- 박테리아 검출 방법이 획기적으로 빠른 표면 증강 라만 분광법(SER)에 딥러닝 기법을 결합해 분리되지 않은 박테리아 서식 환경 속 스펙트럼 신호의 특징을 추출하여 미생물을 98% 정확도를 가지고 분석하는 방법 최초 제안
- 동 기술을 이용해 향후 다양한 박테리아 종류와 서식 용액별로 뛰어난 구분 성능 입증하여 감염 방지 및 질병 등 빠른 감지라는 부분에 활용되어 의료 분야와 식품안전 분야에 응용 기대
KAIST(총장 이광형)는 전산학부 조성호 교수, 신소재공학과 정연식 교수 공동 연구팀이 딥러닝(deep learning) 기법과 표면 증강 라만 분광법(surface-enhanced Raman spectroscopy, SERS)의 결합을 통해 효율적인 박테리아 검출 플랫폼 확립에 성공했다고 10일 밝혔다.
KAIST 공동 연구팀은 질량분석법, 면역분석법(ELISA), 중합효소 연쇄 반응(PCR) 등과 같은 일반적인 박테리아 검출 방법보다 획기적으로 빠르게 신호 습득이 가능한 SERS 스펙트럼을 연구팀 고유의 딥러닝 기술로 분석해 다양한 용액 속 박테리아 신호 구분에 성공했다.
KAIST 전산학부 노어진 석박사통합과정 학생과 신소재공학과 김민준 박사과정 학생이 공동 제1 저자로 참여한 이번 연구는 국제학술지‘바이오센서 및 바이오일렉트로닉스 (Biosensors and Bioelectronics)’1월 18일 字 온라인 판에 게재됐다. (논문명: Separation-free bacterial identification in arbitrary media via deep neural network-based SERS analysis)
박테리아 감염으로 인한 질병 예방과 원인 분석을 위해 소변 또는 음식물에서 신속한 박테리아 검출법이 요구되며, 다양한 바이오마커 분석물의 스펙트럼 신호를 높은 민감도로 수초~수십초 이내에 측정하는 SERS가 검출 방법으로 주목받고 있다.
박테리아 대상의 기존 SERS 신호 분석은 그 복잡성과 수많은 신호 겹침 현상 때문에 주성분 분석(principal component analysis, PCA)과 같은 통계적인 방법으로도 정확도에 한계가 있었다. 특히, 박테리아의 고유 신호와 간섭현상을 일으키는 환경 매질의 신호를 제거하기 위해 번거로운 박테리아 분리 과정을 거쳐 시간 소모가 큰 것이 문제로 지적돼 왔다. 따라서 SERS를 이용한 박테리아 검출의 활용도를 높이기 위해서는 분리 단계를 최소화하고 신속하게 높은 정확도로 분석하는 기술 개발이 요구된다.
그림 1. 서식 환경으로부터의 분리 없이 박테리아의 증폭된 라만 신호 측정 절차. 박테리아 신호를 새롭게 제시한 DualWKNet 딥러닝 모델로 학습하여 신호 종류의 확률을 도출하여 예측한다.
연구팀은 분리 단계를 완전히 생략해 박테리아가 담긴 서식 용액을 SERS 측정 기판에 올려 신호를 측정하고 딥러닝을 이용해 분석하는 방법을 시도했으며, 이를 위해 서로 다른 커널 크기(kernel size)를 가지는 이중 분기 네트워크로 구성된 `듀얼 WK넷' (DualWKNet, Dual-Branch Wide Kernel Network)라는 효율적인 딥러닝 모델을 개발했다.
특정 매질 속 박테리아의 신호는 매질의 신호와 유사해 사람의 눈으로는 구별하기가 사실상 불가능하지만, 연구팀은 DualWKNet을 이용해 스펙트럼 신호의 특징을 추출하고 물, 소변, 소고기 용액, 우유, 배양 배지 등 다양한 환경 내 대장균(Escherichia coli)과 표피 포도상구균(Staphylococcus epidermidis)의 신호를 학습해 최대 98%의 정확도로 검출 및 구분했다.
KAIST 조성호 교수는 "이번 연구는 딥러닝 기술을 활용해 실제 환경에서 사용 가능한 라만 신호 분석 방법을 제시했다는 점에서 의미가 있다ˮ며 "의료 분야와 식품 안전 분야로 확장하여 사용돼 발전에 이바지할 것ˮ이라고 예상했다.
한편 이번 연구는 한국연구재단의 나노 및 소재기술개발사업의 지원을 받아 수행됐으며, 향후 추가 연구와 기술이전을 통해 KAIST 교원/학생 공동 창업 기업인 ㈜피코파운드리에서 상용화를 추진할 계획이다.
□ 용어 설명
표면 증강 라만 분광법 (SERS)
산란(scattering)되는 빛의 양이 적어 강도(intensity)가 약한 분자 단위 분석물의 고유 라만(Raman) 신호를 플라즈모닉 나노구조체의 국부적 표면 플라즈몬 공명(localized surface plasmon resonance) 현상을 이용해 신호를 강화시키는 기법.
딥러닝(Deep Learning)
딥러닝이란 여러 층을 가지는 인공 신경망을 이용하여 주어진 데이터를 학습하는 방식을 일컫는다. 여기서 인공 신경망이란 뇌가 가지는 뉴런의 연결 구조를 본떠서 만든 네트워크 구조를 가리킨다. 최근 컴퓨터 비전, 자연언어 처리 등 다양한 분야에서 사용되고 있다.
커널(Kernel)과 커널 크기(Kernel Size)
딥러닝 분야에서 대표적인 모델로 합성곱 신경망(Convolutional Neural Network, CNN)가 있다. 해당 모델은 컴퓨터 비전 데이터를 학습하는 것에 뛰어난 성능을 보이면서 널리 사용되고 있다. CNN은 입력 데이터의 특성을 찾아내기 위해서 학습 가능한 필터(filter) 달리 말하면 커널(kernel)을 가진다. 커널 크기란 해당 커널이 학습을 진행하면서 한 번에 보는 입력 데이터 크기를 말한다.
