Core Concepts
물리 기반 기계학습 모델을 활용하여 대사 사이버유전학 시스템의 최적 제어 입력을 결정하고, 측정이 어려운 세포 내부 상태를 추정할 수 있다.
Abstract
이 연구는 대사 사이버유전학 시스템의 효율적인 운전을 위한 하이브리드 물리 기반 동적 모델링 프레임워크를 제안한다. 이 모델은 대사 네트워크의 물리적 특성을 기계학습 기반 대리 모델에 통합하여, 단일 수준의 최적화 문제로 제어 및 상태 추정을 수행할 수 있게 한다.
구체적으로, 이 연구에서는 대사 사이버유전학 시스템의 동적 모델링을 위해 대사 효소 발현 동역학을 고려하였다. 대사 효소 농도와 대사 교환 속도 간의 관계를 플럭스 균형 분석(FBA)을 통해 체계적으로 탐색하고, 이를 기계학습 기반 대리 모델로 구축하였다. 이렇게 구축된 하이브리드 물리 기반 모델은 단일 수준의 최적화 문제 형태로 제어 및 상태 추정에 활용될 수 있다.
제안된 모델링 및 제어 프레임워크는 대장균을 이용한 이타콘산 생산 공정 사례 연구를 통해 검증되었다. 이 사례 연구에서는 대사 효소 발현을 광유전학적으로 조절하여 이타콘산 생산 효율을 최대화하는 최적 제어 입력을 도출하고, 세포 내부 상태를 추정하는 방법을 제시하였다.
Stats
이타콘산 생산 공정에서 대사 효소 cis-아코니트산 탈카르복실라아제(cadA) 농도에 따른 대사 교환 속도:
vglc = 3.48 mmol/gb/h
vita = 0.000 - 3.476 mmol/gb/h
vbio = 0.277 - 0.000 h-1
vace = 0.150 - 0.000 mmol/gb/h
Quotes
"물리 기반 기계학습 모델을 활용하여 대사 사이버유전학 시스템의 최적 제어 입력을 결정하고, 측정이 어려운 세포 내부 상태를 추정할 수 있다."
"이 연구에서는 대사 사이버유전학 시스템의 동적 모델링을 위해 대사 효소 발현 동역학을 고려하였다."
"제안된 모델링 및 제어 프레임워크는 대장균을 이용한 이타콘산 생산 공정 사례 연구를 통해 검증되었다."