- 머신러닝을 활용한 바이오센서 제작조건과 전기적 반응의 상관관계 규명 -

- 35개 센서에서 확보한 11개 제작·측정변수와 전기적 반응을 통합 분석 –

- 6종의 회귀모델 비교를 통해 Elastic Net의 예측 정확도·안정성·해석 가능성 입증 -

- MXene 농도와 표적 단백질 농도를 센서 반응의 주요 영향인자로 확인 -

- 국제 저명 학술지 Biosensors and Bioelectronics (IF : 11.8, Bioelectronics 분야 Q1) 게재 -

한윤선 석사과정생

본교 이택 교수 연구팀(화학공학과) 한윤선 학생은 머신러닝을 활용해 MXene 기반 확장 게이트 전계효과 트랜지스터(EGFET) 앱타 센서의 제작·측정조건과 전기적 반응 간의 관계를 정량적으로 분석하였다. 이를 통해 경험과 반복 실험에 의존하던 바이오센서 제작과정을 보완할 수 있는 데이터 기반 최적화 전략을 제시하였다.

바이오센서의 성능은 나노소재와 앱타머의 농도, 반응시간, 표적물질 및 완충용액 조건 등 다양한 변수의 복합적인 영향을 받는다. 기존의 단일변수 분석은 이들 변수의 상호관계를 설명하는 데 한계가 있어, 센서의 핵심 제작조건을 찾기 위해서는 여러 변수를 동시에 고려하는 분석방법이 필요하다.

연구팀은 사람 파라인플루엔자 바이러스(HPIV) HN 단백질 검출용 MXene 기반 EGFET 앱타센서를 대상으로 서로 다른 조건에서 독립적으로 제작한 35개 센서의 데이터를 구축하였다. MXene, 앱타머, 표적 단백질 및 완충용액과 관련된 총 11개 제작∙측정변수를 입력값으로 설정하고, 센서의 문턱전압을 예측하기 위해 6종의 머신러닝 회귀모델을 비교하였다.

분석 결과, 대부분의 모델은 시험 데이터에서 약 3% 수준의 평균절대백분율오차를 보였다. 특히 Elastic Net 모델은 예측 정확도와 일반화 성능, 해석 가능성 측면에서 가장 균형 잡힌 결과를 나타냈다. 변수 중요도 분석에서는 MXene 농도와 표적 단백질 농도가 문턱전압 반응을 결정하는 주요 요인으로 확인됐으며, 민감도 분석에서는 표적 단백질 도포량의 영향이 가장 크게 나타났다.

이번 연구에서 제안한 분석 프레임워크는 센서의 예측성능을 평가하는 데 그치지 않고, 각 제작변수가 전기적 신호에 미치는 영향을 정량적으로 해석할 수 있다는 점에서 의의가 있다. 이를 활용하면 센서 제작 시 우선적으로 관리해야 할 조건을 선별하고 후속 실험을 효율적으로 설계할 수 있어, 반복적인 시행착오와 개발 비용을 줄일 수 있을 것으로 기대된다. 또한 다양한 나노소재 기반 전기식 바이오센서의 제작조건 최적화와 품질관리에도 적용할 수 있어, 데이터 기반 바이오센서 개발을 위한 실용적인 분석기술로서의 가능성을 시사한다.

MXene 기반 EGFET 앱타센서의 제작∙측정변수와 전기적 반응을 분석하기 위한 머신러닝 기반 데이터 분석 프레임워크의 개략도

본 연구는 과학기술정보통신부 한국연구재단(RS-2025-24683337, RS-2024-00416117, RS-2024-00416117), 그리고 산업통상자원부(RS-2024-00507931)의 지원을 받아 수행되었으며, 연구 결과는 국제 저명 학술지 Biosensors and Bioelectronics (IF 11.8, Bioelectronics 분야 Q1)에 ‘Machine learning-driven analysis of fabrication variables in MXene-Based EGFET aptasensor for HPIV protein detection’라는 제목으로 게재됐다.

Web link: https://doi.org/10.1016/j.bios.2026.119141