Avalo가 머신러닝으로 작물의 기후 변화 적응을 가속하는 방법
기후 변화는 전 세계 농업에 영향을 미치며, 해결책이 간단한 경우는 드뭅니다. 만약 더위, 추위 또는 가뭄에 강한 작물을 심을 수 있다면, 적합한 기후를 찾아 수천 킬로미터를 반복해서 이동하지 않아도 될 것입니다. Avalo 는 인공지능 기반 유전체 분석을 활용해 이러한 식물을 현실로 만들고 있습니다. 이 기술은 더워지는 시대에 맞춰 더 강인한 식물을 키우는 데 필요한 시간과 비용을 줄일 수 있습니다.
Avalo는 학계에 몸담기 전에 스타트업을 경험해 보자고 생각한 두 친구가 설립한 회사로, 가치 제안은 매우 직접적이지만 이를 이해하려면 약간의 과학 지식이 필요합니다.
대형 종자 및 농업 기업들은 주요 작물의 더 나은 품종을 만들기 위해 많은 노력을 기울여 왔습니다. 옥수수나 쌀을 더위, 해충, 가뭄 또는 홍수에 조금 더 강하게 만들면 농민의 수확량과 수익을 크게 높일 수 있으며, 또는 이전에는 재배할 수 없었던 곳에서도 작물을 키울 수 있게 됩니다.
“적도 지역의 수확량은 크게 줄고 있으며, 그 이유는 옥수수 알갱이가 작아져서가 아닙니다. 농민들은 짠물이 침투해 농지를 망가뜨리기 때문에 고지대로 이동하고 있지만, 이른 봄 서리가 묘목을 죽이는 문제에 직면합니다. 또는 습한 여름에 곰팡이가 번질 때 버틸 수 있도록 녹병에 강한 밀이 필요합니다. 이 새로운 환경 현실에 적응하려면 새로운 품종을 만들어야 합니다”
이러한 개선을 체계적으로 이루기 위해 연구자들은 식물에 이미 존재하는 형질에 주목합니다. 이는 새로운 유전자를 접목하는 것이 아니라 이미 갖춰진 특성을 찾아내는 일입니다. 과거에는 여러 식물을 키워 비교한 뒤 그 형질을 가장 잘 보여 주는 식물의 씨앗을 심는 단순한 방법을 사용했습니다.
하지만 지금은 연구자들이 이 식물들의 유전체를 해독했기 때문에 훨씬 정밀해질 수 있습니다. 원하는 형질을 가진 식물에서 어떤 유전자가 활성화되어 있는지 알면, 이 유전자의 발현을 더 좋게 만들어 다음 세대를 겨냥할 수 있습니다. 문제는 이 과정에 많은 시간이 걸린다는 것입니다. 사실상 10년가량이 필요합니다.
현대 공정의 복잡성은 가뭄 생존 같은 형질이 단일 유전자가 아니라는 데서 비롯됩니다. 여러 복잡하게 상호작용하는 유전자가 관여할 수 있습니다. 올림픽 체조 선수가 되기 위한 단 하나의 유전자가 없는 것처럼, 가뭄에 강한 쌀이 되기 위한 단 하나의 유전자도 없습니다. 그래서 기업들이 이른바 전장 유전체 연관 분석을 수행하면, 결국 이 형질에 기여하는 유전자 후보가 수백 개나 나오고, 이들의 다양한 조합을 실제 식물에서 힘들게 검증해야 하며, 산업 규모에서도 이는 여러 해가 걸립니다.
“유전자를 찾고 그다음에 무언가를 하는 것은 형질이 복잡해질수록 실제로는 상당히 제한적입니다. 효소의 효율을 높이는 것은 쉽습니다. CRISPR에 들어가 편집하면 됩니다. 하지만 옥수수 수확량을 늘리려면 수천, 어쩌면 수백만 개의 유전자가 관여합니다. 가뭄에 강한 쌀을 생산하려는 대형 전략가라면 15년과 2억 달러를 예상해야 합니다. 이것은 긴 싸움입니다”
바로 여기서 Avalo가 등장합니다. 회사는 식물 유전체의 변화 효과를 모델링하는 플랫폼을 구축했으며, 회사 측은 이를 통해 15년 걸리던 기간을 2~3년으로 줄일 수 있고 비용도 같은 비율로 줄어든다고 주장합니다. 아이디어는 진화를 더 강하게 고려한 보다 현실적인 유전체 모델을 만드는 것이었습니다.
즉, 유전체와 그 위의 유전자를 모델링하는 이 시스템은 생물학과 진화에서 얻은 더 많은 맥락을 포함합니다. 더 정교한 플랫폼을 사용하면 형질과 관련된 유전자에서 거짓 양성이 훨씬 줄어듭니다. 관련 없는 유전자, 부차적 참여 요소 등 훨씬 많은 잡음을 걸러내기 때문입니다.
콜린스는 한 기업이 작업하던 저온 내성 쌀 품종을 예로 듭니다. 전장 유전체 연구 결과 566개의 '관심 유전자'가 발견되었으며, 각 유전자를 연구하는 데 필요한 시간, 인력, 자재 때문에 약 4만 달러가 듭니다. 즉, 이 한 가지 형질을 연구하는 데만 2,000만 달러가 들고 몇 년이 걸릴 수 있습니다. 이는 당연히 이런 작업을 감당할 수 있는 주체와, 시간과 돈을 투자할 작물의 범위를 제한합니다. 투자 수익을 기대한다면, 틈새 대체 시장을 위한 작물 개선에 그런 돈을 쓸 수는 없습니다.
“우리는 이 과정을 民주화하기 위해 여기 있습니다. 쌀의 저온 내성에 관한 같은 데이터 세트에서 32개의 관심 유전자를 발견했고, 모델링과 회고적 연구를 바탕으로 이들 모두가 실제로 원인 유전자라는 것을 알고 있습니다. 그리고 이를 확인하기 위해 10개의 샘플을 재배할 수 있었습니다”
처음부터 Avalo 시스템은 개별적으로 조사해야 했을 유전자의 90% 이상을 제외했습니다. 연구진은 이 32개 유전자가 서로 연관되어 있을 뿐 아니라 형질에 실제로 영향을 미치는 원인 유전자라고 확신했습니다. 이는 특정 유전자를 차단하고 그 영향을 관찰하는 짧은 연구로 확인되었습니다. Avalo는 이 방법을 '비정보적 교란을 통한 유전자 발견', 즉 GDIP라고 부릅니다.
이는 신호를 잡음에서 분리하는 데 있어 머신러닝 알고리즘의 본질적 능력이기도 하지만, 연구진은 플랫폼이 구조와 관계를 스스로 학습하도록 하는 새로운 접근 방식으로 문제에 다가갈 필요가 있었습니다. 또한 모델이 설명 가능해야 했는데, 즉 결과가 블랙박스에서 나오는 것이 아니라 어떤 근거를 갖춰야 했습니다.
마지막 문제는 까다롭지만, 연구진은 반복되는 시뮬레이션에서 관심 유전자를 체계적으로 형질을 해치지 않는 가짜 버전으로 바꿔 모델이 각 유전자의 기여도를 파악하도록 하여 이를 해결했습니다.
“우리 기술을 사용하면 관심 형질을 식별하기 위한 예측 특성의 최소 집합을 개발할 수 있습니다. 시뮬레이션에서 이상적인 유전자형을 만든 다음 집중적인 분리를 수행하고 그 유전자형을 추적할 수 있습니다”
회사는 다른 내재적으로 사라졌을 지속 가능한 작물의 개발을 가속하기 위해 여러 대학과 협력하고 있습니다. 이 연구 그룹들은 많은 데이터를 보유하고 있지만 자원은 많지 않아, 회사의 역량을 보여 주기에 이상적인 후보입니다.
