단일 세포의 놀라운 지능

AI 요약

대장균(E. coli)은 뇌가 없지만 주변 화학물질을 감지해 이동 방향을 조절합니다. 글은 이 주화성(chemotaxis)을 세포가 환경을 감지하고 내부 상태를 조정하는 과정으로 풀어냅니다. 수용체가 유인 물질 농도 변화를 감지하면 CheY의 인산화 상태가 달라집니다. 인산화된 CheY(CheY-p)는 편모 모터에 결합해 회전을 뒤집고, 세포가 제자리에서 방향을 바꾸는 텀블링(tumbling)을 일으킵니다. 유인 물질이 늘면 CheY-p가 줄어들어 텀블링이 감소하고, 대장균은 더 오래 직진하는 런(run)을 합니다. 농도가 고르게 퍼진 환경에서는 런과 텀블링을 반복하며 무작위로 움직입니다.

농도 변화에 적응하는 화학적 기억

대장균은 유인 물질 농도가 크게 달라져도 민감하게 변화를 감지합니다. 수용체 단백질에 메틸기가 붙거나 떨어지면 신호 전달 민감도가 조정됩니다. 이 조절 덕분에 세포는 현재 농도를 새로운 기준으로 삼고, 그 상태에서 농도가 오르거나 내리는 작은 변화를 감지합니다. 글은 수용체의 메틸화 상태를 세포 안에 저장되는 단순한 화학적 기억으로 설명합니다. 대장균은 몇 초 전과 비교해 유인 물질 농도가 어떻게 달라졌는지 반영해 이동 방향을 조절합니다.

CheY의 인산화와 탈인산화도 계속 반복됩니다. CheA는 CheY에 인산기를 붙이고 CheZ는 이를 제거합니다. 이 순환은 에너지를 쓰지만, 세포가 활성 단백질의 양을 빠르게 바꾸는 조절 장치로 작동합니다. 글은 이런 인산화·탈인산화 순환이 생물학에서 널리 쓰이는 방식이며, 인간 단백질의 약 30~50%가 인산기를 공유 결합으로 갖는다고 인용합니다. 수용체 신호는 단백질의 구조 변화에서 시작합니다. 아스파르트산 같은 분자가 막 바깥쪽 수용체에 결합하면 구조가 달라지고, 세포 안쪽의 CheA 활성이 변합니다. 글은 수용체가 여러 단백질로 이뤄진 복합체이며, 결합과 구조 변화가 신호 전달을 시작한다고 설명합니다.

신호가 편모 모터에 도달하기까지

CheY-p는 세포질을 확산해 편모 모터에 도달합니다. 글이 인용한 추정치는 수용체에서 모터까지 약 0.1초입니다. 모터는 FliG, FliM, FliN 등의 단백질로 구성되며 CheY-p가 결합하면 회전 방향이 바뀔 수 있습니다. 다만 한 분자의 결합만으로 모터가 곧바로 역회전하지는 않습니다. 여러 CheY-p가 함께 결합해야 방향 전환이 일어나며, 모터는 속도와 방향이 다른 여러 상태를 오갑니다. CheZ는 모터에 결합한 신호를 제거하는 과정에도 관여합니다.

편모 모터가 방향을 바꾸는 구체적인 구조적 원리는 아직 완전히 확정되지 않았습니다. 글은 CheY-p가 FliM에 결합해 FliG의 방향을 바꾸고, 그 결과 모터 구동 주기가 반대로 작동한다는 설명을 제시합니다. 편모 여러 가닥은 회전할 때 서로 묶여 세포를 앞으로 밀고, 모터 하나라도 반대 방향으로 돌면 묶음이 풀려 세포가 텀블링합니다. 모터는 초당 약 1,500회 회전하며, 세포 안에서 스스로 조립됩니다. 글은 이 구조와 작동 원리를 설명하면서, 제안된 모터 역전 메커니즘에 여전히 불확실성이 있다고 덧붙입니다.

같은 유전자, 다른 행동

유전자가 같은 대장균도 런과 텀블링의 빈도, 환경 변화에 적응하는 속도가 다를 수 있습니다. 세포 안에 약 100개 정도 존재하는 CheR 단백질과 메틸기를 제거하는 CheB 단백질의 수가 작은 차이를 보여도 신호 조절 주기에 영향을 줍니다. 세포 안 단백질 수가 약 천만 개라는 글의 추정치와 비교하면, 소수 단백질의 수적 변동도 행동 차이를 만드는 요인이 됩니다. 글은 형광 현미경으로 세포별 신호 전달 차이를 측정한 연구도 소개합니다.

어떻게 작동 원리를 알아냈나

연구자들은 유전자를 하나씩 제거한 돌연변이의 행동을 관찰해 각 유전자의 역할을 추론합니다. 관심 단백질을 정제해 시험관에서 반응을 재현하거나 형광 표지로 단백질의 이동과 결합을 추적하기도 합니다. 단백질 구조는 X선 결정학, 핵자기공명, 극저온 전자현미경 등으로 살핍니다. 직접 관찰할 수 없는 결합 관계는 여러 실험 결과를 조합해 추론합니다. 글은 컴퓨터 모델도 다룹니다. 모델은 가정을 명시하게 하고, 돌연변이의 행동을 재현하거나 다음 실험에 필요한 조건을 찾는 데 쓰입니다. 저자가 인용한 모델은 경로 구성 요소를 제거하거나 과발현한 돌연변이 60종이 넘는 표현형을 재현했습니다.

Hacker News 반응

• @dekhn — 실제 뉴런에는 인공 신경망의 개별 뉴런에 없는 특성이 있습니다. 그 특성을 활용해 AI를 개선하는 방법은 아직 불분명합니다.
• @theplumber — 뉴런을 시뮬레이션하려는 연구도 있지 않나요? 인공 뇌 같은 방식으로요?
  • @dekhn — 네. 하지만 실제 뉴런의 행동을 그대로 재현하는 게 목적이라면 자원을 지나치게 많이 씁니다. 원하는 행동을 내는 더 단순한 모델을 만들 수 있다고 봅니다.
  • @TeMPOraL — 인공 뉴런과 실제 뉴런을 일대일로 대응시킬 필요는 없습니다. 인공 뉴런 여러 개로 실제 뉴런 하나의 관련 행동을 담고 더 큰 네트워크를 재현할 수 있습니다.
• @PowerElectronix — 영양분 감지기가 농도를 측정하고 편모 회전 방향을 바꾸는 자동 조절 체계를 지능이라고 부르는 데 동의하기 어렵습니다. 멋지지만 지능의 통상적인 의미와는 다릅니다.
  • @plastic-enjoyer — 지능이란 무엇을 뜻하나요?
  • @Mistletoe — 지능도 완전히 자동적인 작동 아닌가요? 그 질문을 계속 파고들면 차이를 찾기 어렵습니다. LLM도 단어를 예측할 뿐이라고 하지만, 저도 이 댓글을 쓰고 생각하는 방식이 그렇습니다.
  • @dist-epoch — 뉴런이 하는 일도 상당 부분 자동적입니다.
• @Transformanshen — 단일 세포가 화학적 변형으로 상태를 저장하고 지금과 몇 초 전을 비교한다면, 뉴런이 쓰는 계산 원리와 같은 것인가요? 더 느리고 단순한 형태인가요?
• @d-us-vb — 생물학이 여러 발명에 영감을 줬지만 전기 모터는 그중 하나가 아닙니다. 전기 모터는 세포가 단순한 원형질 덩어리로 여겨지던 19세기 중반에 발명됐습니다.
• @ctrlkctrls — 세포는 놀랍지만 컴퓨터 과학 비유를 생물학에 투영해 과장하면 부정확해집니다.
• @cvanelteren — 아름다운 웹사이트입니다.

원문: James Somers / 번역·요약: Trawling