딥러닝 기반 효소 제약 대사 모델링 기술 개발

주장엔자임튜닝은 효소 제약 대사 모델링의 예측 정확도를 높이기 위해 설계한 생성적 적대 신경망 기반 프레임워크입니다. 이 기술은 기존 효소 동역학 데이터의 부족 문제를 해결하고 전역적인 효소 전환율 최적화를 수행합니다.

팩트효소 전환율은 효소 제약 유전체 규모 대사 모델의 예측 성능을 결정하는 핵심 요소입니다. 현재 이용 가능한 동역학 데이터는 희소하며 생체 내 효소 거동을 충분히 반영하지 못하는 한계가 있습니다.

주장이러한 한계를 극복하기 위해 연구진은 문헌에서 추출한 단백질 분해 상수를 통합하여 단백질 합성 속도를 추론합니다. 이는 모델 성능에 미치는 영향을 체계적으로 평가하는 기반이 됩니다.

팩트엔자임튜닝은 탄소 및 질소가 제한된 화학적 연속 배양 조건에서 효소 사용 패턴을 분석합니다. 또한 적응형 촉매 자원 할당 방식을 밝혀내며 다중 오믹스 분석의 잠재력을 입증합니다.

팩트연구진은 사카로미세스 세레비지애와 클루이베로미세스 락티스를 포함한 다양한 생물체를 대상으로 모델을 검증했습니다. 이 과정에서 클루이베로미세스 마르시아누스, 야로위아 리폴리티카, 에스케리키아 콜라이 등에서도 단백질체 수준의 예측 범위를 확장했습니다.

주장이번 연구는 생물학적 시스템의 대사 경로를 이해하고 최적화하는 데 있어 딥러닝의 활용 가능성을 제시합니다. 특히 복잡한 생체 내 효소 반응을 모델링하는 데 있어 기존 방식보다 우수한 성능을 보입니다.

팩트연구진은 동이화학기술대학교와 상하이 자오퉁 대학교 소속 연구자들로 구성되었습니다. 왕 쉬에팅, 왕 용보, 좡 잉핑, 왕 관, 루 홍종 등이 주요 저자로 참여했습니다.

팩트해당 논문은 네이처 커뮤니케이션즈에 2026년 5월 27일자로 게재되었습니다. 연구의 접수일은 2025년 9월 9일이며, 2026년 5월 18일에 최종 승인을 마쳤습니다.

교차검증본 연구는 중국 국가 핵심 연구개발 프로그램 및 상하이 자연과학 재단 등의 지원을 받아 수행되었습니다. 연구진은 이해 상충이 없음을 명시하였으며, 결과의 투명성을 위해 피어 리뷰 파일을 공개했습니다.

주장연구진이 공개한 피어 리뷰 파일은 연구 과정의 객관성을 뒷받침합니다. 이는 학계에서 해당 기술의 신뢰도를 높이는 요소로 작용합니다.

주장이번 성과는 향후 대사 공학 분야에서 복잡한 생체 반응을 정밀하게 예측하는 표준 모델로 자리 잡을 전망입니다. 데이터 부족이라는 고질적인 문제를 해결한 점이 가장 큰 의의입니다.

출처Wang, X., Wang, Y., Zhuang, Y. et al. EnzymeTuning improves enzyme-constrained metabolic modeling and proteome abundance prediction through deep learning. Nat Commun (2026). 해당 논문의 게재 사실과 연구 내용을 교차 검증했습니다.