JOURNALS
2026
1.
송종웅; 유선용
Abstract | Links | BibTeX | Dimensions | Tags: Cross-Attention, Drug Response Prediction, GDSC, Gene Set, Supervised Contrastive Learning
@article{송종웅;유선용2026,
title = {기능적 유전자 집합 기반 Cross-Attention과 지도 대조 학습을 이용한 항암제 반응 예측},
author = {송종웅 and 유선용},
url = {https://www.dbpia.co.kr/pdf/pdfView.do?nodeId=NODE12588712&width=1912},
doi = {10.9728/dcs.2026.27.2.557},
isbn = {1598-2009},
year = {2026},
date = {2026-02-01},
urldate = {2026-02-01},
journal = {디지털콘텐츠학회논문지},
volume = {27},
issue = {2},
pages = {557-568},
abstract = {정밀의학과 신약 재창출에서 항암제-암 세포주의 약물 반응(IC50) 예측은 중요하다. 하지만 기존 모델은 약물과 세포를 독립적으로 인코딩한 뒤 단순 결합함으로써, 약물–세포 상호작용과 기능적 유전자 집합(gene set)의 생물학적 정보를 충분히 활용하지 못한다. 본 연구는 ChemBERTa 약물 임베딩과 GDSC RNA-seq 기반 949개 유전자 발현을 MSigDB Hallmark gene set으로 집약한 세포 표현 위에, 약물 조건부 gene set 게이팅과 gene set 수준 cross-attention을 적용하고, TARGET_PATHWAY 레이블을 이용한 supervised contrastive learning으로 약물 임베딩을 정규화하는 모델을 제안한다. GDSC 데이터셋에서 제안 모델은 ChemBERTa+MLP 베이스라인(PCC 0.911, RMSE 1.133) 대비 PCC 0.922, RMSE 1.069를 달성하였으며, gene set 기반 표현과 경로 지식, 약물 조건부 게이팅 및 cross-attention 통합이 약물 반응 예측의 정확도와 경로 수준 해석 가능성을 동시에 향상시킬 수 있음을 보였다.},
note = {Correspondence to Sunyong Yoo},
keywords = {Cross-Attention, Drug Response Prediction, GDSC, Gene Set, Supervised Contrastive Learning},
pubstate = {published},
tppubtype = {article}
}
정밀의학과 신약 재창출에서 항암제-암 세포주의 약물 반응(IC50) 예측은 중요하다. 하지만 기존 모델은 약물과 세포를 독립적으로 인코딩한 뒤 단순 결합함으로써, 약물–세포 상호작용과 기능적 유전자 집합(gene set)의 생물학적 정보를 충분히 활용하지 못한다. 본 연구는 ChemBERTa 약물 임베딩과 GDSC RNA-seq 기반 949개 유전자 발현을 MSigDB Hallmark gene set으로 집약한 세포 표현 위에, 약물 조건부 gene set 게이팅과 gene set 수준 cross-attention을 적용하고, TARGET_PATHWAY 레이블을 이용한 supervised contrastive learning으로 약물 임베딩을 정규화하는 모델을 제안한다. GDSC 데이터셋에서 제안 모델은 ChemBERTa+MLP 베이스라인(PCC 0.911, RMSE 1.133) 대비 PCC 0.922, RMSE 1.069를 달성하였으며, gene set 기반 표현과 경로 지식, 약물 조건부 게이팅 및 cross-attention 통합이 약물 반응 예측의 정확도와 경로 수준 해석 가능성을 동시에 향상시킬 수 있음을 보였다.