VarNet-T, 정상 조직 없이 암 유전체 변이 분석 정확도 33% 향상
암 유전체 분석의 한계였던 정상 조직 샘플 부재 문제를 딥러닝 프레임워크 VarNet-T가 해결했습니다. 기존 방식 대비 변이 호출 성능을 최대 33% 높여 정밀 의료 실현을 앞당길 전망입니다.
주장암 유전체 분석 과정에서 정상 조직 샘플이 없으면 변이 식별 정확도가 크게 떨어집니다. 이를 극복하고자 개발된 VarNet-T는 종양 전용 딥러닝 프레임워크입니다.
팩트VarNet-T는 약한 지도 학습 기반의 종양 전용 변이 호출 알고리즘입니다. 이 모델은 수백만 개의 고신뢰도 변이 데이터를 학습하여 기존 방법론 대비 성능을 20%에서 33%까지 향상했습니다.
교차검증기존 암 유전체 분석은 종양 샘플과 정상 샘플을 비교하는 방식이 표준입니다. 그러나 임상 현장이나 보관된 샘플을 분석할 때는 정상 조직을 확보하기 어려운 경우가 많아 기술적 보완이 필요합니다.
팩트연구진은 10가지 고형암 유형에 속하는 1,000개의 종양 샘플을 대상으로 종양 돌연변이 부담(TMB) 추정 정확도를 평가했습니다. 그 결과, TMB-high 상태 분류에서 기존 방법보다 3배 이상 높은 정확도를 보였습니다.
주장VarNet-T의 높은 정확도는 면역항암제 치료 대상 환자를 선별하는 데 기여합니다. 이는 환자 맞춤형 정밀 의료를 실현하는 핵심 도구로 자리 잡을 전망입니다.
팩트VarNet-T 소프트웨어는 깃허브를 통해 공개했습니다. 사용자는 폴리폼 비상업적 라이선스 1.0.0 하에 종양 전용 모드로 정상 샘플 없이 분석을 수행합니다.
팩트분석 모델 벤치마크에는 MBL, CLL, COLO829, SEQC2 등 공개 연구 데이터셋을 활용했습니다. 연구진은 1,000개의 TCGA WES 샘플과 10개의 PCAWG 샘플을 통해 독립적인 검증을 마쳤습니다.
교차검증암 유전체 분석 정확도는 환자의 치료 예후와 직결되는 민감한 영역입니다. 따라서 제시된 딥러닝 모델의 성능은 임상 현장에서의 신뢰성을 확보하기 위해 지속적인 검증이 필요합니다.
주장이번 연구는 종양 전용 시퀀싱 활용도를 높여 암 연구 효율성을 극대화합니다. 향후 임상 분자 진단 분야에서 데이터 분석의 제약을 줄이는 역할을 수행합니다.
출처네이처 커뮤니케이션즈에 게재된 논문과 EGA, SRA, GDC, dbGAP 데이터베이스를 교차 검증했습니다.
관련 콘텐츠
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.
