[신기술 1]신소재 발굴 시간 단축할 연구 발표

편집부 기자
입력 2021.02.01 00:00

신소재 발굴 시간 단축할 연구 발표

소재 합성 예측 AI, 생물학적 무기 나노재료 총정리

신소재 설계의 궁극적인 목표는 소재를 설계하고 그것을 실험적으로 합성하는 것이지만 현실적으로는 새롭게 설계된 대부분의 소재가 실제 합성 단계에서 성공하지 못하고 버려지는 경우가 많다. 이는 불필요한 시간과 자원의 낭비를 초래한다. 소재의 합성 여부는 반응 조건, 열역학, 반응 속도, 소재 구조 등 다양한 요인에 의해서 결정되기 때문에 소재의 합성 가능성을 예측하는 것은 매우 도전적인 과제로 여겨져 왔다.

글 강창대 기자 자료 한국과학기술원

한국과학기술원(KAIST) 생명화학공학과 정유성 교수 연구팀이 딥러닝을 활용해 소재의 합성 가능성을 높은 정확도로 예측하는 기술을 개발했다.¹⁾ 2020년 12월 22일 KAIST가 발표한 바에 따르면, 연구팀은 사용자가 원하는 구조를 갖는 새로운 무기소재에 대해서 쉽게 합성 가능성을 비교할 수 있도록, 주기율표상 대부분의 원소 범위를 포함하는 광범위한 화학 공간에 적용 가능한 범용 모델을 구축했다고 한다.

1) 이 연구에는 KAIST 생명화학공학과 장지돈박사과정과 구근호 박사후연구원이 공동 제1저자로 참여했다. 연구결과는 미국화학회가 발행하는 국제학술지 〈미국화학회지〉(Journal of the American Chemical Society) 온라인 10월 26일자에 실렸다. (논문명: StructureBased Synthesizability Prediction of Crystals Using Partially Supervised Learㅇning) 한편, 이번 연구는 과학기술정보통신부 산하 한국 연구재단의 기초연구사업(중견연구)과 미래 소재 디스커버리 사업 지원을 받아 수행됐고, 연구에 KISTI의 슈퍼컴퓨터를 활용했다.

그래프 합성 곱 신경망으로 학습

소재의 합성 가능성을 예측하기 위한 방안으로 간단한 열역학적 안정성만을 고려해 고체 소재의 합성 가능성을 추정하지만 정확도는 매우 떨어지는 편이다. 일례로 에너지 상태가 안정된 물질이라 하더라도 합성이 안 되는 경우가 아주 빈번하기 때문이다. 또 반대로, 어떤 물질이 열역학적으로 안정된 ‘바닥상태’가 아닌 준안정(metastable) 상태의 물질들도 합성되는 경우가 많다. 따라서 합성 가능성에 대한 예측 정확도를 획기적으로 높일 수 있는 방법론의 개발이 시급한 과제로 여겨져 왔다.

정유성 교수 연구팀이 개발한 소재 합성 가능성 예측기술은, 기존 합성이 보고된 고체 소재들의 구조적 유사성을 그래프 합성 곱 신경망(GCN, Graph Convolutional Neural Network)으로 학습해 새로운 소재의 합성 가능성을 예측할 수 있다. 특히, 현재까지 합성이 안 된 물질이라 하더라도 합성이 성공할 가능성은 여전히 존재하기 때문에 참값(레이블)을 이미 알고 학습을 진행하는 일반적인 지도학습과는 달리 양의 레이블(+)을 가진 데이터와 레이블이 없는 데이터(Positive-Unlabeled, P-U)를 이용한 분류 모델 기반의 준 지도학습을 사용했다.

정 교수팀은 5만여 종에 달하는 이미 합성이 보고된 물질과 8만여 종의 가상 물질(hypothetical materials)로 이뤄진 ‘머터리얼스 프로젝트’(Materials Project, MP)라는 소재 관련 데이터베이스를 이용해 모델을 구축했다. 가상 물질은 기존에 합성돼 보고된 물질들을 원소치환해서 얻어지는 가상의 물질들로, 아직 실험적으로 합성 보고가 이루어지지 않은 물질을 말한다. 연구팀 관계자는 이 신기술을 활용한 결과, 소재들의 합성 가능성을 약 87% 정확하게 예측할 수 있다고 설명했다. 정 교수팀은 또, 이미 합성된 소재들의 열역학적 특성을 분석한 결과, 열역학적 안정성만으로는 실제 소재의 합성 가능성을 예측할 수 없다는 사실도 알아냈다.

이와 함께 머터리얼스 프로젝트(MP) 데이터베이스 내에 합성 가능성 점수가 가장 높은 100개의 가상 물질에 대해 문헌조사를 실시한 결과, 이들 중 머터리얼스 프로젝트(MP) 데이터베이스에는 합성 여부가 아직 알려지지 않았지만 실제로 합성돼 논문에 보고된 소재만도 71개에 달하는 것을 확인했고 이를 통해 모델의 높은 정확도를 추가로 입증했다.

개발된 소재 합성 가능성 예측 모델 모식도

정유성 교수는 “빠른 신소재 발견을 위해 다양한 소재 설계 프레임워크가 존재하지만 정작 설계된 소재의 합성 가능성에 관한 판단은 전문가 직관의 영역으로 남아 있다”면서 “이번에 개발한 합성 가능성 예측 모델은 새로운 소재를 설계할 때 실제로 합성 가능성을 실험 전에 미리 판단할 수 있어 새로운 소재의 개발시간을 단축하는 데 큰 도움이 될 것”이라고 말했다.

무기화합물의 구조정보를 그래프 형태로 인코딩하여 학습하는 예측모델을 구축하고, 기존의 소재 데이터베이스를 학습하여 이를 바탕으로 새로운 결정구조를 입력하면 0~1 사이로 합성 가능성에 대한 점수를 매길수 있다.

응용 폭 넓은 무기 나노재료

KAIST 생명화학공학과의 이상엽 특훈교수 연구팀이 생물학적으로 합성된 무기 나노재료의 종류와 응용을 총망라해 최신의 연구내용과 흐름을 한눈에 파악할 수 있도록 전략을 정리한 논문 〈미생물과 박테리오파지를 이용한 생물학적 무기 나노재료의 합성 및 응용〉을 발표했다.²⁾

무기 나노재료(inorganic nanomaterial)는 물리, 화학, 재료, 전자 등 다양한 분야에서 사용되고 있으며, 효율적인 합성 기술과 새로운 종류의 나노재료를 개발하는 연구들이 활발하게 이루어지고 있다. 특히, 생물학적 무기 나노재료 합성법은 친환경 및 단순한 공정으로 경제적인 효과는 물론, 생물학적 무기 나노재료의 높은 생체 적합성을 장점으로 촉매, 에너지 수확 및 저장, 전자기기, 항균물질, 바이오 의료 분야 등 폭넓게 적용될 수 있을 것으로 기대된다.

2) 이 연구에는 KAIST 생명화학공학과 최유진 박사가 제1 저자로 참여한 논문은 우수성을 인정받아 국제학술지 `네이처 리뷰 케미스트리(Nature Reviews Chemistry)’에 12월호 표지논문으로 게재됐다. (논문명: Biosynthesis of inorganic nanomaterials using microbial cells and bacteriophages) 이번 연구는 과학기술정보통신부와 한국연구재단이 추진하는 기후변화대응사업의 바이오리파이너리를 위한 시스템대사공학 연구과제 지원으로 수행됐다.

유전적으로 조작된 미생물(gen

etically engineered microorganism)을 이용한 무기 나노재료의 생물학적 합성에 대한 연구들이 보고되고 있지만, 아직 생물학적으로 합성 가능한 나노재료의 종류와 특징 등을 망라한 정리가 이루어지지 않았고, 야생형 균주와 대비하였을 경우 개선된 합성 수율 및 무기 나노재료의 종류의 다양성에 대한 장점들이 비교되지 않았다. 따라서 현재까지 미생물(microorganism)과 박테리오파지(bacteriophage)를 이용해 생물학적으로 합성된 무기 나노재료들의 응용처를 정리하고, 이를 바탕으로 추후 적용이 가능한 분야를 제안할 필요성이 제기돼 왔다.

생물학적 합성 146가지 무기 나노재료

연구팀은 현재까지 야생형 및 재조합 미생물과 박테리오파지를 이용해 합성된 생물학적 무기 나노재료의 종류가 총 146가지이며, 이는 주기율표 내 55가지 원소를 기반으로 단일 또는 두 가지 이상의 조합을 통해 생물학적 합성이 가능함을 정리했다. 그리고 현재까지 무기나노재료를 생물학적으로 합성하기 위해 야생형 미생물들인 박테리아(bacteria), 곰팡이(fungi), 조류(microalgae)와 박테리오파지가 주로 이용되고 있으며, 각 생물체를 이용하여 무기 나노재료를 합성할 경우의 장단점을 제시하였다.

또한, 연구팀은 유전적으로 조작된 미생물(genetically engineered microorganism)과 박테리오파지들을 이용하면 생물학적 무기 나노재료의 합성 수율을 높일 수 있다는 점도 제시했다. 유전적으로 조작된 미생물들은 무기 이온에 대한 결합력을 높이기 위해, 무기 이온의 생물학적 환원을 증가시키기 위해, 무기 이온의 생물체에 대한 독성을 줄이기 위한 전략으로 도입되고 있다고 한다.

그리고 연구팀은 생물학적 무기 나노재료의 합성 메커니즘을 정리하여 주요 인자에 대한 역할들을 정리했다. 이에 따르면, 생물체의 효소(enzyme), 비효소 단백질(nonenzyme protein), 펩타이드(peptide), 전자수송경로(electron transport pathway)의 구성 요소 등이 반응기내의 금속과 비금속 이온들을 환원(reduction)시켜 무기 나노재료로 변환시키는 주요 역할을 담당하고 있다.

〈네이처 리뷰 케미스트리〉(Nature Reviews Chemistry) 2020년 12월호 표지 이 연구의 논문 제목은 “Biosynthesis of inorganic nanomaterials using microbial cells and bacteriophages”이고 KAIST 생명화학공학과 최유진 박사가 제1 저자로 참여했다.

연구팀은 또, 미생물과 박테리오파지를 이용한 무기 나노재료의 생산가능성(producibility)과 나노재료의 물리 및 화학적 특성에 주요 영향을 미치는 크기, 모양, 결정성(crystallinity)을 조절하기 위한 전략을 소개하기도 했다. 이와 함께 연구팀은 결정질(crystalline) 무기 나노재료를 생물학적으로 합성하기 위해 물질의 열역학적 안정성을 나타내주는 푸베이 다이어그램(pourbaix diagram) 분석을 도입하는 방법을 제안했다. 푸베이 다이어그램 도표를 통해 열역학적 안정성을 갖는 물질 상태들을 예상할 수 있으며, 이를 기반으로 합성 가능한 물질의 예측 및 전위와 용액의 [?]를 조절해 결정질 나노재료를 합성할 수 있다고 한다.

이외에도 연구팀은 10단계로 구성된 흐름도를 제안하여 미생물을 이용한 생물학적 나노재료의 합성 시 고려해야 하는 사항들을 제시하였다. 10단계의 흐름도에는 나노재료의 선택, 도입 균주의 선택, 균주의 유전자 재조합, 균주 분석, 푸베이 다이어그램 분석, 배양 조건 최적화, 나노재료 특성 예비 분석, 회수 및 정제, 생물학적 나노재료의 특성 총 분석, 응용 단계들이 포함된다.

용어설명

1. 열역학적 형성 엔탈피 (Standard enthalpy of formation)

표준 상태에서 가장 안정한 형태의 원소 반응물들로부터 화합물1몰이 만들어질 때의 엔탈피 변화.

2. 그래프 합성곱 신경망(GCN, Graph Convolutional Neural Network)

원자를 노드(Node)로, 결합을 엣지(Edge)로 생각하여 결정구조를 그래프 형태로 표현하는 신경망. 결정구조 속 각 원자들의 특성 벡터를 그래프를 따라 메시지 전달(Message Passing)하여 원자들의 주변 환경을 인코딩한다.

3. 준지도학습 (Partially Supervised Learning, Semi-supervised Learning)

목표값, 또는 레이블이 표시된 데이터와 표시되지 않은 데이터를 모두 학습에 사용하는 기계학습의 한 범주. 대부분의 경우 학습 데이터는 목표값이 표시된 데이터가 적고 표시되지 않은 데이터를 상대적으로 많이 갖고 있다.

4. 나노재료(nanomaterial)

적어도 1차원에서 100 나노미터[㎚] 이하의 크기를 갖는 재료.

5. 유전적으로 조작된 미생물(enetically engineered microorganism)

형질전환, 형질도입, 세포융합 등을 위해 야생형

미생물의 유전자에 임의의 다른 유전자를 결합하여 만들어진 미생물.

6. 결정질(crystalline)

물질을 구성하는 원자들의 배열이 규칙적이고 반복적으로 이루어져 결정에 의한 X선 회절 현상이 확인되는 고체물질.

7. 푸베이 다이어그램(pourbaix diagram)

수용액 상에서 존재하는 금속이나 금속 이온의 열역학적 평형상태를 표준수소전극(SHE, standard hydrogen electrode) 에 대한 전위[Eh]와 수소이온 농도[pH]와의 관계로 나타낸 도표. 열역학적으로 안정한 화학종의 형태는 온도·압력·금속이온의 농도 변화에 의해서도 달라진다.