머신러닝 기반 미생물 세포 엔지니어링을 통한 인간 제I형 콜라겐 단편 생산 및 조직공학적 활용
콜라겐은 신체의 결합 조직을 구성하는 핵심 단백질로 피부 건강 증진과 관절 보호 등 다양한 목적으로 제약 및 화장품 산업에서 널리 활용되고 있습니다. 하지만 현재 주로 사용되는 동물성 콜라겐은 추출 과정이 복잡하고 윤리적인 문제를 야기할 수 있으며, 분자량을 정교하게 조절하기 어렵다는 단점이 존재합니다. 이러한 한계를 극복하기 위해 합성생물학 기술을 활용하여 미생물 시스템 내에서 인간 제1형 콜라겐을 직접 생산하려는 연구가 활발히 진행되고 있습니다. 미생물 시스템을 통한 생산은 세포 파쇄 없이 단백질을 밖으로 배출하는 분비 기술을 도입할 때 공정 비용과 시간을 크게 절감할 수 있습니다. 본 연구에서는 코리네박테리움 글루타미쿰 균주를 활용하여 인간 제1형 콜라겐 유전자를 분석하고 발현 전략을 수립하였습니다. 특히 박테리아 시스템에서 불필요한 영역을 제거하고 95, 51, 33 kDa 등 다양한 크기의 콜라겐을 디자인하여 실험한 결과, 분자량이 작을수록 분비 생산에 유리하다는 사실을 확인하며 최적화의 토대를 마련하였습니다. 효율적인 콜라겐 분비를 위해서는 프로모터보다 시그널 펩타이드의 역할이 결정적이라는 점이 확인되었습니다. 연구진은 네이티브 시그널 펩타이드의 한계를 넘어서기 위해 파이썬을 활용한 랜덤 시퀀스 제너레이션으로 약 100만 개의 합성 시그널 펩타이드 라이브러리를 구축하였습니다. 이들은 아미노산 서열의 생화학적 특성에 따라 클러스터링되었으며, 이를 통해 생산량이 높은 서열이 존재할 수 있는 그룹을 미리 예측하고 실험적으로 검증함으로써 시그널 펩타이드 최적화의 가능성을 열었습니다. 실험 데이터의 복잡성을 해결하기 위해 단백질 언어 모델인 ESM-2와 같은 머신러닝 기법이 도입되었습니다. 수천 차원의 벡터 데이터를 2차원으로 축소하여 분석한 결과, 생산성이 높은 서열들이 특정 공간 내에 밀집되어 있다는 유의미한 패턴을 발견할 수 있었습니다. 이를 바탕으로 로지스틱 회귀 등 다양한 분류 모델을 결합하여 최적의 분비 서열을 예측하였으며, 실제 실험을 통해 기존보다 생산량이 크게 향상된 합성 시그널 펩타이드를 성공적으로 발굴하며 인공지능 기술의 효용성을 입증하였습니다. 최적화된 균주를 이용한 배양 공정 결과, 최종적으로 리터당 857밀리그램이라는 높은 생산량을 달성하였습니다. 이렇게 생산된 인간 제1형 콜라겐은 구조 분석을 통해 선형 섬유 형성 능력을 확인하였으며, 인간 지방 유래 줄기세포를 이용한 배양 실험에서도 뛰어난 세포 증식 효과를 보여주었습니다. 이는 미생물 시스템과 머신러닝의 결합이 고기능성 생체 재료를 효율적으로 생산하는 혁신적인 경로가 될 수 있음을 시사하며, 향후 조직 공학 등 다양한 의료 분야로의 확장 가능성을 보여줍니다.
