나노포어 신호 분석용 딥러닝 프레임워크 세다-포머 개발

주장나노포어 센싱 기술은 단백질과 당류 서열을 분석하는 혁신적인 도구로 주목받습니다. 다만 방대한 이온 전류 데이터를 처리하는 과정에서 발생하는 병목 현상이 기술의 실용화를 가로막는 장애물로 작용합니다.

팩트연구진은 이러한 한계를 극복하기 위해 세다-포머(SEDA-Former)라는 새로운 딥러닝 프레임워크를 개발했습니다. 이 모델은 신호 강화 기술과 동적 어텐션 트랜스포머를 결합하여 나노포어 단일 분자 식별의 해상도를 개선합니다.

팩트세다-포머는 다중 윈도우 슬라이딩 표준 편차 방식을 도입하여 데이터의 주요 특징을 강화합니다. 다중 채널 시간 컨볼루션 네트워크는 미세한 시간적 역학 관계 속에서 약한 신호 특징을 추출합니다.

팩트이 모델은 학습 난이도에 따라 샘플 손실을 동적으로 재가중하는 점진적 적응형 어텐션 학습 전략을 활용합니다. 이를 통해 기존 딥러닝 모델이 겪던 미세 시간 역학 포착 실패 문제를 해결합니다.

교차검증기존 딥러닝 방식은 구조적으로 유사한 분석 물질을 구분하는 데 필요한 미세한 시간적 역학을 포착하지 못하는 한계가 있었습니다. 일반적인 학습 전략은 약한 식별 특징을 충분히 추출하지 못해 분류 정밀도를 떨어뜨리는 원인이 됩니다.

팩트연구진은 15종의 당류와 24종의 진세노사이드, 8종의 DNA 분자, 17종의 담즙산 접합체 등 다양한 데이터셋에서 모델 성능을 검증했습니다. 그 결과 세다-포머는 기존 최신 방법보다 일관되게 높은 분류 정확도를 기록했습니다.

주장세다-포머는 다양한 데이터셋 간의 강력한 전이 학습 능력을 증명했습니다. 이는 나노포어 센싱 분야에서 단일 분자 식별을 촉진하는 범용적이고 확장 가능한 해결책이 됩니다.

팩트이번 연구는 중국 국가 핵심 연구 개발 프로그램과 중국 자연과학 재단의 지원으로 수행되었습니다. 중남재경정법대학과 중국과학원 대련화학물리연구소 소속 연구진이 개발에 참여했습니다.

팩트해당 논문은 2026년 2월 4일에 접수되어 6월 8일에 승인되었습니다. 이후 2026년 6월 18일에 학술지 네이처 커뮤니케이션즈를 통해 정식 출판되었습니다.

팩트연구진은 논문에서 본 연구와 관련하여 이해 상충이 없음을 명시했습니다.

교차검증세다-포머는 복잡한 생체 분자 데이터 처리 효율을 높였으나, 실제 임상 현장에서의 실시간 분석 적용 가능성은 추가적인 검증이 필요합니다.

출처네이처 커뮤니케이션즈에 게재된 'A universal deep learning framework for empowering nanopore identification by reinforcing temporal signals' 논문을 교차 검증했습니다. (https://www.nature.com/articles/s41467-026-74507-w)