Genome-scale stoichiometric models are useful predictive tools for redesigning metabolic networks. However, the high computational cost of identifying appropriate metabolic engineering strategies restricts the applicability of computational models to the optimization with a limited number of modifications. By mimicking adaptation phenomena in nature, we developed a novel optimization framework named EvoKO that can find optimal knockout strategies with an unlimited number of knockouts. EvoKO was successfully applied to the identification of an optimal metabolic engineering strategy for the production of hydrogen using $\it{Escherichia coli}$. The predicted hydrogen yield of the mutant suggested by EvoKO was about 77.4% of the theoretical maximum, which is about two-fold higher than those suggested using previous optimization frameworks.
그간 화학적 방법을 통해 생산되던 다양한 원료 물질들을 생물학적 방법을 통해 생산하기 위해서는 생명체 내의 복잡한 대사 네트워크를 재설계 할 수 있는 생명체의 대사경로의 변화를 예측 가능한 도구가 필요하게 되었다. 이를 위해 개발된 기존의 방법들은 대사경로의 복잡성으로 인해 계산에 소모되는 시간이 너무 방대해 한계를 가질 수 밖에 없었다. 이와 같은 문제를 해결하기 위해, 본 연구에서는 미생물의 환경 적응 기작에서 나타나는 현상을 흉내낸 새로운 계산적 프레임워크인 EvoKO 를 개발하였다. EvoKO 에서는 먼저 대량의 knockout 을 가진 균주를 만들고, 이로부터 원하는 물질의 생산을 증대시키는데 불필요한 knockout 을 원상복귀 시킴으로써, 빠른 시간 내에 많은 수의 knockout 을 통해 최적의 균주를 찾아내는 것을 가능케 하였다. 이후 균주들 간의 recombination 을 통해 추가적인 생산 효율의 증대를 이루어냈다. EvoKO 의 실용성을 검증하기 위해 대장균을 통한 수소 생산에 적용시킨 결과 이론적 최대치의 77.4% 에 달하는 수율을 가지는 대장균을 디자인 할 수 있었으며, 이는 기존의 균주 설계 방법들에 비해 약 2배 가량 증가된 수치였다. 본 연구에서 개발된 EvoKO 를 통해 빠른 시간 안에 knockout 숫자의 제한과 같은 퍼포먼스의 제한 없이 원하는 물질을 대량생산하는 균주를 설계할 수 있게 되었다. 이처럼 자연계에 존재하는 생명체들의 적응 및 진화방식을 응용함으로써, 앞으로 직면하게 될 대사공학상의 문제들 역시 더 효율적인 해결책을 찾아낼 수 있을 것으로 사료된다.
