균을 비롯한 여러 생체 시스템을 활용하여 거미실크를 대량 생산하는 기술을 개발하려는 많은 시도가 있어 왔다.그러나 지금까지는 글리신 등 특정 아미노산이 반복적으로 많이 존재하는 거미 실크 단백질의 특수성으로 인해 고분자량의 거미실크를 인공적으로 생산할 수 없었다.
이러한 기존 기술의 한계와 달리, 우리학교 생명화학공학과 이상엽 교수 연구팀은 고분자량의 거미실크 단백질 (황금 원형 거미; Nephila clavipes 유래)을 생산하는 대장균을 대사공학적으로 새로이 개발하고, 이를 활용함으로써 고성능의 거미실크섬유를 인공적으로 합성하는데 성공하였다.
우선, 연구팀은 비교 단백체 분석 등 시스템 대사공학 기법을 이용하여 거미 실크 단백질을 생산할 때 대장균 내에 글리실-tRNA의 부족 현상이 일어남을 밝혀냈다. 그리고 이 문제의 해결을 위해 관련 유전자들을 증폭 또는 제거 하는 등 대장균의 대사를 재구성함으로써 대장균으로부터 세계 최고 수준의 반복단위수를 가진 285 kDa에 달하는 거미실크 단백질을 성공적으로 합성해 낼 수 있었다.
또한, 대장균에서 생산된 거미 실크 단백질을 분리‧정제한 후에 생체 모방 기술을 이용한 스피닝 작업을 통해 실크 섬유 형태로 제작하였다. 이렇게 만들어진 거미 실크 섬유의 물성을 측정한 결과 강도 (tenacity) 508 MPa, 인장탄성율 (Young"s modulus) 21 GPa를 보여 케블라 수준의 강도를 가지게 된다는 사실을 확인하였다. 기존에는 285 kDa이나 되는 큰 거미 실크 단백질의 생산이 불가능하여 고강도의 거미 실크 섬유를 만들 수 없었는데, 이번 연구를 통해 가능하게 되었다.
이상엽 교수는 “이번 연구는 바이오기반 화학 및 물질 생산시스템 개발의 핵심기술인 시스템 대사공학적 방법을 통해 기존의 석유화학 제품과 대체 가능한 고성능의 섬유를 생산하는 기반기술을 확립하였다는 데 그 의의가 있으며, 향후 생산시스템 향상과 물성 연구를 계속 수행하여 실용화하고 싶다.”라고 밝혔다.
2010.07.28 조회수 22296