서 론
재료 및 방법
공시재료
제분방법
종자 물리적 특성 측정
근적외선 분광분석을 이용한 단백질 및 수분 함량 측정
침전가(SDS-sedimentation volume) 측정
아밀로스 함량 분석
회분 함량 분석
입도 크기 분석
랜덤 포레스트(Random Forest) 회귀 모델
변수 중요도 및 부분 의존도 분석
통계분석
결과 및 고찰
제분율과 주요 종자 형질 간의 관계
주성분 분석(PCA)을 통한 제분 관련 형질 간 관계
제분율 예측 모델의 적합도 및 주요 결정 요인
품종별 제분 관련 형질의 군집화와 결정 요인 분석
경도 구간별 제분율 변화 분석
적 요
서 론
밀(Triticum aestivum L.)은 인구 증가와 급격한 기후변화로 인한 식량부족이라는 국제적 상황에서 전 세계 식량안보에 가장 중요한 역할을 수행하는 작물로 보고되어 왔다(Bohra et al., 2024; Shewry & Hey, 2015; Shiferaw et al., 2013). 특히 밀가루 생산 공정의 효율성과 제품의 산업적 가치는 원곡 대비 회수되는 밀가루의 비율로 정의되는 제분율(milling yield)에 의해 크게 좌우된다. 제분율은 곡물의 경제성과 밀가루 산업 전반의 수익성을 결정짓는 핵심 품질 지표로 인식되어 왔으며(Barroso Lopes et al., 2022; Sakhare & Inamdar, 2014), 제분공정에서의 겨층(bran) 및 배아(germ)의 제거 효율과 배유(endosperm) 회수율을 직접적으로 반영하는 지표로 사용되어 왔다(Sakhare & Inamdar, 2014).
제분율과 밀가루의 품질은 종자의 물리·화학적 형질과 제분공정 변수가 복합적으로 작용하여 결정된다. 제분 분획별 회분 질량 변화를 기반으로 하는 누적 회분곡선(cumulative ash curve)은 배유 비율 및 외피 혼입 정도를 추정할 수 있는 정량적 측정법으로서, 제분 적성 분석의 대표적 도구로 확립되어 왔다(Sakhare & Inamdar, 2014). 이러한 접근은 동일한 제분공정하에서도 종자 특성에 따라 제분율의 차이를 일으킬 수 있음을 뒷받침한다.
종자 경도(grain hardness)는 제분율과 연관성이 가장 높은 형질 중 하나로 여러 연구에서 반복적으로 보고되었다(Choy et al., 2015; Sakhare & Inamdar, 2014). 일반적으로 종자 경도가 높은 품종에서는 분쇄 시 입자의 미세화(finer particle size)가 용이하고 배유(endosperm)와 겨층(bran) 간 분리가 효율적이어서 제분율이 높게 나오는 경향이 관찰되었다. 다만, 일부 품종이나 재배 조건에서는 경도가 지나치게 높아 파쇄 과정에서 입자 손상이나 응집체 형성 등이 증가하여 제분율이 오히려 저하될 수 있다는 보고도 있다(Dziki et al., 2024).
종자의 경도는 puroindoline 단백질 유전자(PinA, PinB)의 변이에 의해 주로 결정되는 것으로 알려져 있다(Chen et al., 2006; Morris, 2002). 기능적 PinA와 PinB 단백질이 모두 정상적으로 발현될 경우, 단백질–전분 표면 간 상호작용이 억제되어 배유가 상대적으로 부드럽게 유지된다. 반면, PinA 유전자의 결실 또는 변이에 의해 전분 표면의 친화성이 변화하면, 단백질 결합을 약화시켜 종자 경도가 현저히 증가하는 분자적 기작을 보인다(Chen et al., 2006). 이러한 Puroindoline 단백질 기반의 유전변이가 SKCS 지표(Single Kernel Characterization System), 제분율, 밀가루 입도 구성 및 가공 적성과 유의한 연관성을 나타내는 것으로 보고되었다(Chen et al., 2006; Morris, 2002; Tanaka et al., 2008).
또한 천립중(thousand-kernel weight, TKW), 종자 크기와 모양, 배유가 차지하는 비율도 분쇄 과정에서 만들어지는 입자의 크기(particle size index, PSI)와 체를 통과하는 분리 효율 등에 영향을 주는 중요한 물리적 요인으로 보고되어 왔다(Tian et al., 2022). 단백질과 회분 함량은 밀가루의 화학적 특성과 밀가루로 전환되는 조직의 비율을 반영하기 때문에, 제분 적성(milling performance)과 유의하게 연관된 지표로 널리 활용되어 왔다(Khalid et al., 2023).
그러나 이러한 개별 특성만으로는 제분율 변화를 충분히 설명하기 어렵다. 품종이 지닌 유전적 특성과 재배 환경, 수확 후 수분 상태, 제분 장비와 설비 조건 등 여러 요인이 함께 영향을 미치는 복합 특성으로 연구되어 왔다(Shewry & Hey, 2015). 최근 농업과 식품공학 분야에서는 이러한 복합성 문제를 해결하기 위한 접근으로서 기계학습(machine learning, ML) 기반 분석이 빠르게 확산되고 있다. 기계학습은 변수 간 비선형 관계 및 높은 상관구조를 포착할 수 있으며, 예측 성능뿐 아니라 변수 중요도 분석을 통해 형질 간 기능적 관계를 규명할 수 있다는 장점을 지닌다(Chen & Guestrin, 2016). 특히 랜덤 포레스트(Random Forest, RF) 기반 예측모델은 안정성과 해석성이 우수하다는 평가를 바탕으로 작물 수량예측, 품질예측 연구에서 광범위하게 활용되고 있다(Dhillon et al., 2023; Benos et al., 2021). 또한 곡류의 건조 공정, 분획 효율, 저장 안정성 평가 등 다양한 가공 적성 연구에서도 적용 사례가 증가하고 있다(Przybył et al., 2023).
국내 밀 산업에서는 아직까지 제분율 예측을 위한 기계학습 기반 연구가 극히 제한적이다. 기존 연구는 주로 품종의 외관 특성이나 단백질 함량 등 단일 품질지표에 머물러 왔다(Kang et al., 2015; Kim et al., 2023). 그러나 제분율은 단일 형질이 아닌 복수의 물리·화학적 요인들이 복합적으로 작용하는 특성으로 알려져 있다. 특히 국내 밀의 제분 품질은 품종 간 차이뿐 아니라 재배 환경 변화에 따라 크게 달라지므로, 공정 표준화와 품질 예측이 어려운 실정이다. 이러한 문제를 해결하기 위해서는 데이터 기반 예측 모델을 활용한 품종 선발 및 재배 관리 체계의 고도화가 필요하다.
이에 본 연구에서는 국내 주요 밀 품종을 대상으로 종자 형질 데이터를 체계적으로 수집하고 랜덤 포레스트 모델을 기반으로 제분율 예측모델을 구축하고자 하였다. 또한 변수 중요도 분석을 활용하여 제분 적성과 유의적으로 연관된 주요 종자 형질을 규명하고, 이를 품종 선발 및 가공적성 평가에 활용 가능한 선별지표로 제시하고자 한다. 본 연구는 제분 적성과 연관된 핵심 형질을 기반으로 예측 정확도를 향상시켜, 우수 제분 적성 밀 유전자원의 조기 선발과 정밀육종 전략 수립에 기여할 수 있을 것으로 기대된다.
재료 및 방법
공시재료
본 연구에는 국내에서 육성된 밀 품종 45종을 공시하였다. 공시 재료는 2021년부터 2024년까지 4년간 농촌진흥청 국립식량과학원 기초식량작물부 맥류작물과 전작 포장에서 재배된 원맥을 사용하였다. 재배는 세조파 방식으로 수행하였으며, 휴폭 25 cm, 파폭 5 cm, 휴장 4 m의 재식 밀도로 파종하였다. 시비와 병해충 방제 및 기타 재배 관리는 농촌진흥청 표준재배법(2012)에 준하여 수행하였다. 출수 후 50일에 수확된 원맥을 탈곡하여 수분 함량이 12% 이하가 되도록 자연 건조한 후 2.0 mm 체를 이용해 정선한 건전립을 시료로 사용하였다.
제분방법
정선된 시료는 표준 템퍼링 과정을 수행하여 시료의 수분 함량을 15%로 조정하였으며, 조정 후 12시간 이상 밀폐 용기에서 수분이 균일하게 평형되도록 하였다. 수분이 조정된 시료는 Bühler 시험제분기(Bühler Laboratory Mill, MLU- 202, Bühler AG, Switzerland)를 이용하여 제분하였다. 제분 공정은 AACC International Approved Method 26-31.01 (AACC, 2000)에 준하여 수행하였다.
본 장비는 6단계의 제분 롤러 시스템(break roll 3회, reduction roll 3회)으로 구성되어 있으며, 각 단계에서 생성된 스트림(stream)은 체(sifter)를 통해 구분 후 채취하였다. 제분 과정 중 생성된 제분 스트림은 break flour, reduction flour, bran, shorts로 분류하였으며, 이 중 밀가루 분획(fraction)을 수집하여 분석에 사용하였다. 제분 후 채취된 밀가루의 총 중량을 원맥 투입량 대비 백분율로 환산하여 제분율(milling yield, %)을 산출하였다.
종자 물리적 특성 측정
정선된 건전립을 대상으로 종자 단위의 물리적 특성(무게, 직경, 종자 경도)을 측정하였다. 측정에는 Single Kernel Characterization System (SKCS 4100; Perten Instruments, Springfield, IL, USA)을 사용하였으며, AACC International Approved Method 55-31.01 (AACC, 2000)에 따라 수행하였다. 각 품종별 시료에서 무작위로 선별한 300립을 2회 측정하여 분석에 이용하였으며, 장비에 자동 공급 후 개별 종자의 무게(weight, mg), 직경(diameter, mm), 종자 경도(hardness index, SKCS units)를 자동 측정하였다. 종자 경도값은 SKCS 장비가 개별 종자를 압축하는 과정에서 측정한 파쇄 저항의 최대 힘 신호를 기반으로 산출된 무단위 지수를 의미한다. 본 지수는 압력이나 물리적 힘의 절대 단위가 아니라, 장비 내 알고리즘에 의해 정규화된 상대적 경도값이다. 측정 후 이상치를 제외한 모든 개체값의 평균을 각 품종의 대표값으로 사용하였다. 분석 결과는 품종 간 물리적 특성의 변이 평가 및 제분율 예측 모델 구축에 활용하였다.
근적외선 분광분석을 이용한 단백질 및 수분 함량 측정
정선된 건전립을 대상으로 근적외선 분광분석기(NIR Analyzer; MPA, Bruker Optics, Germany)를 이용하여 원맥 상태에서 단백질 및 수분 함량을 측정하였다(Kim et al., 2016). 시료 약 3 g(또는 50립)을 측정용 셀에 담아 장비의 광 측정 위치에 올려놓고, 파장 범위(800–2,500 nm) 구간에서 반사 스펙트럼을 3회 반복 측정하였다. 측정된 스펙트럼은 장비 내장 소프트웨어(OPUS, Bruker Optics)를 이용하여 평균화 하였다. 스펙트럼에서 신호대비잡음비(signal-to-noise ratio)가 기준 이하로 감소하거나, 검출기 포화(saturation), 베이스라인 드리프트(baseline drift), 과도한 산란(scattering) 등이 나타나 품질지수(Quality Index)가 기준 미만으로 떨어진 경우 해당 스펙트럼을 불량 스펙트럼으로 판정하여 분석에서 제외하였다.
침전가(SDS-sedimentation volume) 측정
SDS 침전가는 AACC International Approved Method 56-70.01 (AACC, 2000)에 따라 측정하였다. 시료 1.0 g을 50 mL 원심관에 넣고, 2% SDS 용액 10 mL와 젖산 용액(0.25 M lactic acid) 1 mL를 첨가하였다. 혼합액을 5분간 진탕한 뒤 실온에서 20분간 정치하여 형성된 침전 부피(mL)를 기록하고 2회 반복하여 평균값을 사용하였다.
아밀로스 함량 분석
전분의 아밀로스 함량은 AACC Method 61-03.01 (AACC, 2000)에 준하여 요오드 착색법(iodine colorimetric method)을 이용해 정량 하였다. 탈지된 밀가루 시료 100 mg을 95% 에탄올 1 mL과 1 N NaOH 9 mL에 혼합하여 가열 용해시킨 후, 냉각시켜 증류수로 100 mL까지 정용하였다. 시료 용액 5 mL에 요오드-요오드화칼륨 용액을 첨가한 뒤, 620 nm에서 흡광도를 측정하였다. 표준 아밀로스 용액으로 작성한 검량곡선을 이용하여 아밀로스 함량(%)을 계산하고 2회 반복하여 평균값을 사용하였다.
회분 함량 분석
회분 함량은 AACC Method 08-01.01 (AACC, 2000)에 따라 측정하였다. 건조한 시료 약 3 g을 도가니에 정밀히 달아 550°C 전기로에서 6시간 동안 완전 연소시켰다. 냉각 후 무게를 측정하여 시료 중 무기질 잔류물의 비율(%)을 산출하고 3회 반복하여 평균값을 사용하였다.
입도 크기 분석
입자 크기 분포는 AACC International Approved Method 55-30.01 (AACC, 2000)을 참고하여 Beckman Coulter LS 13 320 Laser Diffraction Particle Size Analyzer (Beckman Coulter Inc, USA)를 이용하여 측정하였다. 건조된 시료 약 3 g을 100 mesh 체로 거른 후 분석기에 투입하였으며, 굴절률(refractive index)은 밀 전분 기준값(1.52)을 적용하였다. 시료는 분산매체로 증류수를 사용하였고, 초음파 세척(ultrasonic dispersion)을 30초간 실시하여 응집 입자를 분산시킨 후 측정하고 2회 반복하여 평균값을 사용하였다.
랜덤 포레스트(Random Forest) 회귀 모델
제분율을 종속변수로 설정하고, 모든 수치형 변수를 설명변수로 포함한 랜덤 포레스트 회귀 모델을 구축하였다. 분석은 R (R Core Team, 2024, 버전 4.4.1) 환경에서 randomForest 패키지를 이용하여 수행하였으며, 트리 개수(ntree)는 1,000개, 변수 샘플링 수(mtry)는 전체 독립변수 수의 제곱근으로 설정하였다. 최소 노드 크기(nodesize)는 3으로 하여 과적합을 방지하였다. 모델의 설명력은 결정계수(R2)와 평균제곱근오차(root mean square error, RMSE)를 계산하여 평가하였으며, 계산에는 Metrics 패키지를 활용하였다. 이와 같은 하이퍼파라미터 설정은 일반적으로 RF 예측 및 변수 중요도 분석에 권고되는 방식이다 (Breiman, 2001; Probst & Boulesteix, 2019).
변수 중요도 및 부분 의존도 분석
모델 학습 후 변수 중요도를 %IncMSE (Percent Increase in Mean Squared Error)지표로 산출하여 상위 주요 변수를 시각화 하였다. 또한 모델 예측에 가장 큰 영향을 미친 상위 변수를 대상으로 pdp 패키지를 이용하여 부분 의존도 그래프(partial dependence plot, PDP)를 작성하였다(Inglis et al., 2022; Greenwell, 2017). 부분 의존도 분석은 기계학습 모델에서 예측변수의 단독 효과를 시각화 하는데 특화되어 있으며, 랜덤 포레스트와 같은 비선형 모델의 해석에 널리 활용되는 도구이다(Greenwell, 2017; Friedman, 2001). 이를 통해 각 독립변수가 제분율 예측에 미치는 단독 효과를 확인하였다.
통계분석
R 소프트웨어를 이용하여 통계분석을 수행하였으며 데이터 정리와 결측치 제거는 readxl, dplyr, tidyr 패키지를 이용하여 수행하였다. 이화학적 특성 간의 상관관계는 Pearson 상관계수를 계산하여 ggplot2 패키지를 활용한 히트맵으로 시각화하였다. 주성분 분석(principal component analysis, PCA) 및 군집화는 품종 간 특성 유사성을 파악하기 위해 k-means 군집화를 적용하였으며, 최적 군집 수는 엘보(elbow) 및 실루엣(silhouette) 분석으로 결정하였다. 종자 특성과 군집 분포는 factoextra 패키지를 이용한 주성분분석(PCA)으로 분석하여 시각화하였다.
결과 및 고찰
제분율과 주요 종자 형질 간의 관계
종자의 여러 형질 중 제분율과 직접적인 관련을 보인 것은 무게(r = 0.49), 지름(r = 0.45), 종자 경도(r = 0.47), 입자 크기(PSI, r = 0.56)였다(Fig. 1). 기존 연구들에서도 종자의 경도, 크기, 천립중 등이 높을수록 배유 분리나 제분 수율이 높게 나타나는 경향이 보고된 바 있다(Choy et al., 2015; Acar et al., 2019; Wang & Fu, 2020). 이러한 결과는 제분 효율이 종자의 물리적 특성에 크게 좌우됨을 보여준다. 종자 크기가 클수록 제분율이 높아지는 경향이 있으나, 지나치게 큰 종자는 외피가 두꺼워 분쇄와 체 통과 과정이 용이하지 않아 오히려 제분율에 부정적인 영향을 미친다고 보고되었다(Wang & Fu, 2020; Tian et al., 2022). 히트맵에서 확인된 상관관계를 바탕으로 볼 때, 제분 효율은 종자의 크기와 단단함이 조화를 이루는 구간에서 상대적으로 높게 나타날 것으로 추정된다.
Fig. 1.
Pearson correlation heatmap showing pairwise relationships among wheat grain physical and flour quality traits. Each cell represents the Pearson correlation coefficient between two traits, with color intensity indicating the direction and magnitude of correlation (blue = negative, red = positive). Traits include grain weight (mg), diameter (mm), hardness index, moisture content (%), milling yield (%), ash content (%), protein content (%), SDS sedimentation volume (SDSS, ml), particle size index (PSI), and amylose content (%).
입자 크기와 회분 함량은 제분율과 양의 상관관계를 보이지만 제분이 끝난 뒤 밀가루의 상태를 평가할 때 주로 이용되는 지표로, 두 특성 모두 외피 혼입 정도와 밀가루 입자 분포를 반영한다(Sakhare & Inamdar, 2014). 이는 제분 과정중 겨층이 완전히 제거되지 않으면 밀가루에 섞이게 되고, 이로 인해 입자 크기와 회분 함량이 함께 높아지기 때문이다(Dziki et al., 2024; Cammerata et al., 2021). 따라서 입자크기와 회분 함량은 제분의 결과로 생긴 특성으로 해석하는 것이 적절하며, 제분 효율의 직접적인 원인으로 보기는 어렵다.
한편, 단백질 함량과 아밀로스 함량과 같은 화학적 형질 역시 제분 적성과 일정한 관련이 있는 것으로 알려져 있다. 앞선 연구들에서는 단백질 함량이 높을수록 글루텐 구조가 치밀해져 분쇄와 분리가 어려워지고, 그 결과 제분 수율이 낮아지는 경향이 보고되었다. 또한 아밀로스 함량이 높을수록 전분립 구조와 파쇄 특성이 달라져 제분 적성에서 차이가 나타날 수 있음이 제시되었다(Choy et al., 2015; Sakhare & Inamdar, 2014; Khalid et al., 2023). 그러나 이번 상관 분석에서는 물리적 형질에 비해 뚜렷한 관계가 나타나지 않았다(Fig. 1). 화학적 성분은 제분 효율 그 자체보다는, 제분 이후 밀가루의 가공 품질에 더 큰 영향을 미치는 것으로 알려져 있다(Moiraghi et al., 2019). 단백질 조성과 글루텐 단백질의 비율은 반죽의 탄성이나 제빵 적성과 밀접하게 관련되며(Delcour et al., 2012), 전분의 아밀로스 함량은 제분 단계보다는 반죽의 점도와 호화특성에 영향을 미치는 것으로 알려졌다(Maningat & Seib, 2010). 화학적 요인은 단독으로는 제분율을 잘 설명하지 못하지만, 다른 물리적 형질과 함께 작용할 가능성이 있으므로 이러한 상호작용은 이후 기계학습 기반의 복합 분석에서 더 정밀하게 다룰 필요가 있다.
주성분 분석(PCA)을 통한 제분 관련 형질 간 관계
밀의 주요 형질에 대해 주성분 분석을 수행한 결과, 제1주성분(Dim1)이 전체 변동의 32.3%, 제2주성분(Dim2)이 27.3%를 설명하였다(Fig. 2). 각 형질의 기여도를 분석한 결과, 종자의 무게와 크기가 동일한 축 방향에 제분율이 위치하였다. 이러한 결과는 종자의 물리적 특성이 제분율과 밀접한 연관성을 갖는 주요 변동 요인임을 시사한다. 이는 종자의 크기와 제분율 사이에 존재하는 양의 상관관계를 반영하는 것으로 보인다. 종자 경도와 침전가 또한 유사한 방향으로 분포하여, 물리적 특성과 단백질 품질 관련 지표가 함께 제분 효율에 작용할 가능성을 보여준다(Choy et al., 2015; Barrera et al., 2019).
Fig. 2.
Principal component analysis (PCA) biplot showing the contribution and relationships among wheat grain and flour quality traits. Dim1 (32.3%) and Dim2 (27.3%) together explain 59.6% of the total variance. Arrows indicate the direction and magnitude of each traits contribution to the principal components. Grain physical traits such as weight, diameter, hardness, and milling yield are aligned along Dim1, whereas moisture and amylose are oriented along Dim2, representing distinct variation in chemical traits. Protein and SDS-sedimentation volume (SDSS) are positioned at an intermediate level, suggesting that they contribute jointly with physical traits to milling performance.
반면 수분 함량과 아밀로스 함량은 동일한 방향에 위치하여, 물리적 형질과는 구별되는 독립적 변동 축을 형성하였다(Fig. 2). 이는 수분 및 전분 조성이 종자의 크기나 종자 경도와는 구별되는 요인으로 작용함을 보여주며, 이러한 화학적 특성은 별도의 변동 축에서 독립적으로 설명되는 경향을 나타낸다. 따라서 본 PCA 결과는 제분율이 주로 물리적 형질(크기, 종자 경도 등)과 함께 분산축을 공유하며, 화학적 형질(단백질, 아밀로스, 수분)은 상대적으로 독립적인 방향에 위치해 제분 적성과는 다른 측면에서 품질에 기여함을 시사한다(Hassoon et al., 2021; Filip et al., 2023). 이는 상관분석에서 나타난 물리적 형질의 높은 설명력과도 일관된 결과이다.
제분율 예측 모델의 적합도 및 주요 결정 요인
밀 종자 형질 데이터를 대상으로 구축한 랜덤 포레스트 회귀모델은 제분율 예측에 대해 높은 정확도를 보였다(Fig. 3A). 랜덤 포레스트 모델의 결정계수(R2)는 0.94, RMSE는 1.34로 나타나, 제분율 변동값의 대부분을 조사된 형질들에 의해 설명될 수 있음을 보여준다(Fig. 3A). 랜덤 포레스트에서 사용되는 %IncMSE는 변수 중요도를 평가하는 대표적인 지표로, 특정 변수를 무작위로 섞어 그 정보가 소거되었을 때 모델의 예측 오차가 얼마나 증가하는지를 백분율로 나타낸다. 이 값이 높을수록, 해당 변수가 모델이 제분율을 정확하게 예측하는 데 제공하는 정보량이 크며, 제거 시 오차가 크게 증가하기 때문에 핵심 예측 변수로 판단된다. 반대로 %IncMSE가 낮다는 것은 그 변수가 모델의 오차 감소에 기여하는 비중이 작아, 제분율 변이에 대한 설명력이 상대적으로 제한적임을 의미한다(Inglis et al., 2022). 전체 변수 중요도 분석 결과, 종자 경도가 제분율에 가장 큰 영향을 미치는 요인으로 확인되었다(Fig. 3B). 이는 앞선 상관분석(Fig. 1)에서 종자 경도와 제분율의 단순 상관계수가 종자 무게, 크기와 비슷한 중간 수준(r = 0.47)에 그쳤던 것과 다르게, 랜덤 포레스트 분석에서는 가장 높은 변수 중요도를 보여 다른 요인보다 현저히 두드러졌다. 이러한 결과는 종자 경도가 다른 물리적·화학적 형질과 함께 모델 내에서 활용되면서 상호작용 효과가 반영되고, 그 결과 예측모형에서 상대적으로 더 큰 중요도를 갖게 되었음을 시사한다. 따라서 종자 경도는 단독 효과뿐 아니라 종자의 파쇄성과 외피 분리 과정에서 다른 특성과 복합적으로 작용하는 핵심 요인으로(Choy et al., 2015; Morris, 2002), 이러한 특성이 제분율 예측에서 경도의 상대적 중요도를 더욱 높게 나타나게 한 것으로 보인다. 수분 함량과 아밀로스 함량은 상대적으로 낮은 변수 중요도를 나타냈지만 일부 연구에서는 이러한 화학적 형질이 제분율 변동과 관련될 가능성이 제기되었다. 종자 또는 템퍼링 수분은 제분 공정 중 입자 분리 효율에 직접적인 영향을 미치며, 수분 함량이 적정 수준을 초과할 경우, 제분율이 감소하는 경향을 보였다(Kweon et al., 2009; Hook et al., 1982; Parrenin et al., 2023). 또한, 전분 조성이나 세부 구조 역시 제분율에 간접적으로 작용하는 것으로 알려져 있으며, 외피에 잔존한 배유의 비율이 높거나 아라비녹산 함량이 높은 품종일수록 제분율이 낮게 나타났다(Lewko et al., 2023). 따라서 화학적 형질의 중요도가 낮게 나타난 것은 직접적인 영향이 없다는 의미라기보다는, 제분율 변이를 설명하는데 물리적 형질의 기여가 더 크게 평가되었기 때문으로 해석할 수 있다. 랜덤 포레스트는 다양한 형질을 동시에 활용하며 상호작용을 내재적으로 반영하는 모델이기 때문에, 화학적 형질이 상대적으로 낮은 중요도를 보였더라도 예측 과정에서 일부 정보로 기능했을 가능성은 충분하다.
Fig. 3.
(A) Random Forest model performance showing the relationship between observed and predicted milling yield values. The model achieved a high coefficient of determination (R2 = 0.94) and a low root mean square error (RMSE = 1.34), indicating excellent predictive accuracy for milling yield. (B) Variable importance of the Random Forest regression model based on the %IncMSE metric. Grain hardness was identified as the most influential predictor of milling yield, followed by kernel weight, diameter, and SDS-sedimentation volume (SDSS). Protein and amylose content showed moderate contributions, whereas moisture had minimal influence on prediction.
품종별 제분 관련 형질의 군집화와 결정 요인 분석
제분율은 개별 형질보다 품종이 지닌 종합적 형질 조합에 의해 결정될 수 있으므로, 품종 간 제분 특성의 구조적 차이를 파악하기 위해 종자 형질 기반의 군집화 및 주성분 분석을 수행하였다. PCA 결과 네 개의 주요 군집이 구분되었으며, 군집 간 물리·화학적 형질 조합에서 뚜렷한 차이가 확인되었다(Fig. 4A). 또한 Fig. 4A에는 각 군집의 제분율 평균값 및 유의성 검정 결과도 함께 제시하였다. Cluster 1과 Cluster 3은 각각 69.4, 70.6로 높은 제분율 범위를 보였으며, Cluster 2와 Cluster 4는 63.1, 63.4로 유의적으로 낮은 제분율(Fig. 4A)을 나타냈다(ANOVA, p < 0.05). 즉, 제분율이 클러스터링에 직접 사용되지 않았음에도 불구하고, 군집 간 제분 효율의 차이가 명확히 드러났으며 이는 각 군집이 보유한 형질 조합의 구조적 차이가 제분율과 연관되어 있음을 보여준다. Cluster 1은 단백질 함량, 종자 경도, 침전가 등의 품질형질과 인접한 방향에 위치하였으며 황금알, 수강, 탑동 등이 포함된 집단이다. 이들 품종은 종자 경도, 단백질, 침전가가 높은 품종(Table S1)이라는 공통점을 갖는다. 그러나 랜덤 포레스트 중요도 분석(Fig. 4B)에서는 이 군집에서 수분과 무게가 제분율 예측에 가장 중요한 요인으로 나타났다. 이는 이 군집의 품종들이 이미 일정 수준 이상의 종자 경도를 보유하고 있어, 실제 제분 공정에서 제분율 변이를 설명하는 핵심 요인이 전분 매트릭스의 수분 상태와 종자 질량과 같은 물리적 기반 요인으로 이동함을 의미한다(Delcour et al., 2012). Cluster 2는 수분 함량 벡터 방향에 인접해 분포하며, 아리진흑, 청계, 다홍, 조아 등 국내 중대립 계통이 주로 포함된 군집이다. 이들 품종은 공통적으로 종자의 크기가 크고 무게가 높은 특성을 지닌다(Table S1). Cluster 2 품종들이 전반적으로 큰 종자 크기를 갖지만, 종자 직경은 군집 내 변이가 매우 적어 예측모형에서 설명력을 제공할 여지가 제한적이었기 때문에 중요 변수로 나타나지 않았다. 즉, Cluster 2에서는 종자 크기의 차이보다 무게의 미세한 차이가 제분 과정의 파쇄 저항에 더 큰 영향을 미친 것으로 해석된다. 이러한 결과는 Cluster 1이 경도가 높아 조합에서 수분·무게가 작동하는 군집인 것과 달리, Cluster 2는 중대립는 구조적 특성 자체가 제분 과정의 기계적 반응을 지배하는 군집임을 의미한다. Cluster 3은 종자 직경과 무게 벡터와 가까우면서 동시에 종자 경도 방향에 강하게 연관된 위치에 분포하였으며, 고소, 금강, 백강, 새금강 등 국내 주요 품종들이 포함된 군집이다. 이들 품종은 전반적으로 종자 무게와 직경이 큰 계통이 다수 분포하며, 이러한 구조적 특징은 실제 제분 과정에서 배유량, 파쇄 시 입자 형성 패턴, 외피–배유 분리성 등에 영향을 미친다. 또한 Cluster 3 내의 종자 경도 값은 높은 품종도 존재하는 동시에 변이 폭이 넓다는 점이 특징적이다(Table S1). 랜덤 포레스트 변수 중요도 분석에서도 이러한 특성이 반영되어, 이 군집에서는 종자 경도뿐 아니라 종자 크기·무게와 함께 작용하는 복합 요인이 제분율 변이를 설명하는 핵심 요인으로 나타났다. 즉, 이 군집에서는 경도가 일정 수준 이상일 때에도 종자 크기 및 조직 밀도와의 상호작용에 따라 제분율이 민감하게 반응하는 구조를 보이며, 이는 제분 과정에서의 파쇄 효율, 입도 분포, 외피 분리 능력이 서로 연동된 특성임을 시사한다. 이러한 결과는 기존 연구에서 제시된 바와 같이, 대립·고밀도 구조를 지닌 품종에서 파쇄·체질 효율이 향상되어 제분율이 높아질 수 있다는 연구와 부합한다(Choy et al., 2015; Sakhare & Inamdar, 2014). 따라서 Cluster 3은 경도와 중대립 특성이 함께 작용하는 군집으로, 품종 간 제분율 차이가 단일 형질이 아닌 크기–경도–조직 구조의 복합적 기전을 통해 형성되는 대표적 사례로 해석된다. Cluster 4는 수분 벡터와 가까운 위치에서 다른 형질과는 독립적인 변동 패턴을 보였으며, 백찰, 신미찰, 아리흑찰 등 완전 찰성(waxy) 품종이 포함된 특수 군집이다. 이 군집은 아밀로스 함량이 매우 낮은 것이 특징적이지만, 랜덤 포레스트 중요도 분석에서는 아밀로스는 예측 기여도가 거의 없었으며 종자 경도가 제분율을 결정하는 핵심 요인으로 나타났다. 이는 찰성이라는 전분 조성 자체는 군집 분류에 기여하나, 제분율이라는 결과 변수는 물리적 저항성에 의해 더 크게 설명된다는 점을 보여준다. 전분 조성이 특이한 집단에서도 제분 공정의 물리적 요인이 우세하게 작용한다는 흥미로운 결과이다.
Fig. 4.
(A) Principal component analysis (PCA) biplot illustrating the clustering of wheat cultivars based on grain physical and flour quality traits. The four clusters (Cluster 1–4) were identified by k-means analysis and are represented by distinct ellipse boundaries (confidence level = 0.68). Vectors indicate the direction and contribution of individual traits to the principal components, showing that physical traits such as weight, diameter, and hardness index are mainly aligned along PC1, while moisture and amylose are oriented along PC2. (B) Random Forest–based variable importance plots for each cluster, showing the top predictors of milling yield. The bar colors correspond to the cluster colors in panel (A). Hardness index, weight, and SDSS were identified as major predictors in several clusters, whereas protein and amylose exhibited moderate effects depending on cluster composition.
군집별 중요 변수 분석을 종합하면, 제분율은 품종이 지닌 물리·화학적 형질의 단순한 집합이 아니라, 각 군집의 형질 조합 패턴이 만들어 내는 구조적·비선형적 반응 메커니즘에 의해 결정됨을 알 수 있다. Cluster 1은 수분·무게 중심, Cluster 2는 중대립 기반 물리 반응형, Cluster 3은 종자 경도 기반형, Cluster 4는 찰성밀 이지만 종자 경도가 우세한 형태 등, 군집마다 제분 효율을 결정짓는 주요 요인이 다르게 나타났다. 이는 군집이 가지고 있는 기저 요인에 따라 제분율 변이가 생기는 것을 의미하며, 품종 개발 및 제분 적성 평가에서 군집 기반 접근이 필요함을 시사한다.
경도 구간별 제분율 변화 분석
제분 효율에 대한 경도의 세부 작용 양상을 규명하기 위해 경도 구간별 부분 의존도 분석을 수행하였다. 랜덤 포레스트 기반 부분 의존도 분석 결과, 종자 경도는 제분율에 대해 뚜렷한 비선형적 영향을 보였다(Fig. 5A). 특히, 종자 경도 약 25-40 구간에서 제분율이 급격히 증가한 후, 그 이상에서는 증가세가 완만해지며 포화 구간에 도달하는 양상이 확인되었다. 이는 랜덤 포레스트 모델이 종자 경도 변화에 따른 제분율의 비단조적 반응을 학습하였음을 의미한다. 이러한 결과는 낮은 종자 경도에서는 종자 파쇄 시 배유 손실이 크고 외피 분리가 어려우나, 일정 수준 이상의 종자 경도에서는 분쇄 효율이 오히려 향상된다는 기존 보고(Choy et al., 2015; Sakhare & Inamdar, 2014)와 일치한다. 또한 부분 의존도 곡선의 1차 미분을 통해 추정한 종자 경도 민감도 분석 결과, 종자 경도 약 25.75 이후 구간에서 제분율에 대한 기여도(positive slope)가 가장 높게 나타나, 이 범위가 제분 효율이 급격히 향상되는 임계 구간(critical range)임을 보여주었다(Fig. 5B). 이러한 구조적 특성은 제분 효율이 종자 경도 단독 요인에 의해 결정되지 않음을 시사한다. 실제로 종자 경도 25.75 이하의 저경도 구간을 대상으로 랜덤 포레스트 분석에서는 종자 경도의 중요도가 상대적으로 감소하였으며, 대신 아밀로스 함량과 종자 직경이 제분율 예측에 더 큰 기여를 하는 주요 요인으로 나타났다(Fig. 5C). 따라서 본 결과는 앞서 수행한 군집별 변수 중요도 분석 결과(Fig. 4B)와도 일관되게, 제분 효율이 단일 요인의 절대적 효과보다는 형질 간 상호작용의 복합적 구조에 의해 결정된다는 점을 지지한다. 특히, 종자 경도는 25.75 이후에 임계적 조절 요인으로 작용하며, 저경도 영역(<25.75)에서는 아밀로스 함량과 종자 직경과 같은 전분 구조·입자 물리 특성이 상대적으로 중요한 영향 요인으로 작용하는 것으로 해석된다. 다만, 이러한 경도 구간은 산업적 연질밀(soft wheat)과 경질밀(hard wheat)의 분류 의미와 동일한 개념이 아니다. 연질밀과 경질밀의 분류는 주로 경도(hardness)와 밀접하지만, 배유 조직의 구조와 유리질도(vitreousness) 등 물리적 특성이 함께 영향을 미치는 것으로 보고된다. 따라서 SKCS 경도지수 단독으로 연질밀과 경질밀의 경계를 설명하기에는 한계가 있다 (Mastanjević et al., 2023). 따라서 본 연구에서 확인된 25.75-40 구간의 변화는 연질밀과 경질밀의 경계선이 아니라, 종자 경도가 제분율에 미치는 상대적 기여가 급격히 증가하는 모델 기반 민감도 영역으로 해석하는 것이 타당하다.
Fig. 5.
(A) Partial dependence of milling yield on the hardness index obtained from the Random Forest model. The relationship exhibited a nonlinear pattern, with a sharp increase in milling yield observed at intermediate hardness levels (approximately 25–40), followed by a saturation phase at higher hardness values. (B) First derivative (dy/dx) of the partial dependence function indicating the sensitivity of milling yield to hardness. The vertical dashed line (blue) represents the estimated H_low threshold (≈25.75), marking the onset of a significant positive effect of hardness on milling yield. The slope reached its maximum within the 25–40 range, suggesting this interval as a critical region for milling efficiency improvement. (C) Random Forest variable importance in the low-hardness subset (Hardness Index < 25.75). In this region, the relative importance of hardness decreased, while amylose content and kernel diameter emerged as major predictors of milling yield, implying that milling yield variation in soft-textured wheat is primarily governed by starch composition and kernel physical traits rather than hardness alone.
종자 경도는 제분율과 비교적 높은 양의 상관관계를 나타냈으며, 변수 중요도에서도 주요한 결정요인으로 확인되었다. 그러나 이러한 분석은 경도의 영향력이 존재한다는 사실을 보여줄 뿐, 영향이 어떤 형태로 작용하는지는 제공하지 못한다. 경도 단독 효과의 형태를 시각화함으로써, 경도 증가가 일정 구간에서 급격한 기여 증가를 보인 뒤 다시 완만해지는 비선형 반응 구조를 구체적으로 확인할 수 있게 한다. 즉, 상관분석과 변수 중요도 분석이 변수의 상대적 기여도를 정량적으로 보여주는 데 비해, 부분 의존도 분석은 해당 변수가 예측값에 어떤 형태로 영향을 미치는지를 시각적으로 제시한다는 점에서 상호 보완적이다.
본 연구에서 구축한 기계학습 기반 제분율 예측모델은 단순히 품질 평가의 정확도를 높이는 데 그치지 않고, 향후 밀 육종 및 품질 선발 과정에서 유용한 의사결정 도구로 활용될 수 있다. 특히 제분율에 영향을 미치는 주요 형질(경도, 입자 크기, 단백질 함량 등)의 상대적 기여도를 정량적으로 제시함으로써, 품종별 제분 적성 평가를 보다 효율적으로 수행할 수 있다. 나아가 동일 품종이라도 환경·재배 조건에 따라 형질 조합이 달라질 수 있음을 보여줌으로써, 여러 재배 연차와 환경 요인을 포괄하는 G×E 상호작용 기반 품질 안정성 분석으로 확장될 수 있다. 또한 본 연구에서 제시한 모델과 분석 절차는 제분율뿐 아니라 단백질, 회분, 아밀로스 등 다양한 품질 지표의 예측에도 적용 가능하며, 향후 국내 밀 품종의 품질 특성 평가와 산업적 품질 예측 시스템 구축의 기초 자료로 기여할 것으로 기대된다.
적 요
1. 본 연구는 밀(Triticum aestivum L.)의 제분율을 효율적으로 예측하고, 이에 영향을 미치는 주요 종자 형질을 규명하기 위하여 기계학습(Random Forest) 기반 분석을 수행하였다. 국내 육성 밀 45품종을 대상으로 물리적(무게, 직경, 경도 등) 및 화학적(단백질, 회분, 아밀로스 함량 등) 형질을 측정하고, 제분율과의 상관관계를 분석하였다.
2. 랜덤 포레스트 회귀모델의 결정계수(R2)는 0.94, 평균제곱근오차(RMSE)는 1.341로 나타나 제분율 변동을 안정적으로 예측하였다. 변수 중요도 분석 결과, 종자 경도와 무게, 직경이 제분율에 가장 큰 영향을 미쳤으며, 단백질 및 회분 함량은 상대적으로 낮은 기여도를 보였다. 부분의존도 분석에서는 종자 경도 약 25-40 구간에서 제분율이 급격히 증가한 후 포화되는 비선형적 반응 패턴이 확인되었다.
3. 주성분 및 군집 분석을 통해 품종 간 종자의 물리적, 화학적 특성에 따라 네 개의 주요 군집이 구분되었으며, 각 군집별 제분 효율이 단일 형질보다는 복합적 형질 조합에 의해 결정됨을 시사하였다. 본 연구에서 구축한 제분율 예측모델과 변수 중요도 분석 절차는 품종별 제분 적성 평가 및 산업적 품질 예측 시스템 개발의 기초자료로 활용될 수 있을 것으로 기대된다.
