%ec%9c%a0%ec%8a%b9%ed%99%94
-
숙련자의 감 · 언어 장벽 넘어 AI가 제조를 판단한다
우리가 쓰는 플라스틱 제품 대부분은 녹인 플라스틱을 틀에 넣어 같은 제품을 대량으로 찍어내는‘사출성형’공정으로 만든다. 하지만 조건이 조금만 달라도 불량이 생겨, 그동안은 숙련자의 감에 의존해 왔다. 이제 우리 대학 연구진이 고숙련자 은퇴와 외국인 인력 증가로 제조 지식이 단절될 수 있다는 우려에 대해 AI로 공정을 스스로 최적화하고 지식을 전수하는 해법을 내놨다.
우리 대학은 기계공학과 유승화 교수 연구팀(기계공학과·이노코어 PRISM-AI 센터)이 사출 공정을 스스로 최적화하는 생성형 AI 기술과, 현장 지식을 누구나 활용할 수 있는 LLM 기반 지식 전이 시스템을 세계 최초로 개발하고, 그 성과를 세계 최고 수준의 국제학술지에 연속 게재했다고 22일 밝혔다.
첫 번째 성과는 환경 변화나 품질 조건에 따라 자동으로 최적 공정 조건을 추론하는 생성형 AI 기반 공정추론 기술이다. 기존에는 온도나 습도, 원하는 품질 수준이 바뀔 때마다 숙련자가 시행착오를 거쳐 조건을 다시 맞춰야 했다.
연구팀은 실제 사출 공장에서 수개월간 수집한 환경 데이터와 공정 파라미터를 활용해, 확산 모델(Diffusion Model) 기반으로 목표 품질을 만족하는 공정 조건을 역설계하는 기술을 구현했다.
여기에 실제 생산을 대신하는 대리모델(Surrogate Model)을 함께 구축해, 공정을 돌리지 않고도 품질을 미리 예측할 수 있도록 했다. 그 결과 기존 공정 예측에 활용되던 기존 대표기술인 GAN*·VAE** 기반 모델의 오류율(23~44%)을 크게 낮춘 1.63%의 오류율을 달성했으며, 실제 공정 적용 실험에서도 AI가 제시한 조건대로 양품 생산이 확인돼 현장 활용 가능성을 입증했다.
*GAN(Generative Adversarial Network, 생성적 적대 신경망): 두 개의 AI가 서로 경쟁하면서 데이터를 만들어내는 방식, **VAE(Variational Autoencoder, 변분 오토인코더): 데이터의 공통된 패턴을 압축해 이해한 뒤 다시 만들어내는 방식
두 번째 성과는 고숙련자 은퇴와 다국어 작업 환경에 대응하는 LLM 기반 지식 전이 시스템 ‘IM-Chat’이다. IM-Chat은 거대언어모델(LLM)과 검색 증강 생성(RAG)을 결합한 멀티에이전트 AI 시스템으로, 초급 작업자 또는 외국인 작업자가 제조 현장에서 겪는 문제에 대해 적절한 해결책을 제공하는 제조 현장용 AI 도우미다.
작업자가 자연어로 질문하면, AI가 이를 이해해 필요에 따라 생성형 공정추론 AI를 자동으로 호출하고, 최적 공정 조건 계산과 함께 관련 기준과 배경 설명까지 동시에 제공한다.
예를 들어 “현재 공장 습도가 43.5%일 때 적정 사출 압력은?”이라는 질문에 AI는 최적 조건을 계산하고, 관련 매뉴얼 근거까지 함께 제시한다. 다국어 인터페이스를 지원해 외국인 작업자도 동일한 수준의 의사결정 지원을 받을 수 있다.
이번 연구는 사출 공정을 넘어 금형, 프레스, 압출, 3D 프린팅, 배터리, 바이오 제조 등 다양한 산업으로 확장 가능한 제조 AI 전환(AX) 핵심 기술로 평가된다.
특히 생성형 AI와 LLM 에이전트를 툴 콜링(Tool-Calling) 방식*으로 통합해, AI가 스스로 판단하고 필요한 기능을 호출하는 자율 제조 AI 패러다임을 제시했다는 점에서 의미가 크다.
*툴 콜링 방식: AI가 상황에 맞게 필요한 기능이나 프로그램을 스스로 불러 사용하는 방식
유승화 교수는 “공정을 스스로 최적화하는 AI와, 현장 지식을 누구나 활용할 수 있는 LLM을 결합해 제조업의 본질적 문제를 데이터 기반으로 해결한 사례”라며 “앞으로 다양한 제조 공정으로 확장해 산업 전반의 지능화와 자율화를 가속하겠다”고 말했다.
이번 연구는 기계공학과 김준영·김희규·이준형 박사과정이 공동 제1저자로 참여하고, 유승화 교수가 교신저자로 참여했으며, 공학·산업 분야 세계 1위 국제학술지인 ‘저널 오브 매뉴팩처링 시스템즈(Journal of Manufacturing Systems, JCR 1/69, IF 14.2)’4월호와 12월호에 연속 게재됐다.
※ 논문명1: Development of an Injection Molding Production Condition Inference System Based on Diffusion Model, DOI: https://doi.org/10.1016/j.jmsy.2025.01.008
※논문명2: IM-Chat: A multi-agent LLM framework integrating tool-calling and diffusion modeling for knowledge transfer in injection molding industry, DOI: https://doi.org/10.1016/j.jmsy.2025.11.007
한편, 이번 연구는 과학기술정보통신부·중소벤처기업부·산업통상자원부의 지원을 받았다.
2025.12.22 조회수 3000 -
‘물리법칙 아는 AI’신소재 대량 탐색 척척!
신소재 개발의 핵심 단계인 ‘물성 규명’은 그동안 방대한 실험 데이터와 고가 장비에 의존해야 해 연구 효율이 낮다는 한계가 있었다. KAIST 연구진은 재료와 에너지의 변형과 상호작용을 지배하는 ‘물리법칙’을 AI와 결합한 새로운 기법을 통해, 데이터가 부족한 상황에서도 신소재를 신속히 탐색하고 나아가 재료·기계·에너지·전자 등 다양한 공학 분야의 설계와 검증까지 빠르게 수행할 수 있는 기반을 마련했다.
우리 대학 기계공학과 유승화 교수 연구팀이 경희대(총장 김진상) 임재혁 교수 연구팀과 한국전기연구원(원장 김남균, KERI) 류병기 박사와 각각 공동 연구를 통해, 물리 법칙을 인공지능 학습 과정에 직접 반영하는 물리 기반 머신러닝(Physics-Informed Machine Learning, PIML) 기법을 활용해, 적은 양의 데이터만으로도 소재 물성을 정확히 규명할 수 있는 새로운 방법을 제시했다고 2일 밝혔다.
첫 번째 연구에서는 고무와 같은 잘 늘어나는 초탄성(hyperelastic) 소재를 대상으로, 단 한번의 실험에서 얻은 적은 양의 데이터만으로도 재료의 변형 모습과 성질을 동시에 알아낼 수 있는 ‘물리 기반 인공 신경망(Physics-Informed Neural Network, PINN)’ 기법을 제시했다.
기존에는 많은 양의 복잡한 데이터를 모아야만 가능했지만, 이번 연구는 데이터가 부족하거나 제한적이거나 잡음이 포함된 상황에서도 안정적으로 소재 특성을 재현할 수 있음을 입증했다.
두 번째 연구에서는 열을 전기로, 전기를 열로 바꾸는 신소재인 ‘열전 소재’를 대상으로, 단 몇 개의 측정값만으로도 열을 얼마나 잘 전달하는지(열전도도)와 전기를 얼마나 잘 만들어내는지(제벡 계수) 같은 핵심 지표를 추정할 수 있는 PINN 기반 역추정 기법을 제안했다.
나아가 연구팀은 자연의 물리 법칙까지 이해하는 인공지능인 ‘물리 기반 신경 연산자(Physics-Informed Neural Operator, PINO)’를 도입해 학습되지 않은 신소재에도 재학습 과정 없이 일반화가 가능함을 보여주었다.
실제로 20개 소재로 학습한 뒤, 60개의 새로운 소재를 대상으로 테스트했는데, 모두 높은 정확도로 성질을 맞혀냈다. 이로써 앞으로 수많은 신소재 후보를 빠르게 골라내는 고속·대량 소재 탐색이 가능해질 전망이다.
이번 성과는 단순히 ‘실험을 줄였다’는 수준을 넘어선다. 물리 법칙과 인공지능을 정교하게 결합해, 실험 효율은 높이고 신뢰성은 지킨 첫 사례이기 때문이다.
두 연구 모두 총괄하여 진행한 유승화 교수는 “이번 성과는 물리 법칙을 이해하는 인공지능을 실제 소재 연구에 적용한 첫 사례”라며, “데이터 확보가 제한적인 상황에서도 물성을 신뢰성 있게 규명할 수 있어 다양한 공학 분야로 확산될 것”이라고 말했다.
첫 번째 논문은 KAIST 기계공학과 문현빈·박동근 박사과정이 공동 제1 저자로 참여했으며 국제 학술지 ‘컴퓨터 매써드 인 어플라이드 머케닉스 엔 엔지니어링(Computer Methods in Applied Mechanics and Engineering)’에 8월 13일자에 게재되었다.
※논문 제목: Physics-informed neural network-based discovery of hyperelastic constitutive models from extremely scarce data
※DOI: https://doi.org/10.1016/j.cma.2025.118258
두 번째 논문은 KAIST 기계공학과 문현빈·이송호 박사과정, 와비 데메케(Wabi Demeke) 박사가 공동 제1 저자로 참여했으며 ‘엔피제이 컴퓨테이셔널 머티리얼즈(npj Computational Materials)’에 8월 22일자에 연이어 게재됐다.
※논문 제목: Physics-informed neural operators for generalizable and label-free inference of temperature-dependent thermoelectric properties
※DOI: https://doi.org/10.1038/s41524-025-01769-1
한편, 첫번째 연구는 한국연구재단·과학기술정보통신부 이노코어 프로그램 및 식품의약품안전처 연구과제의 지원을, 두번째 연구는 한국연구재단·과학기술정보통신부 이노코어 프로그램의 지원을 받아 수행됐다.
2025.10.02 조회수 4268 -
초경량·고강도 동시 갖춘 첨단 신소재 개발
최근 자동차, 항공, 모빌리티 등 첨단 산업에서는 경량화와 동시에 우수한 기계적 성능을 갖춘 소재에 대한 수요가 증가하고 있다. 국제 공동연구진이 나노 구조를 활용한 초경량 고강도 소재를 개발하여 향후 맞춤형 설계를 통해 다양한 산업에 응용 가능성을 제시했다.
우리 대학 기계공학과 유승화 교수 연구팀이 토론토 대학(Univ. of Toronto) 토빈 필레터 교수(Prof. Tobin Filleter) 연구팀과 협력해, 높은 강성과 강도를 유지하면서도 경량성을 극대화한 나노 격자 구조를 개발했다고 18일 밝혔다.
연구팀은 이번 연구에서 격자 구조의 보(beam) 형상을 최적화해 경량성을 유지하면서도 강성과 강도를 극대화하는 방안을 모색했다.
특히, 다목적 베이지안 최적화(Multi-objective Bayesian Optimization) 알고리즘*을 활용해 인장 및 전단 강성 향상과 무게 감소를 동시에 고려하는 최적 설계를 수행했다. 기존 방식보다 훨씬 적은 데이터(약 400개)만으로도 최적의 격자 구조를 예측하고 설계할 수 있음을 입증했다.
*다목적 베이지안 최적화 알고리즘: 여러 목표를 동시에 고려해 최적의 해결책을 찾는 방법으로, 불확실도가 있는 상황에서도 효율적으로 데이터 수집과 결과 예측을 반복하며 최적화를 진행
연구팀은 더 나아가, 나노 스케일에서는 크기가 작아질수록 기계적 특성이 향상되는 효과를 극대화하기 위해 열분해 탄소(pyrolytic carbon) 소재*를 활용해 초경량·고강도·고강성 나노 격자 구조를 구현했다.
*열분해 탄소 소재: 높은 온도에서 유기물을 분해해 얻는 탄소 물질로, 내열성과 강도가 뛰어나 다양한 산업에서 사용 예를 들어, 고온에서도 변형되지 않는 코팅재로 활용되어 반도체 장비나 인공 관절 코팅에 쓰임
이를 위해 이광자 중합(two-photon polymerization, 2PP) 기술*을 적용해 복잡한 나노 격자 구조를 정밀하게 제작했으며, 기계적 성능 평가 결과 해당 구조가 강철에 버금가는 강도와 스티로폼 수준의 경량성을 동시에 갖추고 있음을 확인했다.
*이광자 중합 기술: 레이저 빔을 이용해 특정 파장의 두 개의 광자가 동시에 흡수될 때만 중합 반응이 일어나도록 하는 원리를 기반으로 하는 첨단 광학 제조 기술
또한, 멀티포커스 이광자 중합(multi-focus 2PP) 기술을 이용해 나노스케일의 정밀도를 유지하면서도 밀리미터 스케일의 구조물 제작이 가능함을 연구팀은 입증했다.
유승화 교수는 “이번 기술은 기존 설계 방식의 한계로 지적되던 응력 집중 문제를 3차원 나노 격자 구조를 통해 혁신적으로 해결함으로써, 초경량성과 고강도를 동시에 구현한 신소재 개발에 중요한 진전을 이루었다”라고 말했다.
이어 유 교수는 “데이터 기반 최적화 설계와 정밀 3D 프린팅 기술을 융합한 이 기술은 항공우주 및 자동차 산업의 경량화 수요에 부응할 뿐만 아니라, 맞춤형 설계를 통한 다양한 산업 응용 가능성을 열어갈 것으로 기대된다”라고 강조했다.
이번 연구는 피터 설레스 박사(Dr. Peter Serles)와 KAIST 여진욱 박사가 공동 제1 저자로 연구를 주도했으며, 유승화 교수와 토빈 필레터 교수가 교신 저자로 참여했다.
연구 결과는 세계적인 국제 학술지인 ‘어드밴스드 머터리얼즈(Advanced Materials)’에 2025년 1월 23일 게재됐다.(논문 제목: Ultrahigh Specific Strength by Bayesian Optimization of Lightweight Carbon Nanolattices) DOI: https://doi.org/10.1002/adma.202410651
이번 연구는 과학기술정보통신부에서 지원하는 다상소재 혁신생산공정 연구센터 과제(ERC사업)와 식품의약품안전처의 M3DT(의료기기 디지털 개발도구) 과제, KAIST 국제협력사업의 지원을 받아 수행됐다.
2025.02.18 조회수 8080 -
우수한 소재를 설계하는 딥러닝 방법론 개발
우리 대학 기계공학과 유승화 교수 연구팀이 능동-전이 학습 (active-transfer learning)과 데이터 증강기법(Data augmentation)에 기반해, 심층신경망 초기 훈련에 쓰인 소재들과 형태와 조합이 매우 다른 우수한 특성을 지닌 소재를 효율적으로 탐색하고 설계하는 방법론을 개발했다고 16일 밝혔다.
인공신경망에 기반해 방대한 설계 공간에서 새로운 소재를 찾기 위한 역설계 연구는 최근 매우 활발하게 진행되고 있다. 하지만 이러한 기존 설계 방식은 목표로 하는 소재의 형태와 조합이 심층신경망 훈련에 활용된 소재들과 매우 다를 때 인공신경망이 가지는 낮은 예측능력으로 인해 극히 많은 수의 소재 데이터 검증이 요구되며, 이에 따라 제한적으로만 활용이 가능하다.
연구팀은 이번 연구에서 이를 극복하기 위해 초기 훈련 데이터 영역에서 벗어나 우수한 소재를 효율적으로 탐색할 수 있는 인공신경망 기반 전진 설계 (Forward design) 방법론을 제안했다. 이 방법론은, <그림 1>에 도시된 바와 같이 유전 알고리즘과 결합된 능동-전이 학습 및 데이터 증강기법을 통해 심층신경망을 점진적으로 업데이트함으로써, 초기 훈련데이터를 벗어난 영역에서 심층신경망의 낮은 예측능력을 적은 숫자의 데이터 검증 및 추가로 보완한다.
유전 알고리즘에 의해 제안되는 우수 소재 후보군은 기보유한 소재 데이터를 조합해 도출하기 때문에 심층신경망의 신뢰할 수 있는 예측 영역과 설계 공간 측면에서 상대적으로 가까워 예측정확도가 유지된다. 이 후보군과 능동-전이 학습을 활용해 점진적으로 심층신경망의 신뢰성 있는 예측 범위를 확장하면, 초기 훈련데이터 영역 밖에서도 적은 데이터를 생성해 효율적인 설계 과정이 가능하다.
이번 방법은 천문학적인 수의 설계 구성을 가지는 그리드 복합소재 최적화 문제에 적용해 검증했으며, 이를 통해 전체 가능한 복합재 구조의 1029분의 1 가량인 10만 개의 복합재들만 초기 훈련 데이터로 활용해 심층신경망을 학습한 후, 이후 약 500개에 미치지 못하는 데이터 검증을 통해 초기 훈련에 쓰인 복합재와 매우 다른 구조를 가지고 우수한 특성을 지닌 복합재 구조를 설계할 수 있음을 보였다.
연구진이 개발한 방법론은 국소 최적점(Local optima)에 수렴하는 문제를 완화하면서도 인공신경망의 신뢰할 수 있는 예측 영역을 점진적으로 확장하는 효율적인 방법을 제공하기 때문에, 큰 설계 공간을 다루는 다양한 분야의 최적화 문제에 적용할 수 있을 것으로 기대되며, 특히 설계에 요구되는 데이터 검증의 숫자가 적기 때문에 데이터 생성에 시간이 오래 걸리고 비용이 많이 드는 설계 문제에서 이 방법론이 크게 활용될 수 있을 것으로 기대된다.
이번 연구는 공동 제 1저자 김용태 박사과정, 김영수 박사(한국기계연구원) 주도하에 진행됐으며, 유승화 교수(우리 대학 기계공학과)가 교신저자로 참여해, 국제학술지인 `npj 컴퓨테이셔널 머터리얼(Computational Material, IF:12.241)'에 `Deep Learning Framework for Material Design Space Exploration using Active Transfer Learning and Data Augmentation' 라는 제목으로 게재됐다.
이번 연구는 한국연구재단의 중견 연구자지원사업(3D 프린팅 복합재의 최적설계기법 및 피로수명 예측기법 개발)과 미래소재 디스커버리 사업 (레이저-물질 상호작용 멀티스케일 모델링을 통한 분자디자인), KAIST 글로벌 특이점 프렙 사업의 지원을 통해 수행됐다.
2021.09.16 조회수 15900 -
오일권, 유승화 교수, 전기로 물의 움직임을 자유롭게 제어하는 기술 개발
우리 대학 기계공학과 오일원, 유승화 교수 공동 연구팀이 그래핀이 코팅된 미세 금속 그물망을 이용해 물의 움직임과 흐름을 전기로 자유롭게 제어하는 기술을 개발했다.
연구팀은 그래핀이 코팅된 마이크로미터(100만분의 1미터) 단위 틈의 금속 그물망에 갇힌 물을 전기장을 가해 투과시키거나, 표면에 놓인 물방울의 모양을 바꾸는 등 ‘전기습윤현상(전기장이 젖음성을 바꾸는 현상)’을 이용해 물의 움직임과 흐름을 전기로 제어하는 방식의 기술을 개발해 수(水)처리 장치에서의 다양한 활용 가능성을 제시했다.
이번 연구결과는 네이처 자매지 네이처 커뮤니케이션즈 10월 31일자에 게재됐다.(논문명 : Graphene-coated meshes for electro-active flow control devices utilizing two antagonistic functions of repellency and permeability)
표면청소, 방수표면, 제습공조, 부식방지, 저항감소 등 다양한 수처리에 적용 가능한 액체 거동 제어 장치의 개발이 요구되고 있다. 그러나 기존의 표면 젖음성 조절과 부식 방지 연구들은 표면의 굴곡이나 화학적인 코팅에 의존하였기 때문에 표면의 젖음성을 제어할 수 없었다.
전기습윤현상을 이용하면 액체의 움직임과 흐름을 조작할 수 있게 돼 발수성 소재의 표면을 젖게 하거나 흡수성 소재의 표면에 물이 스며들지 않게 제어가 가능하다.
연구팀은 그래핀이 코팅된 금속재질의 그물망을 전극으로 사용하여 전기습윤현상에 기반한 액체거동기술을 개발했다. 순수한 물 혹은 이온성 액체 방울을 그래핀 그물망 전극의 표면에 위치시키고 구리판을 또 다른 전극으로 사용해 전압을 인가 시 액체방울 모양이 가역적으로 변화함을 보였다.
이는 정전기력 (electrostatic force)이 물 분자의 정렬 혹은 이온의 이동을 유도하여 액체방울이 전기장 방향으로 늘어나 생긴 현상이다.
그래핀의 소수성(hydrophobicity)으로 인해 일반적으로는 그래핀이 코팅된 그물망에는 물이 투과되지 못한다. 하지만 전기장을 가할 때 물에 작용하는 정전기힘과 그물망 틈 사이에 작용하는 모세관힘의 상호작용에 기반한 젖음성 조절 메커니즘을 규명해 이를 바탕으로 그물망 바깥쪽에 높은 전기장을 인가하면 안쪽의 액체가 비가역적으로 그물망을 투과하여 이동함을 보여, 전기로 그물망의 발수성과 투수성을 능동적으로 제어가 가능함을 보였다.
이를 이용해 그래핀 그물망으로 가둔 물탱크의 물을 전기를 가해 내보내는 장치나 물방울을 층층이 위치한 그래핀 그물망들의 가장 위에서 아래로 전기를 이용해 이동시키는 장치 등을 개발했다. 실험결과 그래핀 코팅이 금속의 부식을 막아 수처리 환경에서도 장시간 사용이 가능했다.
이 연구는 그래핀이 코팅된 금속재질의 그물망을 전극으로 사용하여 액체의 모양과 흐름을 능동적으로 제어할 수 있는 기술을 개발한 것이다.
전기장을 가하여 자유롭게 젖음성을 조절할 수 있는 내부식성* 그물소재로 필요에 따라 물의 흐름을 막거나 통과시키는 제어장치를 제작하여 다양한 미세유체 장치, 방습 및 제습 장치, 차세대 수(水) 처리장치, 혹은 물에 대한 마찰저항 조절이 필요한 선박과 플랜트 등에 사용할 수 있다. 이들 분야에서 요구되는 액체의 정확한 거동제어와 소형화, 장시간 사용 등의 기능을 갖춘 소재/소자의 원천 기술로의 적용이 기대된다.
오일권 교수는 “이 연구는 기존 연구에서 나타났던 금속의 부식 현상 및 물이 젖는 정도를 조절할 수 없었던 문제를 그래핀이 코팅된 그물망 구조로 극복하면서 마이크로 수준에서 액체의 움직임과 젖음성을 제어할 수 있는 방법을 개발한 것이다. 방습 및 제습, 미세유체, 해수 담수화, 차세대 수(水) 처리 장치 등 다양한 분야에 적용될 수 있을 것이다.”고 말했다.
□ 그림 설명
그림1. 그래핀 매쉬의 제조 방법 및 기능성 길항 액체 제어 기술의 도식도
그림2. 비가역적 액츄에이션 모드(irreversible actuation mode)와 기능성 길항 액체 제어장치(functionally antagonistic active flow devices)
2016.11.16 조회수 21682 -
모델링 기반 거미줄 모사 인공 생체섬유 개발
유 승 화 교수
우리 대학 기계공학과 유승화(32) 교수 연구팀이 컴퓨터 모델링을 이용해 거미줄을 모사한 인공 생체섬유 개발에 성공했다.
이 연구를 기반으로 자연에서 생성되는 다양한 생체섬유의 합성과정에 대한 이해가 가능해지고, 실제 거미줄에 버금가는 인공 생체섬유의 설계, 제작을 앞당길 것으로 기대된다.
미국 매사추세스 공대, 플로리다 주립대, 터프츠 대학과 공동으로 진행한 이번 연구는 ‘네이처 커뮤니케이션즈(Nature Communications)’ 5월 28일자 온라인 판에 게재됐다.
거미줄은 강도가 강철에 버금가고 인성(끊어질 때까지 흡수하는 에너지 양)이 케블라 섬유와 버금가는 장점이 있다. 그러나 거미는 누에처럼 고치를 만들지도 않고 서로 영역을 침범하며 싸우기 때문에 사육이 어려워 대량 생산에 한계가 있었다.
그런 이유로 기존에는 박테리아 유전자에 거미줄 단백질을 삽입해 생체 섬유를 만들려는 시도가 많았으나 시행착오에 의존해 진행된 실험이 대부분이었다.
유 교수의 연구는 예측 가능한 모델링을 기반으로 다양한 단백질을 선제적으로 탐색하고, 인공 거미줄 설계 및 제작과정에 반영했다는 의의를 갖는다.
거미줄은 물속에서 안정성을 갖는 친수성과 반대로 물과 쉽게 결합되지 않는 소수성을 가진 영역이 교차로 존재하는 단백질(펩타이드)들이 가교를 이루며 결합한 구조이다. 거미줄은 거미의 실 분비 기관인 실샘에 존재하는 단백질 용액이 실관을 통과하며 전단유동을 통해 고체화돼 형성된다.
연구팀은 새롭게 개발된 컴퓨터 모델을 이용해 다양한 종류의 단백질 용액의 전단유동 하에서의 변화를 조사했다. 이를 통해 단백질의 아미노산 체인이 충분히 길고, 적절한 비율의 소수성과 친수성 영역을 가질 때만 단백질 간의 연결도가 급격히 증가해 높은 강성과 강도를 갖는 생체섬유 합성이 가능하다는 것을 밝혔다.
본 모델링을 통해 제시된 단백질을 박테리아의 유전자 조작을 통해 합성, 실관을 모사한 방적과정을 통해 인공 거미줄을 제작하였다.
연구팀은 강한 거미줄 생성 원리가 밝혀지기 시작했기 때문에 향후에는 실제 거미줄 강도에 버금가는 생체 섬유 제작이 가능할 것이라고 전망했다.
또한 생체 적합성을 갖기 때문에 인체 내에서도 부작용이 발생하지 않아 바이오메디컬용으로 사용이 가능할 것이라고 기대된다. 궁극적으로는 부작용이 없는 바이오메디컬에 특화된 생체 섬유 제작을 목표로 하고 있다.
유 교수는 “이번 연구로 체계적 설계를 통한 인공 생체섬유의 제작이 가능함을 증명했다”며 “향후 인공 생체섬유 합성의 새 가능성을 열었다”고 말했다.
□ 그림 설명
그림1. 합성된 인공 거미줄의 확대 사진
그림2. 전단유동 전후의 단백질 용액 모델링 결과 및 네트워크 연결도 분석 결과
2015.06.01 조회수 15301