하이브리드 딥러닝 기반 유전자 발현 예측 모델 개발
연구진이 유전자형과 조직별 발현 프로필을 추정하는 새로운 하이브리드 딥러닝 모델을 개발했습니다. 기존 실험 방식의 높은 비용과 시간 소모 문제를 해결하고 예측 정확도를 30% 개선했습니다.
주장연구진은 유전자형과 조직별 유전자 발현 프로필을 추정하기 위해 새로운 하이브리드 딥러닝 모델을 개발했습니다. 이 모델은 기존 실험 방식이 가진 높은 비용과 시간 소모 문제를 해결합니다.
팩트해당 모델은 합성곱 신경망(CNN), 트랜스포머 인코더, 그리고 XGBoost 회귀 분석기를 결합한 구조입니다. 이 기술은 프로모터 서열, 조직 간 상관관계, 유전자 간 거리 및 방향 정보를 통합하여 분석합니다.
팩트연구 결과, 이 모델은 기존의 거리 기반 추정 방식보다 약 30% 더 높은 정확도를 기록했습니다. 생성된 발현 프로필은 실제 실험 데이터와 유사한 결과를 보입니다.
교차검증기존 계산 방식들은 다중 조직 추정이나 서열 기반 예측을 수행할 수 있었으나, 인접한 참조 유전자의 정보나 유전체 맥락을 충분히 활용하지 못한다는 한계가 있었습니다. 이번 연구는 이러한 정보들을 명시적으로 통합하여 예측 성능을 개선했습니다.
팩트연구진은 지티이엑스(GTEx) 데이터셋에서 누락된 유전자 발현 프로필을 완성함으로써 모델의 실용성을 입증했습니다. 이는 데이터가 부족한 유전체 연구 분야에서 유용한 도구가 됩니다.
주장이번 모델은 특히 발현량이 낮은 RNA 유전자나 연구가 덜 된 유전체에 대해 비용 효율적인 대안을 제공합니다. 이를 통해 실험 데이터가 부족한 상황에서도 유전체 연구를 가속화할 토대를 마련했습니다.
팩트본 연구는 토론토 대학교의 지아홍 동, 스티븐 브라운, 케빈 트루옹 교수가 공동으로 수행했습니다. 연구 결과는 2026년 5월 13일 네이처 커뮤니케이션즈 바이올로지에 게재되었습니다.
팩트연구 지원은 캐나다 자연과학공학연구위원회(NSERC)와 캐나다 보건연구소(CIHR)가 제공했습니다. 저자들은 본 연구와 관련하여 이해 상충 관계가 없음을 명시했습니다.
교차검증본 연구는 오픈 액세스 라이선스를 따르며, 비상업적 용도로는 적절한 출처 표기 하에 공유 및 배포가 가능합니다. 다만, 파생된 자료를 수정하거나 상업적으로 이용할 경우 별도의 허가가 필요합니다.
출처네이처 커뮤니케이션즈 바이올로지(https://www.nature.com/articles/s42003-026-10251-7)를 교차 검증했습니다. 해당 논문은 2025년 9월 1일에 접수되어 2026년 5월 4일에 승인되었습니다.
본 기사는 전문가의 분석과 공개 자료를 기반으로 AI가 작성 후 다른 AI의 검증을 거쳐 작성됐으며 정보의 정확성과 완전성을 보장하지 않습니다. 기사 내용은 특정 투자·의사결정의 권유가 아니며, Wittgenhaus는 이를 근거로 한 행위의 결과에 책임을 지지 않습니다.