인공지능 기반 박테리오파지 상호작용 예측 기술

주장박테리오파지는 항생제 내성균 감염을 치료하고 미생물 군집을 정밀하게 제어하는 대안입니다. 그러나 특정 세균 균주를 감염시키는 파지를 선별하는 과정이 복잡하여 실제 현장 활용에 제약이 있었습니다.

팩트연구진은 6개의 데이터셋을 활용해 1,320만 번의 학습 과정을 거친 기계학습 모델을 구축했습니다. 이 시스템은 115,037개의 상호작용 정보와 949개의 세균 균주, 518개의 파지 데이터를 기반으로 작동합니다.

팩트개발된 모델은 계통 발생적 제약 없이 종 특이적 예측 도구와 대등한 수준인 0.67에서 0.94 사이의 곡선 아래 면적 성능을 달성했습니다. 이 수치는 기존 기술이 가진 유전적 계통 의존성을 극복했음을 나타냅니다.

교차검증기존의 예측 도구는 특정 유전적 요소에만 의존하거나 차원 축소 과정에서 생물학적 해석력을 잃는 한계를 보였습니다. 본 연구는 게놈 서열 자체를 활용해 이러한 문제를 보완했으나, 데이터 불균형 문제는 일반화 과정에서 고려해야 할 요소입니다.

팩트대장균을 대상으로 한 1,240개의 상호작용 실험에서 예측 정확도는 0.84로 측정되었습니다. 또한 전체 게놈 분석 결과 모델이 예측한 감염 매개체의 68.6%가 실제 생물학적 기전과 일치했습니다.

주장모델 기반의 파지 조합 설계 방식은 무작위 선별 방식보다 최대 3.1배 높은 효율을 보입니다. 5개의 파지를 조합했을 때 세균 제거 범위가 97.5%에 달해 맞춤형 치료제 개발 가능성을 넓혔습니다.

팩트박테리오파지는 세균 수용체와 세포벽 구조를 표적으로 삼아 작용합니다. 이러한 균주 수준의 인식 능력은 주변 유익균에 미치는 영향을 줄이면서 특정 병원균만 제거하는 데 기여합니다.

주장세계보건기구가 항생제 내성균을 보건 위협으로 규정한 상황에서, 본 기술은 새로운 치료 옵션을 제시합니다. 의료 현장에서 방대한 데이터를 분석해 최적의 파지를 선별하는 작업이 수월해집니다.

팩트이번 연구는 기존 메타게놈 분류 도구가 속 단위 수준에서만 작동하던 한계를 극복하고 균주 수준의 예측을 가능하게 했습니다. 이는 개별 세균과 파지의 상호작용을 파악해야 하는 정밀 의료 분야에 활용됩니다.

출처Nature Microbiology(https://www.nature.com/articles/s41564-026-02482-5)의 보도를 교차 검증했습니다.