딥러닝 기반 RNA 바이러스 탐색 기술 라이더 개발

주장RNA 바이러스 탐색은 서열의 다양성과 길이의 불균일성 때문에 복잡합니다. 연구진은 딥러닝과 도메인 특화 구조 검증을 결합한 라이더 프레임워크로 이 문제를 해결합니다.

팩트라이더는 사전 학습된 단백질 언어 모델을 기반으로 광범위한 바이러스 신호를 탐지합니다.

팩트이 프레임워크는 슬라이딩 윈도우 구조 예측 전략을 적용합니다. 이 전략은 언어 모델의 입력 길이 제한을 극복하고 촉매 핵심 도메인을 정확하게 포착합니다.

팩트연구진은 비중복 아르디알피 도메인 데이터베이스를 구축했습니다. 아르디알피는 알엔에이 의존성 알엔에이 중합효소를 의미합니다. 이 도메인 중심 설계는 긴 다단백질이나 절단된 파편 내에 포함된 아르디알피 도메인을 찾아냅니다.

팩트라이더는 1만 개 이상의 메타전사체 데이터를 분석했습니다. 분석 결과는 기존 루카프로트와 대등한 민감도를 보였으며, 기존에 분류된 알엔에이 바이러스의 99퍼센트 이상을 재확인했습니다.

주장라이더는 기존 방법론으로 발견하기 어려웠던 수천 개의 다양한 서열과 계통을 식별합니다. 이 기술은 전 세계 알엔에이 바이롬 탐색을 위한 확장 가능한 파이프라인을 제공합니다.

팩트인간 염증성 장질환 코호트 연구에서 라이더는 기존 방법들과 일치하는 결과를 보였습니다. 이 과정에서 기존 방법이 놓쳤던 다양한 계통의 바이러스까지 탐지 범위를 확장했습니다.

교차검증메타전사체 데이터의 복잡성으로 인해 모든 바이러스 서열을 완벽하게 식별하는 것은 과제입니다. 라이더는 구조적 검증을 통해 오탐지를 줄이지만, 데이터의 품질에 따라 결과가 달라집니다.

팩트본 연구는 중국 저장성 자연과학재단과 웨스트레이크 대학의 미래 산업 연구 센터 등으로부터 자금을 지원받았습니다. 연구진은 웨스트레이크 대학의 고성능 컴퓨팅 센터를 활용하여 기술적 지원을 받았습니다.

팩트본 연구는 2026년 9월 16일에 공식 발표되었습니다.

출처네이처 커뮤니케이션즈(https://www.nature.com/articles/s41467-026-77183-y)의 보도를 교차 검증했습니다.