생명공학전공 기장서 교수 연구팀, 환경DNA 분석 정확도 높이는 지표종 자동 선별 기법 개발
우리 대학 생명공학전공 기장서 교수 연구팀은 환경DNA(eDNA) 분석 자료에서 기존 수질 지수에 부합하는 지표종을 자동 선별하는 ‘지식기반 후진 제거(Knowledge-Guided Backward Elimination, KGBE) 기법’을 개발했다.
하천 바닥의 돌이나 수초 등에 붙어 사는 부착 규조류(돌말류)는 종마다 오염에 견디는 정도가 달라 수질과 수생태계 건강성을 평가하는 지표로 활용된다. 국내 수생태계 건강성 조사와 유럽 물 관리 기본 지침(WFD) 등에서도 부착 규조류 지수를 공식 평가 수단으로 사용하고 있다.
그러나 기존 방식은 전문가가 현미경으로 규조류를 종 수준까지 구분하고 세는 방식으로, 종 간 형태가 비슷해 분석 결과가 조사자마다 달라질 수 있고 시간과 전문인력이 많이 필요하다는 단점이 있다. 물속에 남아 있는 생물 유전자 흔적을 한꺼번에 읽어내는 eDNA 메타바코딩 기술은 이러한 한계를 보완할 대안이지만, 유전자 증폭 편향과 종별 유전자 복제 수 차이 등으로 염기서열 수가 실제 세포 수와 일치하지 않아 기존 지수에 그대로 적용하기 어려웠다.
기 교수 연구팀이 개발한 KGBE 기법은 eDNA로 검출된 종을 하나씩 제거해 가면서, 남은 종으로 계산한 수질 지수가 현미경 조사 결과와 가장 가까워지도록 지표종을 선별한다. 별도의 복잡한 인공지능 모델 대신 기존 수질 지수의 원리를 활용해 결과를 해석하기 쉽고, 기존 조사 자료와도 비교할 수 있다는 장점이 있다.
유럽 하천 1,407개 시료에 이 기법을 적용한 결과 eDNA 지수와 현미경 지수의 일치도(결정계수 R²)는 0.57에서 0.70으로 높아졌고, 오차(RMSE)는 2.45에서 1.60으로 감소했다. 5단계 수질 등급의 판정 일치율도 51.2%에서 63.4%로 높아졌으며, 특히 ‘매우 좋음’ 등급의 정확도는 50.7%에서 70.2%로 크게 개선됐다. 유전자 자료에서 실제보다 과다하게 검출되는 오염 내성종을 걸러내어 개선 효과가 크게 나타났으며, 최종적으로 248종의 핵심 지표종을 선별했다.
또한, ‘랜덤포레스트’, ‘XGBoost’ 등 7종의 기계학습 모델과도 비교한 결과, 기계학습 모델은 더 높은 적합도(R² 0.89 이상)를 보였지만 종별 기여도를 기존 지수의 계산 원리와 연결해 설명하기 어려운 한계가 있어 KGBE 기법이 더 적합한 것으로 나타났다. 연구팀은 국내 하천 한강수계 58개 지점의 eDNA 자료에도 기법을 적용한 후 현미경 조사 결과와의 일치도가 향상됨을 확인해 국내 하천에도 적용할 수 있다는 가능성을 제시했다.
기장서 교수는 “이번 연구는 eDNA 자료를 기존 수질 지수의 언어로 번역해 주는 다리를 놓은 것”이라며, “현미경 동정의 주관성과 전문인력 부족 문제를 보완하면서도 기존 조사 자료와 비교 가능한 결과를 얻을 수 있어, eDNA 기반 수생태계 건강성 평가가 제도권 조사에 도입되는 데 실질적인 근거가 될 것”이라고 밝혔다.
한편, 이번 연구는 과학기술정보통신부 한국연구재단과 기후에너지환경부 한국환경산업기술원의 연구 과제 지원을 받아 수행됐으며, 결과는 환경과학 분야 최상위 국제학술지로 평가받는 『Environmental Science and Ecotechnology』 2026년 34권에 게재됐다.
