[테크월드=방제일 기자] 카이스트 신소재공학과 장재범 교수 연구팀이 암 진단에 필요한 새로운 형광 신호 증폭 기술을 개발했다고 17일 밝혔다. 연구 결과는 국제 학술지인 영국왕립화학회(Royal Society of Chemistry)의 `나노스케일(Nanoscale)'誌 11월 13일 자에 게재됐다.
최근 3D 전체 조직 영상화(이미징)를 가능하게 하는 생체조직 팽창 기술(ExM)과 투명화 기술(CLARITY, 3DISCO, CUBIC)은 복잡한 세포 간 상호작용과 역할을 밝혀내는 핵심적인 역할을 하고 있다. 하지만 큰 부피 내부의 세포 변화를 관찰하기 위해서는 약한 형광 신호를 증폭해 높은 이미지 처리량을 갖는 기술이 필요하다.
지금까지 신호 증폭 기술은 다양한 화학 반응으로 개발돼왔는데, 이들 중 많은 기술은 단일 화학 반응을 이용하기 때문에 다중 표지 신호 증폭 영상화를 위해서는 단일 신호 증폭과 비활성화 과정을 채널별로 반복해야 하는 단점이 있고, 유전자(DNA) 기반의 신호 증폭 기법은 서로 다른 항체에 대한 유전 물질 분자 결합의 최적화 과정이 필요하므로 일반적인 생물 실험실에서 사용이 어렵다.
장재범 교수 연구팀은 이런 문제점 개선을 위해 현재 상용화돼 있는 형광 분자가 표지된 항체를 사용해, 추가적인 최적화 과정이 필요 없는 신호 증폭 기술에 주목했다.
결과적으로 연구팀은 `프랙탈(FRACTAL, Fluorescence signal amplification via repetitive labeling of target molecules)'이라는 새로운 신호 증폭 기술을 개발했다. 프랙탈 기술은 항체 기반의 염색 방법으로, 신호 증폭 과정이 매우 간단하다는 특징이 있다. 이 기술은 신호 증폭을 위해 특수한 화학 물질을 필요로 하지 않으며, 형광 분자가 표지된 2차 항체의 반복적인 염색을 통해 형광 신호를 증폭시킨다.
이 기술은 한 종류의 1차 항체, 두 종류의 2차 항체, 총 세 종류의 항체를 이용하는 아주 간단한 기술이다. 신호 증폭 과정은 표적 단백질에 대한 1차 항체와 첫 번째 2차 항체 염색으로 시작되며, 그다음으로 첫 번째 2차 항체에 결합하는 두 번째 2차 항체의 염색이 이뤄진다. 두 번째 2차 항체의 숙주(host)와 1차 항체의 숙주(host)는 같으며, 그다음 염색은 다시 두 번째 2차 항체에 결합하는 첫 번째 2차 항체의 염색으로 이어진다.
예를 들어 토끼의 1차 항체를 사용하고 당나귀의 항-토끼 2차 항체를 첫 번째 2차 항체로 사용했다면 토끼의 항-당나귀 2차 항체를 두 번째 2차 항체로 사용하게 된다. 그러면 두 번째 2차 항체에는 첫 번째 2차 항체가 결합하게 되고 그 반대의 경우로도 결합해 염색을 이어나가게 대학 생명화학공학과 정유성 교수 연구팀이 딥러닝을 활용해 소재의 합성 가능성을 높은 정확도로 예측하는 기술을 개발했다고 22일 밝혔다.
신소재 설계의 궁극적인 목표는 소재를 설계하고 그것을 실험적으로 합성하는 것이지만 현실적으로는 새롭게 설계된 대부분의 소재가 실제 합성 단계에서 성공하지 못하고 버려지는 경우가 많다. 이는 불필요한 시간과 자원의 낭비를 초래한다. 소재의 합성 여부는 반응 조건, 열역학, 반응 속도, 소재 구조 등 다양한 요인에 의해서 결정되기 때문에, 소재의 합성 가능성을 예측하는 것은 매우 도전적인 과제로 여겨져 왔다.
이런 문제 해결을 위한 방안으로 간단한 열역학적 안정성만을 고려해 고체 소재의 합성 가능성을 추정하지만 정확도는 매우 떨어지는 편이다. 일례로 에너지적으로 안정된 물질이라 하더라도 합성이 안 되는 경우가 아주 빈번하고, 또 반대로 준안정 상태의 물질들도 합성되는 경우가 많기 때문이다. 따라서, 합성 가능성에 대한 예측 정확도를 획기적으로 높일 수 있는 방법론의 개발이 시급한 과제로 여겨져 왔다.
정유성 교수 연구팀이 개발한 소재 합성 가능성 예측기술은, 기존 합성이 보고된 고체 소재들의 구조적 유사성을 그래프 합성 곱 신경망(GCN, Graph Convolutional Neural Network)으로 학습해 새로운 소재의 합성 가능성을 예측할 수 있다. 특히, 현재까지 합성이 안 된 물질이라 하더라도 합성이 성공할 가능성은 여전히 존재하기 때문에 참값(레이블)을 이미 알고 학습을 진행하는 일반적인 지도학습과는 달리 양의 레이블(+)을 가진 데이터와 레이블이 없는 데이터(Positive-Unlabeled, P-U)를 이용한 분류 모델 기반의 준 지도학습을 사용했다.
정 교수팀은 5만여 종에 달하는 이미 합성이 보고된 물질과 8만여 종의 가상 물질로 이뤄진 `머터리얼스 프로젝트(Materials Project, MP)'라는 소재 관련 데이터베이스를 이용해 모델을 구축했다. 연구팀 관계자는 이 신기술을 활용한 결과, 소재들의 합성 가능성을 약 87% 정확하게 예측할 수 있다고 설명했다. 정 교수팀은 또 이미 합성된 소재들의 열역학적 특성을 분석한 결과, 열역학적 안정성만으로는 실제 소재의 합성 가능성을 예측할 수 없다는 사실도 알아냈다.
이와 함께 머터리얼스 프로젝트(MP) 데이터베이스 내에 합성 가능성 점수가 가장 높은 100개의 가상 물질에 대해 문헌조사를 실시한 결과, 이들 중 머터리얼스 프로젝트(MP) 데이터베이스에는 합성 여부가 아직 알려지지 않았지만 실제로 합성돼 논문에 보고된 소재만도 71개에 달하는 것을 확인했고 이를 통해 모델의 높은 정확도를 추가로 입증했다.
그래도 삭제하시겠습니까?