• This review provides a comprehensive overview of pore-scale modeling approaches for microbe-mediated biochemical reactions

• Three major pore-scale numerical methods for pore-scale modeling are summarized

• Both implicit and explicit strategies for representing microbemediated biochemical reactions are discussed

• Recent advancements in omics-based approaches to microbial metabolic modeling are analyzed

지중 환경에서의 유체 유동은 화학 물질의 운송을 수반하며 다양한 생지구화학적 반응들을 일으키는데 (Kump et al., 2000), 이중 많은 수의 반응들은 지질매체 내 미생물이 생존을 위해 에너지를 얻는 과정에서 생산하는 효소들에 의해 촉진된다 (Telling et al., 2015). 따라서 미생물의 대사활동은 지중 환경의 물질 순환에 영향을 미치는 중요한 기작이다. 일례로, 해저에서 발생하는 중요한온실기체인 메탄의 대부분은 해저 퇴적물에 서식하는 황산염 환원세균(sulfate reducing bacteria)과 혐기성 메탄영양 고세균(anaerobic methanotrophic archaea)의 상호작용에 의해 산화되기 때문에 대기중 메탄의 농도가 낮은 상태로 유지될 수 있다 (Sivan et al., 2014). 이처럼 미생물활동에 의해 영향을 받는 천층 지권의 생지구화학적 특성은 다시 미생물들의 생태적 지위(ecological niche)와 대사활동의 특성을 결정한다. 예를 들어, 온도, pH, 고도 등과 같은 환경요소들은 토양 내 박테리아 군집의 조성과개체 수를 결정하는 핵심적인 요소이다 (Mod et al., 2021).따라서 환경 조건에 따른 천층 지권의 물질 순환을 이해하고 변화를 예측하기 위해서는 환경과 미생물 간 생지구화학적 상호작용에 대한 정량적 이해가 필요하다.

지중환경에서 관측되는 대부분의 미생물들은 고체 물질의 표면에 부착하여 세포 외 고분자물질(extracellular polymeric substances, EPS)로 구성된 바이오필름을 생성한다 (Flemming et al., 2016). 바이오필름은 항생제와 같이 외부 환경으로부터 유입되는 유해물질에 대한 보호막으로 작용하고 (Stewart, 2003) 빠른 유속이 야기하는 전단응력으로 인해 미생물이 지질매체의 표면으로부터 떨어져 나가는 현상을 완화한다 (Halan et al., 2012). 또한바이오필름 내에서는 다종의 미생물들 이 높은 밀도로존재하기 때문에 미생물들의 종간 협력을 통해 변화하는환경에 대한 적응 능력과 생존가능성을 높이기도 한다(Nadell et al., 2016). 지중환경에서 이러한 바이오필름의형성은 주변 환경의 물리적(유속, 용질 운송 등) 그리고생화학적(미생물 성장 속도, 용질 농도 등) 특성들의 복합적인 상호작용의 결과로 나타난다. 예를 들어 유속이빠른 환경에서는 치밀하고 연속적인 바이오필름이 형성되는 반면 유속이 느리고 영양분이 충분한 조건에서는버섯 모양의 다공성 바이오필름이 형성되기도 한다 (van Loosdrecht et al., 1995). 지질매체 내에서 성장하는 바이오필름은 유체의 유동 공간인 공극을 차지하며 공극의 공간적 구조를 변화시킨다. 그 결과 지질매체 내 바이오필름의 성장은 유체의 유동과 용질의 운송 특성을 변화시키고 이는 다시 바이오필름의 성장 특성과 구조에 영향을 미친다 (Jung & Meile, 2021; Pintelon et al., 2012).따라서 지중환경에서 나타나는 미생물 활동의 이해를 위해서는 미생물이 매개하는 생지구화학적 특성과 공극의구조 및 유체의 유동과 같은 물리적 특성들에 대한 통합적 고려가 이루어져야 한다.

유체 유동과 생지구화학적 반응을 통합적으로 고려하는 수치모델링 기법인 반응성 운송 모형(reactive transport models, RTMs)은 지중환경 내 미생물 활동의 정량적 이해를 위한 매우 효과적인 기법이다(Steefel et al., 2015).반응성 운송 모형은 미생물 활동으로 인한 우라늄의 제거(Bao et al., 2014; Renslow et al., 2017), 해저와 습지환경에서의 메탄 산화(Ng et al., 2020; Rooze et al., 2016),바이오클로깅에 의한 투수성 감소(Surasani et al., 2013; Xian et al., 2019)와 같은 현상들을 이해하는데 성공적으로 사용되었다. 대부분의 반응성 운송 모형 연구들은 유속이 달시 방정식에 의해 기술되는 달시 규모(Darcy-scale)에서 이루어져왔는데, 이는 미생물이 마이크로미터 수준에서 지질매체의 공극 내 주변 환경과 일으키는 상호작용에 비해 수천 배 이상 큰 규모이다. 따라서 지질매체내 미생물 활동은 생지구화학 반응속도와 같이 경험적으로 도출되는 매개변수들로 기술된다. 그러나 연구 지역의 수리화학적 특성 및 연구의 공간적 규모에 따라 달라지는 경험적 매개변수들의 특성으로 인해 달시 규모의수치모형을 이용하여 장기간에 걸친 환경에서의 미생물작용을 정량적으로 예측하고 평가하는데 큰 어려움이 존재한다(Fernàndez-Garcia et al., 2005; Meile & Tuncay, 2006). 이러한 문제점에 대한 인식은 실제 미생물과 공극내 유체와의 상호작용을 기술할 수 있는 공극 규모(pore-scale) 반응성 운송 모형의 발전으로 이어졌다 (Golparvar et al., 2021).

본 논문은 천층 지권 환경에서의 미생물 작용을 기술하기 위한 공극 규모의 반응성 운송 모형에 관한 선행연구 결과들을 종합한다. 먼저 공극 규모의 반응성 운송모델링에 주로 사용되는 세 가지 기법(직접 수치 모사,라티스-볼츠만, 공극망)들의 특성에 대해 요약한다. 그 후지난 20여년간 이루어진 미생물이 매개하는 생지구화학적 반응 모델링을 미생물을 암시적(implicit)으로 고려하는 방법과 직접적(explicit)으로 고려하는 방법으로 나누어 정리한다. 특히 미생물을 직접적으로 표현하는 방법에서 바이오필름모델링의 발전을 연속체 기법과 이산형기법으로 나누어서 정리하고 공극 규모의 반응성 운송모형을 통해 수행된 바이오필름 연구 성취에 대해 고찰한다. 마지막으로 최근 급격하게 발전한 분자생물학의 성취인 유전정보 기반의 대사모형(genome-scale metabolic model, GEMs)을 활용하려는 시도에 대한 기술을 마지막으로 기존 문헌 연구를 통해 도출된 시사점과 향후 연구방향에 대하여 제안한다(Fig. 1).

Figure 1. A schematic diagram illustrating the organizational structure and key components of this manuscript.

공극 규모 반응성 운송 모형은 크게, 이산화 기법(discretization)을 이용하는 직접 수치 모사, 입자들의 흐름과 충돌을 계산하는 라티스-볼츠만 기법, 공극 구조를공극체(pore bodies)와 공극목(pore throat)으로 단순화된연결망으로 표현하는 공극망 기법으로 나뉜다(Fig. 2).

Figure 2. (a) Schematic representation of reactive transport processes occurring at the pore-scale in subsurface environments. Numerical methods used to model these processes, include (b) direct numerical simulation (DNS) approaches, such as the finite volume method (FVM), (c) the lattice-Boltzmann method (LBM), and (d) the pore network model (PNM).

2.1. 직접수치모사 기법(Direct numerical simulation, DNS)

직접수치모사 기법은 다양한 이산화 기법들(유한차분법, 유한요소법, 유한체적법)을 이용하여 유체 유동, 용질운송, 지화학반응을 기술하는 지배방정식들의 해를 구한다. 공극 규모의 지하수 유동 연산에는 운동량과 질량 보존을 기술하는 비압축성 나비에-스토크스 방정식(Navier-Stokes equation, NSE)이 사용된다.

$$\frac{\partial u}{\partial t}+\left(u\cdot \nabla \right)u=-\frac{1}{\rho }\nabla p+v{\nabla }^{2}u$$(1)

$$\nabla \cdot u=0$$(2)

여기서 u는 유속, ρ는 밀도, t는 시간, ν는 동적 점성도, ▽p는 압력 구배이다. Equation 1의 좌변은 불균질한유동 경로를 따라 유동하는 유체의 관성력을, 우변은 물분자들 간 마찰에 의해 일어나는 에너지의 감쇄를 기술하는 점성력을 의미한다. 연속체 방정식 Equation 2는 나비에-스토크스 방정식의 유체가 비압축성임을 지시한다.유속이 느린 조건에서는 위의 Equation 1의 좌변에 나타나는 유체의 관성력을 무시하여 안정 상태(steady-state)에서 공극 내 느린 유체 유동은 아래의 스토크스 방정식(Equation 3)으로 단순화하여 계산할 수 있다.

$$0=-\frac{1}{\rho }\nabla p+v{\nabla }^{2}u$$(3)

위의 Equations 1, 2 또는 Equations 2, 3에서 구한 공극 내 유체의 유속(u)은 해당 유체 내 용질의 운송을 기술하는 다음의 Equation 4의 입력값으로 사용된다.

$$\frac{\partial C}{\partial t}=-\left(u\cdot \nabla \right)C+\nabla \cdot \left(D\nabla C\right)+R$$(4)

여기서 C와 D는 각각 용질의 농도와 확산 계수를 의미하고, R은 소스/싱크(source and sink)를 기술하는 항이다. Equation 4의 우변은 유체의 유동에 따라 나타나는용질의 공간적 이동을 나타내는 이류항, 농도 구배에 따라 나타나는 용질들의 혼합을 기술하는 확산항, 그리고화학적 반응을 기술하는 반응항들로 구성된다(advection-diffusion-reaction equation, ADRE). 여기서 반응항은 연산을 수행하는 대상 지화학반응의 반응 속도에 따라 평형반응적 접근(equilibrium reactions)과 동력학적 접근(kinetic reactions)으로 구분된다. 착물 형성 반응(surface and aqueous complexations), 이온 교환 반응(ion exchange)등과 같이 지하수 유동 속도에 비해 빠른 속도로 일어나는 화학 반응들의 연산에는 평형반응적 접근을 사용한다.이에 비해 느린 화학반응의 특성을 갖는 광물의 용해와침전 (mineral dissolution and precipitation), 그리고 미생물 매개 반응(microbe-mediated reactions)들은 동력학적접근을 통해 용질들의 시공간적 분포 특성에 대한 분석이 이루어진다(Steefel et al., 2015).

2.2. 라티스-볼츠만 기법(Lattice Boltzmann method, LBM)

유체의 운동 이론(kinetic theory)에 기반한 라티스-볼츠만 기법은 개별 분자들의 운동을 기술하는 미시 규모(microscopic scale)적 접근과 유체의 밀도, 유속과 같은특성으로 기술되는 거시 규모(macroscopic scale)적 접근사이에 위치하는 중간 규모(mesoscopic scale)적 기법이다(Krüger et al., 2017). LBM은 입자 집단(particle populations)들을 나타내는 이산 속도 분포 함수(discrete velocity distribution function) f_i(x, t)를 통해 다음과 같이 유체의유동을 기술한다(Equation 5).

$$f_i\left(x+c_i\Delta t,t+\Delta t\right)-f_i\left(x,t\right)={\Omega }_i^f\left(x,t\right)$$(5)

Equation 5의 좌변은 위치 x와 시간 t에 입자 f_i(x, t)가 c_i의 속도로 다음 타입스텝 t + Δx에 새로운 위치 x + c_iΔt로 이동하는 입자들의 흐름(streaming)을 의미하고, 우변은해당 위치에서 입자들 간 충돌(collision)로 재배치되는 입자들의 분포를 나타낸다. 입자간 충돌을 기술하는 다양한 연산자들 중 나비에-스토크스 시뮬레이션에서는 일반적으로 BGK (Bhatnagar-Gross-Krook; Bhatnagar et al., 1954) 연산자를 사용한다(Equation 6).

$${\Omega }_i^f\left(x,t\right)=-\frac{f_i\left(x,t\right)-f_i^{eq}\left(x,t\right)}{\tau }\Delta t$$(6)

위의 충돌 연산자는 비평형상태의 입자 분포 f_i(x, t)가이완 시간 τ 동안 Equation 7로 정의되는 평형 분포 $f_i^{eq}\left(x,t\right)$로 이완되는 과정을 기술한다.

$$f_i^{eq}=w_i\rho \left[1+\frac{c_i\cdot u}{c_S^2}+\frac{{\left(c_i\cdot u\right)}^2}{2c_S^4}+\frac{u\cdot u}{2c_S^2}\right]$$(7)

여기서 i번째 입자의 평형 분포를 기술하는 함수인 f^eq 는 비례상수 w_i와 거시 규모 유체의 질량 밀도 $\left(\rho =\sum f_i\right)$, 운동량 밀도 $\left(\rho u=\sum c_i{f}_i\right)$에 따라 결정된다. Equation 5에 대한 Chapman-Enskog 전개(expansion)는 동적 점성도 (kinematic viscosity) v를 가지는 NSE로 수렴한다는 것 을 보인다. 여기서 $v=c_S^2\left(\tau -0.5\Delta t\right),c_S$는 라티스 상수이다.

중간 규모적 접근법을 사용하는 LBM은 거시 규모의 NSE를 대체하는 Equations 5, 6과 유사한 형태의 Equations 8, 9를 통하여 거시 규모의 용질 운송식(Equation 4)의 형 태로 표현할 수 있다.

$$g_i\left(x+c_i\Delta t,t+\Delta t\right)-g_i\left(x,t\right)={\Omega }_i^g\left(x,t\right)+R_i\left(x,t\right)$$(8)

$${\Omega }_i^g\left(x,t\right)=-\frac{g_i\left(x,t\right)-g_i^{eq}\left(x,t\right)}{{\tau }_g}\Delta t$$(9)

Equation 8의 마지막 항 R_i는 Equation 4의 농도가감항R에 대응되는 소스/싱크항이고, BGK 충돌 연산자 Equation9는 용질의 확산 계수 $\left(D=c_S^2\left({\tau }_g-0.5\Delta t\right)\right)$를 결정한다. 거시 규모에서 N S E와 ADRE를 풀기 위해 사용하는 LBM의 지배방정식 Equations 5와 8 사이의 주요한 차이는 전자의 경우 2차 모멘트까지 필요한 반면 후자는 1차 모멘트까지만 필요하다는 점이다(Li et al., 2014). 이로 인해,유체 유동 계산을 위한 Equation 6은 D2Q9와 D3Q19 격자가, 용질 운송 연산을 위한 Equation 9는 D2Q5와 D3Q7 속도 격자가 흔히 사용된다(Fig. 3). 용질 운송에 사용되는 평형 분포 함수 $g_i^{eq}$는 거시 유속 u와 농도$\left(C=\sum g_i\right)$ 를 이용하여 다음과 같이 정의된다.

Figure 3. Common lattice structures in the lattice Boltzmann method (LBM). The choice of lattice structure depends on the governing equations and study dimensionality: (a) D2Q9, (b) D2Q5, (c) D3Q19, and (d) D3Q7.

$$g_i^{eq}=w_{i}C\left(1+\frac{c_i\cdot u}{c_S^2}\right)$$(10)

Equation 5와 Equation 10에 대한 Chapman-Enskog 전개는 ADRE를 구현한다 (Krüger et al., 2017).

2.3. 공극망 기법 (Pore network model, PNM)

공극 규모의 물리화학적 기작들을 분석하는데 주로 사용되는 위의 DNS와 LBM들은 매우 높은 연산량으로 인해 연구 대상의 공간적 규모가 커짐에 따라 적용하기 어려워진다는 한계가 있다. 따라서 많은 수의 공극 규모의연구들은 2차원과 같이 제한된 공간 규모 또는 공극 구조가 단순한 공간에서 수행되거나(Deng et al., 2018; Huber et al., 2014; Kang et al., 2003) 막대한 연산 자원을 사용하여 수행되었다(Trebotich et al., 2014). 이러한 한계를극복하기 위해 공극망 기법(PNM)은 다공성 매체를 다양한 크기의 주요 공극체들이 공극목들로 연결된 네트워크로 단순화하여 표현한다(Fig. 2d). 단순화된 공극망 내에서 유체의 유속은 하겐-푸와죄유 법칙(Hagen-Poiseuille’s law)을 통해 계산하고(Equation 11), 공극망 내 용질의 운송은 공극체 및 공극목 내 용질의 개별 평균값을 이용하는 이류-확산-반응 방정식(Equation 12)을 풀기 때문에 타공극 규모 모형에 비해 뛰어난 연산 효율을 확보할 수있다 (Xiong et al., 2016).

$$q_{ij}=\frac{A_{ij}^2{S}_{ij}}{\mu l_{ij}}\left(p_i-p_j\right)$$(11)

$$\frac{d}{dt}\left(c_{ij}{V}_{ij}\right)=q_{ij}\left(c_i-c_j\right)+D_{ij}{A}_{ij}\frac{c_i-c_j}{l_{ij}}+R_{ij}$$(12)

Equation 11에서 q_ij는 i와 j번째 공극을 연결하는 공극목의 유량, A_ij와 l_ij는 각각 공극목의 단면적과 길이, S_ij는 단면의 형태에 따라 결정되는 형태계수, μ는 유체의역학점도(dynamic viscosity), p_i와 p_j는 각각 i와 j번째공극의 압력을 의미한다. Equation 12에서 V_ij, c_ij, D_ij는각각 i와 j번째 공극을 연결하는 공극목의 부피, 농도, 그리고 확산율을 의미하고, c_i와 c_j는 각각 i와 j 공극에서의 농도, R_ij는 공극목에서 일어나는 반응항을 나타낸다.

중간 규모적 접근으로 유체 유동과 용질 운송을 기술하는 LBM과는 다르게 기존의 거시 규모 지배방정식을단순화하여 적용하는(Equations 11, 12) PNM의 핵심적인요소는 바로 연구 대상의 공극 분포를 적절히 대표하는공극망(pore network)을 구축하는데 있다. Micro-CT(micro-computed tomography) 또는 FIB-SEM(focused ion beam-scanning electron microscope)과 같은 기기분석을 통해 3차원의 공극 이미지를 획득하였을 경우, 해당 3차원의 이미지에서 직접적으로 공극망을 구축하는 직접 매핑(direct mapping) 방법이 사용된다. 만약 제한적인 크기의 3차원이미지를 규모적으로 확장하거나(upscaling) 또는 2차원의 공극 이미지 정보만이 이용 가능한 경우에는 해당 이미지가 가지는 통계적 특성을 반영하여 공극망을 구축하는 통계적 재구축(statistical reconstruction) 기법을 사용할 수 있다. 개별 공극망 구축 기법 및 PNM 일반에 대한 더욱 자세한 내용은 다음의 논문 등에서 확인할 수있다 (Blunt et al., 2013; Xiong et al., 2016).

초기의 반응성 운송 모형은 미생물 매개 반응들을 기술함에 있어 해당 미생물들을 직접적으로 포함하지 않는방식으로 수행되었다. 화학물질의 변화에 초점을 맞추는 이러한 초기의 수치 모형들은 미생물의 활동을 기질(substrate)과 전자수용체의 농도를 통해 화학반응의 속도(Equations 4, 8, 12에서 R항)를 결정하였다. 예를 들어, Hunter et al. (1998)는 미생물에 의한 유기물의 분해를 1차반응식을 가정하여 연산하였고(Equation 13),

$$R=-kC$$(13)

그에 따른 용질의 반응은 반응물질들의 농도곱으로 표현되는 2차반응식(Equation 14)을 활용하였다.

$$R=-k{C}_1{C}_2$$(14)

예를 들어 질산염을 생성하는 암모늄 산화반응(NH₄⁺+2O₂→NO₃^-+2H⁺+H₂O)의 반응 속도는 R_NH4=-k_NH4[NH₄⁺][O₂]의 식을 통해 계산되었다. 비록 Equations 13과 14의 단순한 접근법은 화학 속도론과 비슷한 형태를 띄나 R_NH4가 산소 농도에 대해 이차식이 아닌 선형식으로 기술된다는 것은 해당 반응이 기본반응(elementary reaction)이 아닌 복합 반응이라는 것을 의미한다 (Lasaga, 1998). 식 13와 14에서 k는 반응속도상수, C₁과 C₂는 반응 물질들의 농도를 지시하고, 음의 부호(-)는 해당 반응이 소모 반응이라는 것을 의미한다.

반응물질의 흡수, 효소의 작용과 같이 복합적인 생화학적 작용에 의해 미생물이 매개하는 반응의 속도가 결정되는 경우 선형반응식(식 14와 15)과는 다른 특성을 보일 수 있고, 이러한 복합반응은 일반적으로 미카엘리스-멘텐 또는 모노드 반응식을 활용한다. 대표적인 효소의반응속도론인 미카엘리스-멘텐 반응식의 기본 형태는 다음과 같다(Equation 15).

$$R=-k\frac{C}{K_m+C}$$(15)

여기서 K_m은 미카엘리스-멘텐 상수를 나타낸다. 미카엘리스-멘텐 반응식은 낮은 기질 농도에서 1차반응식을따르던 미생물 반응 속도가 기질 농도가 증가함에 따라점차 기질 농도에 영향을 받지 않는 현상에 대해 기술한다. 미생물 반응속도가 기질 이외의 전자수용체(electron acceptors), 반응억제제(inhibitors)와 같은 물질들의 양에따라 달라지는 현상은 Equation 15에 다양한 형태의 항들을 추가함으로써 기술할 수 있다. 그 예로, Equation 16은 미생물 매개 반응의 속도가 두 가지의 기질 농도에영향을 받는 경우 식의 형태를 나타내고 (Davidson et al., 2012),

$$R=-k\frac{C_1}{\left(K_1+C_1\right)}\frac{C_2}{\left(K_2+C_2\right)}$$(16)

Equation 17은 억제제 농도(C_I)와 억제 상수(K_I)에 따른반응속도 저감 특성을 기술하는 예시를 나타낸다(Martinez et al., 2014).

$$R=k\frac{C}{\left(K+C\right)}\frac{K_I}{\left(K_I+C_I\right)}$$(17)

미생물 대사작용은 기질의 농도 뿐만 아니라 기질 활용에 따라 미생물의 에너지 획득 여부에 의해서도 결정된다. Jin & Bethke (2003)는 미생물 대사작용에 대한 에너지 소모와 획득에 대해 고려하는 열역학적 요소를 도입하였다(Equation 18).

$$R=k\frac{C_1}{\left(K_1+C_1\right)}\frac{C_2}{\left(K_2+C_2\right)}\left(1-\exp \left(-\frac{v}{\chi R_{g}T}\right)\right)$$(18)

여기서 χ는 화학양론 계수, R_g는 기체상수, T는 절대온도, 그리고 v는 반응추진력을 의미한다. 이러한 에너지에 대한 고려는 유기물의 분해를 통해 에너지를 획득하는 종속 영양 미생물의 대사작용에 특히 중요하게 작용한다. 또한 산화-환원 반응에서 흔히 관측되는 유기물 분해에 따른 전자수용체의 순차적 반응에 대해 반응억제항이 아닌 열역학적 고려를 통한 기술을 가능하게 하였다.

4.1. 바이오매스 모델링

미생물을 반응식에 직접적으로 고려하지 않는 접근법은 미생물 군집의 빠른 성장과 같은 급격한 변화가 일어나는 환경에서는 적절하지 않을 수 있다. 또한 미생물들은 환경 변화에 따라 고체 표면으로부터 탈착한 후 유동장을 따라 이동하여 새로운 환경에 다시 부착하여 서식할 수 있다 (McDougald et al., 2012). 이러한 미생물의동적 특성을 정교하게 기술하기 위해서, 기질의 농도에영향을 미치는 기능 군집(functional group) 바이오매스의양(B)을 포함하여 시간에 따라 변화하는 기질과 바이오매스의 양을 기술하는 Equation 19이 도입되었다. 그리고유체 유동에 따른 미생물의 공간적 이동을 기술하기 위해 용질의 농도를 기술하는 식을 바이오매스에 적용한Equation 20 또한 활용되었다 (Jung & Meile, 2021; King et al., 2010). 이러한 접근법을 통해 고체 표면에 착생하는 바이오매스(sessile biomass)뿐 아니라 부유 바이오매스(planktonic biomass)에 의한 지화학적 매개 반응까지다룰 수 있다.

$$R_B=kB\frac{C}{K_m+C}$$(19)

$$\frac{\partial B}{\partial t}=-\left(u\cdot \nabla \right)B+\nabla \cdot \left(D_B\nabla B\right)+Y{R}_B$$(20)

여기서 R_B는 바이오매스에 의한 기질 반응 속도, B는 바이오매스의 밀도, D_B는 부유 미생물의 확산계수, Y는 미생물이 사용한 탄소 기질 중 바이오매스로 전환되는효율을 나타나는 이용계수(growth yield)이다. 이와 같은개념모델에서 미생물을 직접적으로 고려하는 접근법은시공간에 따라 나타나는 미생물의 분포 특성에 대한 연구를 가능하게 한다. 예를 들어, Bethke et al., (2008)은바이오매스 모델링을 통해 대수층 환경에서 미생물에 의한 유기물 분해과정에서 나타나는 철, 황산염, 메탄의 생성과 이에 따른 미생물 군집의 공간분포(zonation)를 구현한 바 있다.

4.2. 바이오필름 모델링

Equations 19, 20에서의 바이오매스에 대한 직접적 고려는 바이오필름의 성장과 구조적 특성을 고려하지 못한다는 한계가 존재한다. 최근 컴퓨터 연산능력의 향상은이러한 미생물 활동, 변화하는 환경에서 나타나는 바이오필름의 특성에 대한 수치적 연산을 가능하게 하였다.바이오필름은 시간에 따라 고체 표면에 부착(attachment)한 후 급격한 성장 단계(proliferation)와 안정화 단계(maturation)를 거쳐 다시 고체 표면에서 탈착하여 부유상태로 돌아가는 생주기를 가진다 (Fig. 4). 제한된 환경(예, 과영양상태)에서 흔히 관측되는 이러한 바이오필름의 생주기는, 실제 지중환경에서 나타나는 다양한 환경적 요소의 영향에 따라 구분되는 특성을 보일 수 있다.예를 들어, 빈영양상태의 대수층에서는 미생물의 흡착과바이오필름 생성이 저해되는 특성을 보이고 (Cunningham et al., 2007), 빠른 지하수 유동에 의한 바이오필름의 형태 변형과 바이오필름의 안정화 이전에 탈착이 일어나기도 한다 (Kurz et al., 2022). 수학적 바이오필름 모델들은 바이오필름과 자연환경에서의 복잡한 상호작용, 불균질한 바이오필름 미생물 군집 조성, 공간적 구조, 환경에서의 기능 등을 이해하기 위해 개발되어왔다 (Mattei et al., 2018). 이러한 수학적 모델들은 크게 미생물 기능 군집의 평균적 특성에 따라 바이오필름을 기술하는 연속체모델(continuum model)과 개별 미생물들이 주변 환경과상호작용한 결과로 바이오필름의 특성을 기술하는 이산형 모델(discrete model)로 구분할 수 있다 (Fig. 5).

Figure 4. Schematic representation of biofilm growth in pore space. (a) Flow dynamics in pore spaces with biofilm growth. The light blue areas represent pore spaces, and the arrows indicate fluid flow directions. (b) Microbial life cycle and biofilm development stages (modified from McDougald et al. (2012)).

Figure 5. Conceptual representation of biofilm modeling approaches: (a) the continuum model, (b) the individual-based model, and (c) the cellular automation model. The different colors in (b) and (c) denote different microbial species. The varying shades in (c) represent differences in biomass density within each grid cell (modified from (Mattei et al., 2018)).

초기의 연속체 모델은 1차원의 바이오필름 수치 모형을 통해 액체상의 용존 물질이 바이오필름 내부로 확산되어 소비되고, 대사 생성물이 다시 액상으로 확산되는과정을 모사하였다 (Williamson & McCarty, 1976). 이러한 초기의 개념 모형에서 발전하여 이후 1차원의 바이오필름에 관한 수학적 모델들은 실제 바이오필름에서 관측되는 복잡한 현상들, 예를 들어 다종의 미생물(multispecies)로 구성된 바이오필름에 관한 모형 (D’Acunto & Frunzo, 2011), 시간에 따라 변화하는 환경에서 다종 미생물 바이오필름의 진화(Rittmann et al., 2002), 외부 스트레스 요인에 따른 바이오필름의 탈착 현상 (Abbas et al., 2012),등을 기술하는 정교한 모델들로 발전하였다. 모델의 정교화는 복잡한 바이오필름의 구조를 나타내기 위한 2차원 또는 3차원 수치모형의 발전으로도 이어졌다(Fig. 5a).확산에 의해 영양물질이 공급되는 조건에서 바이오필름의 성장을 계산하기 위해 바이오매스의 밀도차에 의한확산 (Eberl et al., 2001) 또는 바이오필름 내부에서 발생하는 압력을 해소하기 위한 이류 모델(Klapper & Dockery, 2002)등이 제안되었다. 해당 수치모델들은 1차원 모델에서 가정하는 평평한 필름형태의 바이오필름이 아닌 실제3차원 공간에서 관측되는 버섯 모양의 불균질한 구조를재생산하였다. 바이오필름의 구조는 외부 스트레스 요소에 의해서도 크게 영향을 받는다. Tsagkari et al., (2022)는 연속체 모형을 이용하여 유체 유동 조건에서 나타나는 역학적 힘(전단응력)에 따라 마모(erosion) 또는 탈리(sloughing)에 의한 바이오필름 탈착에 대한 개념 모델을제안하였다.

바이오필름 모델링에 사용되는 다른 접근법인 이산형모델은 다시 개체 기반 모델(individual-based model, IbM)과 셀룰러 오토마톤 (cellular automaton, CA) 모형으로나눌 수 있다(Figs. 5b and 5c). IbM은 바이오필름 내 개별 미생물 개체들을 다루는 접근법으로, 바이오필름을 개별 미생물 활동의 결과로서 기술한다(Fig. 5b) (Railsback & Grimm, 2011). 여기서 개별 미생물은 공간적 위치, 해당 위치 미생물의 이동 방향과 속도, 그리고 미생물들의생존 전략(영양분 획득의 최대화, 역학적 스트레스의 최소화 등)등과 같은 매우 구체적인 물리화학적 정보를 통해 기술된다 (Jayathilake et al., 2017). 따라서 IbM은 바이오필름 내 불균질한 미생물 군집의 환경과의 상호작용에 대한 정교한 접근을 통해 연속체 모형으로는 얻을 수없는 바이오필름의 특성 연구를 가능하게 한다. 예를 들어 Xavier et al., (2005)은 IbM을 이용하여 바이오필름내에서 나타나는 다종 미생물의 시공간적 진화특성에 대한 연구를 수행하였다. 신호분자 물질의 농도에 따라 미생물 군집의 행동을 조절하는 쿼럼센싱(quorum sensing)과 관련하여, Fozard et al., (2012)는 서로 다른 쿼럼센싱민감도를 가진 독성 미생물들의 표현형 발현 억제의 핵심 요소로 쿼럼센싱 억제제의 투여 시점을 제시하였다.연산량이 매우 높고 개별 미생물 활동을 관측하기 어려워수치모형의 검증이 어렵다는 점들로 인해 IbM을 이용한연구는 다른 기법들에 비해 상대적으로 작은 규모에서나타나는 바이오필름의 특성에 대해 이루어지고 있다. 하지만 다양한 관측 기법과 컴퓨터 연산 능력의 향상, 그리고 BacSim (Kreft et al., 1998), BSim (Gorochowski et al., 2012), iDynoMiCS (Lardon et al., 2011) 등과 같은오픈소스 모델들의 등장으로 IbM의 적용 사례가 증가하는 추세이다.

존 콘웨이의 생명 게임(game of life)에서 제안된 CA기법은 바이오매스의 성장과 공간적 확장을 연산하기 위한 주요 수치연산 기법으로 사용된다 (Mattei et al., 2018).고체, 유체, 또는 바이오필름으로 이루어진 수치모형의공간에서 CA 기법은 바이오필름의 성장으로 사전에 정의된 최대 한계치를 넘어서는 바이오매스(excess biomass)를 주변 격자셀들과의 상호작용을 통해 재배치한다(Fig. 5c)(Pizarro et al., 2001). 바이오매스의 공간적 재배치는 한계치(B_max)를 초과한 격자 셀 내 총 바이오매스의 양(B_T)을 절반으로 나누어 생성된 딸세포들(0.5B_T, daughter cells)을 재배치하거나 (Picioreanu et al., 1998; Tang et al., 2013), 한계치를 초과한 바이오매스(B_T - B_max)만을 재배치하는 방법이 주로 사용된다 (Jung & Meile, 2021; Knutson et al., 2005). 첫 번째 접근법은 두 번째 방법에 비해 바이오매스의 재배치가 일어나는 빈도수가 낮기 때문에 계산에 소요되는 시간을 크게 줄일 수 있지만, 바이오필름내에 다종의 미생물이 존재하는 경우 과도한 공간적 재배치가 나타난다는 문제점이 있다 (Tang & Valocchi, 2013).임계치 이상의 바이오매스 성장이 일어난 격자공간의 인접 격자공간에 빈 공간이 있을 경우 딸세포는 임의로 선택된 해당 격자공간에 재배치된다. 만약 여러 개의 빈 격자공간이 있을 때에는 하나의 격자공간이 무작위로 선택된다. 만약 모든 인접 격자공간이 바이오매스로 가득 차있을 경우 현재 위치로부터 가장 가까운 격자공간으로딸세포의 재배치가 이루어진다 (Picioreanu et al., 1998).바이오매스의 성장(growth)과 확장(spreading)을 모사하는CA는 주로 흔히 운송을 기술하는 미분방정식과 연계하여 다양한 환경에서 바이오필름이 매개하는 생화학적 반응을 모사하는데 사용된다 (Jung & Meile, 2021; Tang et al., 2015).

많은 바이오필름 모델들은 유체 유동과 바이오필름이형성되는 표면 조건이 이상적으로 통제된 실험실 환경에서 이루어진 관측들을 주로 기술해왔다. 하지만 토양, 지하수 등 불균질한 지질매체의 공극 규모에서 나타나는유체 유동과 용질 운송을 다루는 수치모델들의 발전(Meakin & Tartakovsky, 2009)과 미세유체실험(microfluidics),공초점현미경(confocal microscope), PIV (particle image velocimetry), micro-CT 등과 같은 실험기법들의 발전(Aufrecht et al., 2019; Carrel et al., 2018)은 불균질한 지중환경에서 공극 규모에서 나타나는 미생물이 매개하는생지구화학 반응들에 대한 연구를 가능하게 하였다. 예를 들어 King et al., (2010)은 일정 속도 이상의 유속이있을 때 다공성 매체 공극의 구조와 바이오매스 분포가중요해진다는 것을, Stolpovsky et al., (2012)은 다공성 매체의 불균질한 공극 크기가 바이오필름의 불균질한 공간분포를 야기하여 다양한 미생물 종들의 공존을 가능하게한다는 결과를, Gharasoo et al., (2014)는 박테리아의 주화성(chemotaxis)이 균질한 공극 분포 환경에서도 공간적으로 불균질한 미생물 분포를 야기한다는 것을 보였다.공극 규모의 불균질성이 거시규모 매개변수에 미치는 영향에 대한 업스케일링(upscaling)은 공극규모 바이오필름의 또다른 주요 연구 주제이다. Peszynska et al., (2016)는 공극 규모의 수치 모델링을 이용하여 바이오필름 성장에 따라 감소하는 수리전도도(hydraulic conductivity)를추정하였다. Heße et al., (2009)는 모노드 반응속도 식을활용한 단일 공극 내 생지구화학적 반응의 업스케일링은유체의 유동 속도 및 미생물 반응 속도를 고려해야 함을보였다. Jung and Meile, (2019)은 미생물의 불균질한 공간 분포에 비해 유체의 유동 및 반응 속도가 업스케일링에 있어 더욱 중요한 요소라는 것을 보였다.

바이오필름의 성장으로 나타나는 바이오클로깅(Fig. 4a)은 다공성 지질매체에서 미생물이 유체 유동 및 용질 운송을 방해하는 중요한 현상이다(Baveye et al., 1998). 지질매체에서 바이오필름은 공극의 구조적 특성을 변화시켜 지질매체 내 유체 유동 및 용질 운송의 특성들(수리전도도, 유효확산계수, 분산계수, 흡착 등)에 큰 영향을 미친다. 특히 투수성이 낮은 바이오필름이 공극을 차지함에 따라 지질매체의 투수성을 1,000~10,000배 가량 감소시키는 현상은 오염물질정화, 지하수 인공함양, 석유회수등에 악영향을 미치기도 한다 (Komlos et al., 2004). 이러한 바이오필름에 의한 다공성 매체의 투수성 감소 현상을 정량적으로 이해하기 위해 공극 규모의 수치모형을이용한 다양한 연구들이 수행되었다. Ezeuko et al., (2011)은 실험적으로 관측된 투수성감소를 PNM 기법을 이용하여 성공적으로 구현하였고, Pintelon et al., (2009)는 바이오필름에 의한 투수성 감소를 이용하여 오염물질의 누출을 방지할 수 있는 최적의 조건을 모델링을 통해 제안하였다. LBM을 이용한 Pintelon et al., (2012)의 연구는저투수성의 바이오필름을 통한 용질 운송이 바이오필름의 공간 분포 특성에 미치는 영향을 평가하였다. Qin and Hassanizadeh, (2015)은 PNM을 이용하여 바이오필름의형태와 투수성이 바이오필름의 성장에 미치는 영향에 대한 연구를 수행하였고, 여기서 공극률과 투수성에 명확한 상관관계가 존재하지 않는다는 것을 보였다. Jung and Meile (2021)은 LBM을 이용하여 투수성-공극률 상관관계에 널리 사용되는 코제니-카르만(Kozeny-Carman) 방정식이 바이오필름 성장에 따라 나타나는 클로깅(clogging)현상을 적절히 기술하지 못한다는 것을 밝혔다. Hassannayebi et al. (2021)는 미세유체실험 결과를 수치모형으로 해석하여 바이오필름의 성장으로 인한 투수성-공극률 상관관계를 연구하였다. Perez et al. (2022) 또한 미세유체실험과 수치모형을 이용하여 바이오필름이 용질의 이동성에미치는 영향을 연구하였으며, 바이오필름의 낮은 투수성으로 인해 용질은 주로 확산을 통해 이동함을 밝혔다. Wang et al. (2023)은 공극 규모와 REV(representative elementary volume)규모 간의 업스케일링 연구를 수행하였으며, 바이오클로깅으로 인해 공극 구조가 완전히 막히는 시간이선형적으로 증가함을 보였다.

4.3. 유전정보 기반 대사 모델링

바이오필름 성장을 수치화하는데 있어서 가장 널리 사용되는 반응속도법칙은 모노드 반응속도론이다 (Jin & Bethke, 2003). 하지만 모노드 식의 적용을 위해서는 최대반응속도와 평형상수 등의 매개변수에 대한 추정이 필요하다. 특히 실제 자연환경에서 나타나는 복잡한 산화-환원 반응들의 속도를 나타내기 위해서는 다양한 화학물질의 변환과정에 기여하는 개별 화학반응들에 대한 매개변수화가 필요하다 (Meile & Scheibe, 2019). 일반적으로매개변수들은 통제된 환경에서 경험적으로 얻어지는데이러한 경험적 매개변수들은 연구의 규모(scale)나 환경조건에 따라 달라져 적용성이 떨어진다는 한계점이 있다(Craven et al., 2013).

모노드 반응속도론이 가지는 한계점을 극복할 수 있는새로운 방법으로 미생물의 분자생물학적 정보들, 즉 오믹스(Omics; genomics, transcriptomics, metabolomics)를이용하여 다양한 환경에서 나타나는 미생물의 대사작용을 계산하는 GEMs(Genome-scale metabolic models)기법이 제안되었다 (Orth et al., 2010). GEMs는 유전체학(genomics) 데이터에서 추출한 기초 대사 정보에 전사체학(transcriptomics) 데이터를 통합하여 특정 환경 조건에서활성화되는 대사 경로를 예측하고, 대사체학(metabolomics)데이터를 통해 GEM을 검증하는 멀티오믹스 기반 시뮬레이션 도구이다 (Francke et al., 2005). 오믹스 정보를통해 구축한 GEMs는 수천개의 반응물질과 그 보다 더많은 반응식으로 구성된 거대한 행렬로, 식보다 미지수가 더 많아 유일한 해가 존재하지 않는다는 특성이 있다.따라서 주어진 환경에서 GEMs의 해(solution)는 보통 최대의 바이오매스 또는 ATP(adenosine triphosphate)을 생산하는 대사작용이 일어난다는 가정을 이용하여 찾는다.이러한 선형최적화(linear optimization)기법을 이용하여최적해를 찾는 방식인 흐름분석기법(flux balance analysis, FBA)을 통하여 변화하는 환경 조건에 적응하는 미생물의 대사작용에 대한 정량 정보를 획득할 수 있다 (Orth et al., 2010). 대사유동도와 흐름분석기법을 단종 미생물뿐 아니라 다종 미생물의 기능 군집(functional group)에 적용하여 환경에서 다종 미생물의 대사작용에 대한 연구를 수행하는 균유전체학적(metagenomics) 연구 또한 수행되고 있다 (De Bernardini et al., 2022). 일반적인 GEMs기반의 FBA는 정적 상태(steady-state)를 가정하여 대사네트워크를 분석하는데, 이는 시간과 환경 변화에 따른미생물의 대사 변화를 설명할 수 없다는 한계가 있다. 이러한 한계를 극복하기 위해 Mahadevan et al., (2002)은 특정 시점에서의 FBA 결과를 기반으로 다음 시점의 물질 대사를 계산하여 대사산물과 기질 농도를 변경하는동적흐름분석(dynamic flux balance analysis, dFBA)기법을 제안하였다.

지질매체 내 유체 유동과 생지구화학 반응에 따라 동적으로 변화하는 환경을 모사하는 반응성 운송 모델링은dFBA기법을 활용하여 물질 운송과 GEMs를 연계한다(Fig. 6). GEMs를 반응성 운송 모형과 결합하여 우라늄으로 오염된 환경에서 나타나는 Geobacter sulfurreducens의 대사작용에 대한 연구를 수행한 Scheibe et al., (2009)의 연구는 매개변수 추정 없이 실측되는 아세테이트(acetate)와 우라늄의 농도 변화를 성공적으로 재생산해내었다. 또한 Tartakovsky et al., (2013)는 미생물과 환경의 상호작용이 실제로 일어나는 공극 규모에 GEMs를 적용한 결과, 보정된 매개변수를 이용한 모노드 반응식과매우 유사한 대사 물질들의 농도 변화 연산 결과를 계산해 낸다는 것을 보였다. 이처럼 주변 환경과의 상호작용에 따른 미생물 대사작용을 계산하는 다양한 반응성 운송 모형 플랫폼들 또한 제안되었다. 먼저 Harcombe et al., (2014)는 시공간적으로 변동하는 영양물질의 농도 및바이오매스의 변화에 대한 연산을 수행하는 모델링 플랫폼 COMETS(https://www.runcomets.org/)을 제안하였다.여기서 제안된 미생물의 용질 흡수량(uptake) 계산은 바이오매스 양이 증가함에 따라 이용 가능한 용질보다 더높은 용질을 흡수하는 물리적으로 불가능한 연산 결과로이어지는 경우가 종종 발생한다. 이러한 문제점을 해결하기 위해 Borer et al., (2019)는 공극 구조에서 미생물의 공간 분포와 확산에 의한 용질 운송을 GEMs와 결합한 최초의 공극 규모 반응성 운송 모델인 IndiMeSH를제안하였다. IndiMeSH는 바이오매스의 총량을 기반으로단위 바이오매스가 최대로 이용 가능한 용질 흡수량을선형적으로 계산하였고 Harcombe et al. (2014)와 유사한결과를 얻었다. 이후 Jung et al., (2023)은 LBM기반의반응성 운송 모델과 GEMs를 통합하여 확산에 의한 용질 운송만 가능한 IndiMeSH의 한계를 넘어 불균질한 공극 구조에서 나타나는 이류 현상까지 다룰 수 있는 모델링 플랫폼을 제안하였다. 불균질한 공간에서 물질의 운송에 따른 대사작용의 변동을 예측하는 COMETS,IndiMeSH, CompLaB 플랫폼은 모두 모노드 방정식으로는 예측이 어려운 대사물질 교환을 통한 이종 미생물간공생관계(E. coli K12 and S. enterica LT2)를 성공적으로모사하여 GEMs를 결합한 반응성 운송 모델이 변화하는환경에 적응하는 미생물의 대사작용을 성공적으로 재현할 수 있다는 것을 보여주었다.

Figure 6. Schematic representation of a reactive transport integrating metabolism modeling with omics-based microbial metabolic processes.

대사작용 모델링에 있어 최근 이루어진 급격한 발전에도 불구하고 GEMs를 통합하는 반응성 운송 모델링에는몇 가지 한계점이 남아있다. 미생물 대사모형을 반응성운송 모형과 연계시키는 과정의 가장 큰 난점은 매 타임스텝마다 대사모형의 해를 찾는 과정으로 인해 연산시간이 매우 높다는 점이다. 이러한 한계를 해결하고자 연산량을 줄이는 다양한 연구들이 수행되어왔다. Fang et al.,(2011)과 Scheibe et al., (2009)은 일정한 대사물질의 농도 범위에서 사전에 연산된 결과를 정리한 순람표(lookup table)를 반응성 운송 모형과 연계하는 방식을 택하였다. Borer et al., (2019)는 반응성 운송 모형을 위한 흐름균형분석이 미생물 전체 대사모델 중 일부만을 주로 사용한다는 점을 이용하여 미생물 전체의 대사모델에서 필수적인 정보만으로 구성된 축소된 대사모형(reduced GEMs)을 사용하였다. Jung et al., (2023)은 인공신경망(artificial neural network) 기반의 대리모형(surrogate model) 기법을 통해 FBA연산에 있어 연산 효율을 100배 이상 향상시켰다. 하지만 대리모형의 경우 미생물이 경험하는 환경변화의 범위를 사전에 알고 있어야 한다는 점과 대리모형의 학습에 많은 시간이 소요된다는 한계점 또한 존재한다. 이러한 연산 효율성 확보를 통해 향후 실제 지중환경에서 GEMs를 결합한 RTMs 적용 연구가 더욱 활발하게 이루어질 수 있을 것으로 기대된다.

이와 더불어 현재 GEMs 모델링은 단일 시점에서 획득한 오믹스 정보를 기반으로 이루어져 있어 환경 변화에 따른 대사 경로의 동적 반응을 평가하는 기능이 제한적이라는 한계 또한 존재한다. 가장 널리 활용되는 오픈소스 모델링 플랫폼인 KBase (https://kbase.us/)와 COBRA (https://opencobra.github.io/) 또한 시계열 데이터를 처리하거나 분석하는 모듈이 한정적이다. 또한 실제 환경의생지구화학적 반응 특성을 결정하는데 매우 중요한 pH,산화환원 상태와 같은 수리지구화학적 데이터와의 연계모델링 또한 이루어지지 못하고 있다. 향후 GEMs 모델링과 관련된 연구들은 PHREEQC와 같은 수리지구화학모델링 플랫폼과의 연계성을 강화하고(Rubinstein et al., 2022), 시간에 따른 멀티오믹스 데이터 통합 파이프라인을 개발하여 환경적 요소 반영을 강화하고 시계열적 통합의 한계점을 극복할 수 있을 것으로 기대된다.

본 리뷰 논문에서는 공극 규모에서 나타나는 유체 유동과 용질 운송을 모사하기 위해 주로 사용되는 세 가지의 수치모형기법들(DNS, LBM, PNM)과 미생물 매개 지화학 반응 모델링의 연구 동향을 검토하였다. 컴퓨터 연산 능력의 향상은 복잡한 바이오필름의 3차원 구조, 외부 스트레스에 따른 바이오매스의 흡착과 탈착, 바이오필름 내 다종 미생물들의 경쟁과 협력 같은 다양한 미생물 활동을 더욱 정교하게 모사하는 수치모형들의 발전으로 이어졌다. 특히 공극 규모의 유체 유동 및 용질 운송과 결합된 바이오필름 수치 모형 연구는, 불투수성 또는투수성이 낮은 바이오필름의 특성에 주목하여 바이오필름의 성장에 따라 나타나는 유체의 유동장(flow field)변화에 대한 정량적 이해의 시도와 공극 및 미생물 분포의공간적 불균질성이 오염물질의 저감 효율에 미치는 영향대한 연구들로 이어졌다. 주로 통제된 환경조건에서 수행되었던 미생물 연구와 불균질하게 변화하는 지하수·토양환경에서의 연구를 통합하는 역할을 하는 공극 규모의반응성 운송 모형은 지중 환경에서 미생물과 주변 환경과의 상호작용에 대한 정량적인 이해를 증진시키고 나아가 환경 변동과 그 영향에 대한 수치모형의 정확성 향상에 기여한다.

또한 공극 규모의 미생물 활동에 관한 연구는 전통적으로 사용되어온 거시규모적 접근법에서 중요하게 다루어지지 않았던 미생물 및 바이오필름의 특성에 대한 추가적인 연구의 필요성을 드러낸다. 예를 들어, 성장 특성에 따라 공극 구조와 투수성을 가지는 바이오필름의 형태 및 물질 확산 속도를 반영한 모델링 연구(Billings et al., 2015)는 바이오클로깅 현상을 보다 정밀하게 이해하는데 핵심적인 역할을 할 것이다. 또한, 균유전체(metagenomics)정보와 환경 데이터를 통합하는 기법은 단순화된 실험실 조건에서 소수 종 미생물의 상호작용을넘어, 실제 자연환경에서 발생하는 생지구화학적 과정들을 탐구하는 새로운 가능성을 열어줄 것으로 기대된다(Rubinstein et al., 2022). 아울러, 미생물의 분류학적 정보를 넘어, 실제 환경에서의 역할에 초점을 맞춘 특질 기반 모델링(trait-based modeling) 기법은 생지구화학적 과정이 변화하는 환경에서 미생물의 작용을 평가하고, 환경 진화를 예측하는 새로운 방법으로 주목된다(Litchman & Klausmeier, 2008). 이 밖에도, 미생물 대사모형은 실험실 환경에서 배양하지 못하는 미생물들의 유전정보를이용하여 해당 미생물들의 대사작용이 실제 환경에서 관측되는 결과에 미치는 영향에 대한 새로운 이해와 모노드 반응속도론과 같은 단순화된 접근법으로는 어려웠던다종 미생물 간의 상호작용에 대한 정밀한 연구를 가능하게 할 것으로 기대된다.

본 연구는 충남대학교의 학술 연구비 지원을 통해 수행되었다.