실험 단계: 효소·미생물 공학과 발효 생산 연구. 사람에게 투여해 치료 효과를 평가한 연구가 아니다.
#효소 예측과 최종 생산량 사이에는 여러 단계가 있다
연구진은 효소의 촉매 효율을 예측하는 DLCatalysis와 대사공학을 결합해 E. coli의 NeuAc 생산을 개선하고 5L 발효에서 85.5g/L를 보고한다. 이 최종 값에는 효소 선택·개량과 세포·공정 변경이 함께 들어간다. 초기 플라스크 값과 최종 발효값의 비율을 전부 AI의 기여라고 부르면 안 된다. 공개 원문
#효소는 생산 라인의 작업자다
효소는 특정 반응을 촉진하는 단백질이다. 생산 경로에 여러 효소가 있으면 가장 느린 단계나 원료 공급이 전체 흐름을 제한할 수 있다. 빠른 작업자를 한 명 추가해도 앞단에서 재료가 오지 않거나 뒤단이 막히면 최종 생산량은 늘지 않는다.
이 연구는 AGE 효소가 관여하는 단계의 성능 개선과 대사 경로 조절을 연결한다. 단백질 서열에서 좋은 후보를 추리는 AI는 실험 공간을 줄일 수 있지만, 후보를 실제로 발현시켰을 때 접힘·안정성·독성·기질 공급은 별도로 확인해야 한다.
#kcat과 Km은 어떻게 다를까?
단순한 Michaelis–Menten 조건에서 초기 반응속도는 다음처럼 쓴다.
k_cat은 효소 한 단위의 시간당 전환 규모, [E]는 효소 농도, [S]는 기질 농도, K_m은 농도 단위의 매개변수다. k_cat/K_m은 낮은 기질 농도에서의 촉매 효율을 비교하는 데 쓰인다. 단위가 M⁻¹s⁻¹인지 다른 농도 단위인지 맞춰야 한다.
기질이 K_m보다 훨씬 작으면,
이 된다. 반대로 기질이 충분히 많으면 속도는 k_cat[E] 쪽에 가까워진다. 따라서 “촉매 효율이 좋다”는 말도 실제 세포 안의 기질 조건을 함께 읽어야 한다. 이 식은 DLCatalysis의 신경망 학습 손실이 아니라 효소 지표를 해석하는 기초다.
#AI 예측값은 측정값이 아니다
후보의 순위를 맞히는 성능과 절대적인 촉매 효율을 정확히 예측하는 성능은 다르다. 데이터에 비슷한 단백질이 학습·시험 양쪽에 들어갔는지도 확인해야 한다. 좋은 시험 점수가 완전히 새로운 효소 계열의 일반화를 보장하지는 않는다.
원문에서는 예측으로 고른 후보의 실제 효소 실험과 최종 발효 결과를 연결해서 읽어야 한다. 예측 산점도만 있으면 세포 내 제조 이득을 알 수 없고, 생산량만 있으면 AI 선택의 독립적 기여를 알 수 없다.
#g/L는 생산 속도도 원료 효율도 아니다
titer는 g/L, Q_P는 g/(L·h), Y는 g/g로 표현할 수 있다. 같은 85g/L라도 도달 시간이 두 배면 생산성은 달라진다. 공급 기질과 부산물, 산소 요구량도 비용에 영향을 준다. 유가식 발효처럼 부피가 변하는 경우 위 식의 부피 기준을 더 정교하게 정의해야 한다.
#무엇을 분리해서 비교할까?
연구가 보고하는 단계별 개선은 배양 조건과 변경 항목을 붙여서 봐야 한다. 효소 변경만 한 조건, 수송·대사 유전자 변경을 추가한 조건, 발효 방식을 바꾼 조건은 같은 원인 실험이 아니다. 새 효소의 효과를 말하려면 나머지 조건을 가능한 한 고정한 비교가 필요하다.
그래프에서는 세포 성장, 기질 소비, 제품과 부산물의 시간 추이를 함께 본다. 제품 농도가 오르는 동안 세포가 얼마나 자랐는지와 기질이 추가됐는지에 따라 해석이 달라진다. 5L라는 실험 규모를 공장 양산으로 부르지도 않는다.
#이 연구가 남기는 공학적 질문
AI는 좋은 작업자 후보를 찾는 도구일 수 있지만 공정 전체의 병목을 자동 제거하지 않는다. 다른 기질·효소 계열에서 후보 선택이 재현되는지, 발효를 키울 때 산소·혼합·열 제거 문제를 견디는지, 정제까지 포함한 비용이 줄었는지가 다음 기준이다.
이번 소식의 핵심은 예측 모델 하나의 승리가 아니라, 예측→효소 측정→세포 설계→발효라는 연결을 어떻게 검증했는가다.#출처
원문 공개일: 2026-09-05.