[전문기술] 기후변화 대응 디지털 육종

[전문기술] 기후변화 대응 디지털 육종

 

 

1. 디지털 육종의 정의

2. 디지털 육종의 필요성

3. 국내외 연구 동향

   가. 국외 연구 동향

4. 유전형 분석(Genotyping) 기반 유전체 연구

   가. 필요성

   나. AI 기반 작물 유전체 분석 연구

   다. AI 기반 작물 표현형 예측 연구

5. 디지털 육종의 활용 사례

6. 향후 발전 방향

 

1. 디지털 육종의 정의

 

디지털 육종(Digital Breeding)은 현대의 정보통신기술과 생명공학 기술을 융합하여 육종 과정을 디지털화하고 최적화하는 첨단 육종 기술입니다. 이는 전통적인 육종 방식과는 달리, 분자 수준에서 유전정보를 분석하고 이를 바탕으로 한정된 자원 내에서 최적의 품종을 개발하는 데 중점을 둡니다. 2000년대 초반, 분자 마커(molecularmarkers)의 도입은 전통적인 표현형 기반 선발(Grow-OutTest) 방식의 혁신적 변화를 가져왔습니다(그림 1)[1].

 

[그림 1] 분자 육종 도입에 따른 육종 기술의 변화

 

 

표현형 기반의 선발은 작물의 외형적 특성을 기반으로 육종하는 방법으로, 시간과 자원이 많이 소모되는 단점이 있었습니다. 반면, 분자 마커를 활용한 선발(MarkerAssistedSelection, MAS)은 유전자의 특정 마커를 확인하여 우수한 형질을 가진 개체를 선발하는 방식으로, 더 빠르고 정확한 육종이 가능해졌습니다. MAS는 Genotype 정보에 기반하여 이루어지며, 이는 곧 유전적 특성을 정확히 파악하고 이를 토대로 한 선발을 의미합니다. 2000년대 중반, 차세대 염기서열 분석법(NextGenerationSequencing,NGS)의 개발과 도입은 디지털 육종의 또 다른 획기적인 변화를 가져왔습니다. NGS 기술은 유전체 분석의 속도와 정확성을 크게 향상시켰을 뿐만 아니라, 분석 비용을 대폭 절감시켰습니다. 이러한 기술적 발전은 분자 육종이 필수적인 기술로 자리 잡게 하였으며, 육종 연한을 단축하는 데 크게 기여하였습니다. 디지털 육종은 이러한 분자 육종과 차세대 염기서열 분석 기술을 통합하여, 데이터 분석과 예측 모델링을 통해 더욱 정밀하고 효율적인 육종 과정을 가능하게 합니다[2]. 최근에는 인공지능(Artificial intelligence, AI)을 활용한 연구도 활발히 진행되어 방대한 유전자 데이터와 환경 데이터를 분석하여, 최적의 재배 조건과 교배 전략을 도출하고, 결과적으로 디지털 육종은 생산성, 저항성, 품질 등을 극대화할 수 있는 새로운 품종개발에 있어 혁신적인 접근방식을 제공합니다(그림 2)[3].

 

[그림 2] 작물 육종 단계별 연구

 

 

2. 디지털 육종의 필요성

최근에 등장한 차세대 염기서열 분석기술의 발전으로 인해 염기서열 분석 비용이 눈에 띄게 감소하였고, 이는 대규모 유전체 데이터를 생성하여 디지털 육종에 활용할 수 있는 환경을 조성했습니다. 이러한 기술적 발전은 유전체 데이터를 기반으로 한 정밀한 육종이 가능하게 하였으며, 이는 기존의 표현형 기반 선발 방식을 혁신적으로 변화시켰습니다. 디지털 육종은 유전적 정보를 활용하여 기후 변화에 강한 작물 품종을 신속하게 개발할 수 있게 합니다. 기후 변화로 인해 빈번해진 가뭄, 홍수, 극단적인 기온 변동 등은 농작물 생산에 큰 영향을 미치고 있으며, 이에 대응할 수 있는 품종개발이 시급한 상황입니다. 디지털 육종을 통해 이러한 환경적 스트레스에 저항성이 강한 품종을 개발함으로써 농업의 안정성과 지속가능성을 높일 수 있습니다. 이는 농업 생산성 향상 및 자원의 효율적인 사용을 가능하게 하여, 환경에 미치는 영향을 최소화하면서도 높은 수확량을 유지할 수 있습니다. 또한, 전통적인 육종 방식은 많은 시간과 비용이 소요되지만, 디지털 육종은 분자 마커와 NGS 기술을 활용하여 육종 과정을 크게 단축할 수 있습니다. 이는 새로운 품종개발 소요 시간 단축 및 빠르게 변화하는 환경에 신속하게 대응할 수 있게 합니다.

 

 이와 함께, 인공지능의 도입은 디지털 육종의 필요성을 더욱 부각시키고 있습니다. 인공지능 기술은 방대한 농업 데이터를 분석하여 농업 활동을 최적화하는 데 중요한 역할을 합니다. 예를 들어, 인공지능 기술을 기반하여 작물의 생육 상태, 토양의 영양 상태, 기상 조건 등을 실시간으로 모니터링하고 예측하여, 농작물의 성장 패턴을 분석하고 최적의 재배 조건을 도출합니다. 이를 통해 병충해 발생 가능성을 예측하고, 사전 대응할 수 있게 하여 농업의 효율성을 극대화합니다. 또한, 유전자 데이터와 환경 데이터를 통합 분석하여, 작물의 유전적 특성과 환경 적응성을 예측하고 최적의 교배 전략을 설계하는 데 활용될 수 있습니다. 이는 육종 시간을 단축하고 비용을 절감하며, 더욱 신뢰성 높은 품종을 개발하는데 기여합니다.

 

3. 국내외 연구 동향

가. 국외 연구 동향

 

디지털 육종 분야에서 국외 연구는 빠르게 발전하고 있으며, 다양한 연구기관과 기업이 첨단 기술을 활용한 연구를 활발히 진행하고 있습니다. 미국의 CGIAR(ConsultativeGrouponInternationalAgriculturalResearch)는 전 세계적으로 작물 육종을 선도하는 연구기관 중 하나로, 디지털 육종 기술을 활용하여 기후 변화에 대응할 수 있는 작물 품종을 개발하는 데 주력하고 있습니다. 특히, 유전자편집 기술과 인공지능을 결합한 연구를 통해 신속하고 정확한 품종개발을 목표로 하고 있습니다(그림 3).

 

[그림 3] 유전자편집 기술을 활용한 품종개발 사례(출처: CGIAR)

 

 

유럽에서는 EUCARPIA(EuropeanAssociationforResearchonPlantBreeding)가 유럽 내 작물 육종 연구를 주도하고 있으며, 디지털 육종 기술을 이용한 다양한 연구를 진행하고 있습니다. 특히, 유전체 데이터 분석과 머신러닝을 통한 작물 품질 개선 연구가 활발합니다. 디지털 육종 분야에서 국외 연구는 매우 빠르게 발전하고 있으며, 대규모 유전체 및 표현체 데이터 기반의 Genome-WideAssociation Studies(GWAS)와 Genomic Selection(GS) 같은 연구들이 디지털 육종의 중요한 연구분야로 자리 잡고 있습니다[4]. 최근에는 이러한 연구 기법들을 분석할 수 있는 웹 기반 육종 데이터 분석 플랫폼 개발도 활발히 진행되고 있어 전 세계 육종가들이 유전자 데이터를 효율적으로 활용할 수 있도록 지원하고 있습니다[5]. 이처럼 국외에서는 다양한 연구기관과 기업들이 디지털 육종 기술을 활용하여 농업 생산성을 높이고, 기후 변화에 대응할 수 있는 혁신적인 작물 품종개발에 집중하고 있습니다. 이러한 연구들은 디지털 육종의 가능성을 극대화하며, 미래 농업의 지속 가능성을 높이는 데 기여하고 있습니다.

 

나. 국내 연구 동향

 

국내의 경우, 디지털 육종 기술의 중요성을 인식하고, 전문 연구기관과 대학이 주도하여 다양한 연구와 지원 프로그램을 운영하고 있습니다. 지난 수년간 유전체 분석과 분자마커를 활용한 디지털 육종 연구를 활발히 진행하고 있으며, 차세대 염기서열 분석기술을 활용하여 다양한 작물의 유전체 정보를 분석하고 있습니다. 또한, 인공지능(AI)과 기계학습(machinelearning)을 활용한 작물육종 연구도 수행되며 유전자 데이터와 환경 데이터를 통합 분석하여 최적의 교배 전략을 수립하고 있습니다. 국내 민간 기업들도 디지털 육종 기술을 활용한 혁신적인 작물 품종개발에 주력하고 있습니다. 다양한 농업 바이오 기업에서도 유전자편집 기술과 차세대 염기서열 분석기술을 활용하여 고유전적 가치의 작물품종을 개발하고 있습니다.

 

 하지만, 디지털 육종과 관련된 연구가 활발히 진행되고 있으나, 여전히 연구 인프라와 자원면에서 제한이 존재합니다. 디지털 육종 기술은 고도의 유전체 분석기술과 빅데이터 처리 능력을 요구하는데, 이를 위한 고가의 분석 장비를 지속적으로 운영하고 유지할 수 있는 자금 지원이 부족하여, 연구의 연속성과 확장성이 제한되는 경우가 있습니다. 디지털 육종 연구는 장기적인 투자가 필요하며, 특히 초기 연구 단계에서 많은 자금이 필요합니다. 그러나 국내에서는 연구 자금이 한정적이며, 장기적인 연구를 지속적으로 지원하는 체계가 미흡한 실정입니다. 이는 연구자들이 안정적으로 연구를 수행하기 어려운 환경을 조성하며, 새로운 기술개발과 혁신적인 연구 성과를 도출하는 데 큰 제약으로 작용합니다. 이와 함께, 디지털 육종 기술은 연구소 내에서 개발 뿐만 아니라 실제 농업 현장에서의 적용이 중요합니다. 그러나 국내에서는 연구와 산업 간의 연계가 부족하여, 연구 성과가 실질적인 농업 혁신으로 이어지지 않는 경우가 많은데, 이는 디지털 육종 기술의 실질적인 효과를 농업 현장에서 체감하기 어려운 상황을 초래합니다.

 

4. 유전형 분석(Genotyping) 기반 유전체 연구

가. 필요성

 

국내 육종 산업의 경우, 다국적 기업, 중견 이상의 기업과 개인 육종가에 의한 중소규모 육종회사로 분화되어 있으며, 중소규모 육종회사의 경우 비용 감소의 이점에도 불구하고 육성 집단에 대한 20~30×내외의 high coverage의 유전체 재분석(genome resequencing)은 비용 부담으로 유전체 기반의 육종 기술의 현장 접근성이 높지 않은 편입니다. 따라서, low coverage의 유전체 재분석 데이터를 활용한 집단 분석 기술의 개발은 유전체 기반의 마커 개발 및 표현형 데이터와 AI 기술을 활용한 연관 분석을 통한 표현형 예측분석의 비용 감소와 직결되어 중소규모 육종회사의 기술 선진화에 매우 중요한 요소로 작용할 수 있을 것입니다.

 

  최근, 다양한 작물에서 구축된 다중 표준유전체 분석에 기반한 Pan-Genome 분석 연구가 활발히 진행되고 있으며, 토마토에서 graph pangenome 분석을 활용하여 육종 과정에서 소실된 유전형질을 탐색한 연구가 보고 되었습니다(그림 4, 좌)[6]. 오이에서도 graph pangeome 분석을 활용하여, 농업형질과 관련된 다수의 구조적(InDels) 및 서열 변이(SNPs)를 재배종 오이에서 탐색한 결과를 보고하였습니다(그림 4, 우)[7].

 

 

[그림 4] Graph pangenome 분석을 활용한 토마토(좌), 오이(우)에서의 농업형질 연과 변이 탐색 연구[6,7]

 

 이와 함께, 작물에서의 graph pangenome 분석을 활용한 형질 연관 유전자의 탐색은 필수적인 요소가 되고 있으며, Practical Haplotype Graph(PHG)를 활용하여 변이 탐색에 필요한 유전체 재분석 데이터의 coverage를 획기적으로 낮출 수 있는 기술이 개발되어 보고 되었습니다(그림 5)[8]. 이러한 PHG 기술 기반의 low coverage의 염기서열 데이터를 활용하여, 육성 집단의 변이 분석이 가능하게 되어 Genotype Selection(GS)을 수월하게 할 수 있을 것으로 기대됩니다.

 

 

 

[그림 5] PHG 기반 변이 탐색 모식도[8]

 

 

나. AI 기반 작물 유전체 분석 연구

 

MAS(MarkerAssistedSelection) 기술 도입 이후, 기존의 전통 육종에 비해 육종의 효율과 연한이 단축되었지만, 여전히 시장의 수요를 만족시키기엔 신품종 개발 속도가 느린 문제점이 존재하고 있습니다. 일례로, 식량 위기 해결을 위해 2050년까지 현재 생산량의 두 배를 증가시켜야 하지만, 이를 위한 연간 2.4%의 생산량 증가를 만족시키지 못하고 있습니다[9,10]. 이와 같은 문제를 해결하기 위해, Genomic Selectin(GS) tool이 개발되었으며[11], 기존에 비해 육종 연한 단축 및 효율성을 높였음[12,13]. GS tool은 다양한 선형회귀 모델(linear regression model) 기반의 예측을 수행하였으나, training population의 크기, 형질의 유전력, 마커의 빈도 및 분석에 사용된 모델에 GS 분석의 효율성이 결정되는 단점도 존재하였습니다[14].

 

 이러한 문제점 개선을 위해, 최근 machine learning(ML) 기반 GS 분석 모델 개발이 활발히 진행되고 있으며, support vector machine(SVM), random forest(RF), deep learning, 및 light gradient boost(LGB) algorithm 등이 활용되고 있습니다[15]. 2010년대 후반부터 기하급수적으로 증가하는 바이오 빅데이터의 분석을 위한 대안 중 하나로 AI 기술인 deep learning을 활용한 유전체 분석 연구가 국내외에서 활발히 수행되고 있으나, 대부분의 deep learning tool이 정해진 데이터 또는 모델 기반의 분석을 지원하여 다양한 데이터에 기반하는 생물학 분석에 적용되기 어려운 단점이 존재하였습니다[16]. 하지만, 유전체 분석의 특정 영역에서는 deep learning 모델에 의한 분석이 유전체 분석의 정확성을 높여주어 활용도가 높으며[17], 최근 DeepCGP(그림 6)[18], DNNGP(그림 7)[19], 및 IP4GS[20]와 같은 다수의 deep learning 기반의 유전체 분석 모델이 개발되어 보고 되고 있습니다.

 

DeepCGP, DeepGS, IP4GS와 같은 deep learning 기반의 분석모델은 다차원 유전체 데이터를 압축하고 압축된 정보(유전형 정보)를 기반으로 표현형을 예측하고 다차원 데이터의 효과적인 분석을 가능하게 하였습니다. 다양한 오믹스 데이터에 적용가능하고 대규모 데이터에서 높은 예측 정확도를 보여주는 DNNGP 모델은 복잡하고 대규모 데이터셋에서 실용적인 모델로 활용할 수 있게 되었습니다. AI 기반의 기술은 복잡한 유전체 정보를 정밀하게 분석하고 해석하여 기후 변화와 같은 외부 요인에 강한 작물 선별 및 개발에 중요한 역할을 할 것으로 기대됩니다.

 

[그림 6,7] DeepCGP 모식도, DNNGP 모식도[16]

 

 

다. AI 기반 작물 표현형 예측 연구

 

다중 유전자에 의해 조절되는 형질인 곡물 수확량(grain yield), 개화 시기(flowering time), 및 초장(plant height)은 다수의 minor effect gene에 의해 조절됩니다. 이런 특성으로 인해, 기존의 통계를 활용한 마커 기반 선발(Marker Assisted Selection, MAS) 방법 다중 유전자 형질의 개량에 MAS를 적용하는 것이 효율성이 떨어지는 단점도 존재하였습니다[20,21]. 최근 AI 기반의 표현형 예측을 위한 다양한 연구가 콩(soybean)과 밀(wheat)에서 보고되고 있습니다. 대부분 작물과 같이, 수확량(yield)과 콩의 품질(quality)과 같은 유전학적으로 복잡한 형질의 콩에서의 예측을 위해 개발된 SoyDNGP는 deep learning 기반 예측 모델로서 유전형 분석을 활용한 표현형 예측이 가능함을 실증하였으며, 관련 연구의 잠재력을 보여주었습니다[14].

 

 디지털 육종 플랫폼(Digital breeding platform)인 IP4GS의 경우, 총 7가지의 모델, 11개의 검증 측정 항목(evaluation metrics)과 시각화 모듈(visualization module)로 구성되어 생물정보학적인 배경지식이 없어도 관련 분석을 수행할 수 있게 구축되어 활용성을 대폭 향상하였습니다[20].

 

5. 디지털 육종의 활용 사례

 

디지털 육종 기술은 전 세계적으로 다양한 작물에 적용되어 현대 농업이 직면한 여러 도전과제를 해결하는 데 중요한 역할을 하고 있습니다. 이러한 기술은 차세대 염기서열 분석과 인공지능과 같은 첨단 기술을 활용하여 작물의 유전적 특성을 정밀하게 분석하고, 이를 바탕으로 최적의 육종 전략을 수립하는 데 중점을 둡니다.

 

 세계적으로 수요가 많은 밀의 생산성을 높이기 위해 NGS와 분자 마커를 사용하여 건조한 환경에서도 높은 생산성을 유지할 수 있는 내건성 유전자를 가진 밀 품종을 식별하는 등 다양한 연구가 진행되고 있습니다[22,23]. 이러한 연구는 가뭄이 빈번한 지역에서 특히 중요한데 내건성 밀 품종은 물 부족 상황에서도 높은 수확량을 유지할 수 있어 농업의 안정성을 높이는 데 크게 기여하고 있습니다. 필리핀의 국제미작연구소(International Rice Research Institute, IRRI)에서 유전체 분석과 분자 마커를 사용하여 염분에 강한 유전자를 가진 벼 품종을 선발하고, 이를 교배하여 새로운 내염성 품종을 개발했습니다(그림 3).

 

[그림 8] 내염성 벼 품종 개발(출처: 국제미작연구소 홈페이지)

 

이러한 벼 품종은 염분이 높은 토양에서도 높은 생산성을 유지할 수 있어, 해안 지역과 같이 염분 스트레스가 큰 환경에서도 안정적인 벼 생산이 가능합니다. 이와 같은 디지털 육종 활용 사례들은 현대 농업이 직면한 다양한 도전과제에 대응하는 데 중요한 역할을 하고 있습니다.

 

6. 향후 발전 방향

 

디지털 육종은 차세대 염기서열 분석과 인공지능 등 최신 기술의 융합을 통해 급격히 발전하고 있으며, 앞으로도 그 활용 가능성은 더욱 확대될 것으로 예상됩니다. 무엇보다 디지털 육종은 정밀농업과 밀접하게 연계되어 있습니다. 앞으로의 발전 방향은 농업 데이터를 실시간으로 수집하고 분석하여 작물의 생육 상태를 모니터링하고, 최적의 재배 조건을 자동으로 조절하는 시스템을 개발하는 것입니다. 이를 통해 작물의 생산성을 극대화하고 환경 변화를 효율적으로 관리할 수 있을 것입니다. 예를 들어, 방대한 양의 데이터 수집, 빅데이터 분석을 통한 작물 건강 상태 평가, 자동화된 농업 기계의 활용 등이 정밀농업의 주요 요소로 자리 잡을 것입니다. 인공지능은 디지털 육종의 데이터를 분석하고 예측 모델을 구축하는 데 필수적인 도구입니다. 앞으로의 발전 방향은 이러한 기술을 더욱 고도화하여 대규모 유전체 데이터를 효율적으로 처리하고, 최적의 교배 전략을 자동으로 설계하는 것입니다. 이를 통해 육종 과정의 효율성을 극대화하고, 더 나은 품종을 더 빠르게 개발할 수 있을 것입니다. 이와 더불어, 유전자편집 기술은 디지털 육종의 핵심 도구로서, 앞으로 더욱 발전할 것입니다. 유전자 편집을 통해 작물의 특정 유전자를 정밀하게 수정하거나 제거하여 원하는 형질을 강화할 수 있습니다. 이는 병 저항성, 내건성, 내염성 등 특정 환경 스트레스에 강한 품종을 개발하는 데 중요한 역할을 할 것입니다. 또한, 유전자 편집 기술은 기존의 육종 방법보다 더 빠르고 정확하게 새로운 품종을 개발할 수 있게 합니다. 디지털 육종은 환경 친화적인 농업 기술을 개발하여 자원 효율성을 높이고, 농약 및 비료 사용을 최소화하는 방법을 모색할 것입니다. 또한, 기후 변화에 대응할 수 있는 작물 품종을 개발하여 농업의 지속 가능성을 높이는 데 기여할 것입니다.