CONFERENCES
2025
2.
김상민; 이도현; 유선용
Abstract | Links | BibTeX | Tags: Graph attention network, Interpretability, Transformer
@conference{김상민2025,
title = {그래프 트랜스포머를 이용한 항암제 조합의 시너지 효과 예측},
author = {김상민 and 이도현 and 유선용},
url = {https://bmil.jnu.ac.kr/wp-content/uploads/2025/07/김상민-그래프-트랜스포머를-이용한-항암제-조합의-시너지-효과-예측.pdf},
year = {2025},
date = {2025-07-04},
urldate = {2025-07-04},
booktitle = {2025 한국디지털콘텐츠학회 하계종합학술대회},
publisher = {한국디지털콘텐츠학회},
abstract = {약물 조합 치료는 암 치료에 있어 유망한 치료 전략으로 떠오르고 있다 그러나 약물의 수가 증가함에 따라 효과적인 약물 조합을 식별하는 것은 여전히 어려운 과제이다 기존 연구들은 분자 그래프의 구조적 특징을 충분히쿄 반영하지 못하고 시너지 효과에 중요한 유전자에 대한 분석이 부족하다는 한계가 존재한다 본 논문에서는 이를 해결하기 위해 그래프 트랜스포머와
게이팅 메커니즘을 결합한 모델을 제안한다 제안된 모델은 기존 방법들 보다 우수한 성능을 보였고 게이팅 메커니즘을 통해 시너지 효과에 중요한 유전자들을 식별함으로써 해석 가능성을 확보하였다 이를 통해 약물 조합 식별을 위한 유망한 도구로 활용될 수 있을 것으로 기대된다.},
keywords = {Graph attention network, Interpretability, Transformer},
pubstate = {published},
tppubtype = {conference}
}
약물 조합 치료는 암 치료에 있어 유망한 치료 전략으로 떠오르고 있다 그러나 약물의 수가 증가함에 따라 효과적인 약물 조합을 식별하는 것은 여전히 어려운 과제이다 기존 연구들은 분자 그래프의 구조적 특징을 충분히쿄 반영하지 못하고 시너지 효과에 중요한 유전자에 대한 분석이 부족하다는 한계가 존재한다 본 논문에서는 이를 해결하기 위해 그래프 트랜스포머와
게이팅 메커니즘을 결합한 모델을 제안한다 제안된 모델은 기존 방법들 보다 우수한 성능을 보였고 게이팅 메커니즘을 통해 시너지 효과에 중요한 유전자들을 식별함으로써 해석 가능성을 확보하였다 이를 통해 약물 조합 식별을 위한 유망한 도구로 활용될 수 있을 것으로 기대된다.
게이팅 메커니즘을 결합한 모델을 제안한다 제안된 모델은 기존 방법들 보다 우수한 성능을 보였고 게이팅 메커니즘을 통해 시너지 효과에 중요한 유전자들을 식별함으로써 해석 가능성을 확보하였다 이를 통해 약물 조합 식별을 위한 유망한 도구로 활용될 수 있을 것으로 기대된다.
1.
송종웅; 서문수빈; 유선용
Abstract | Links | BibTeX | Tags: Deep learning, Interpretability, Transcriptome, Transformer
@conference{nokey,
title = {Transformer 기반 생물학적 그래프 모델을 활용한해석 가능한 약물 유도 유전자 발현 예측},
author = {송종웅 and 서문수빈 and 유선용},
url = {https://bmil.jnu.ac.kr/wp-content/uploads/2025/07/송종웅-Transformer-기반-생물학적-그래프-모델을-활용한-해석-가능한-약물-유도-유전자-발현-예측.pdf},
year = {2025},
date = {2025-07-04},
urldate = {2025-07-04},
booktitle = {2025 한국디지털콘텐츠학회 하계종합학술대회},
publisher = {한국디지털콘텐츠학회},
abstract = {약물 세포 용량 시간을 모두 반영한 약물 유도 유전자 발현 예측은 정밀의학과 독성 평가에 필수적이다. 그러나 RNA-seq 기반 측정은 비용 시간 부담이 크고 기존 선형 기계학습 모델은 복잡한 조건 의존적 패턴을 충분히 포착하지 못한다. 본 연구는 이를 극복하기 위해 화합물 SMILES, KEGG 경로 기반 세포 그래프 용량 시간 벡터를 Transformer 인코더로 통합한 해석 가능한 딥러닝 모델을 제안한다. 제안된 모델은 랜드마크 유전자 발현을 높은 정확도로 예측할 뿐 아니라, self-attention 메커니즘을 통해 중요한 분자 하부구조와 유전자의 기여도를 식별하고 시각화함으로써 예측 결과의 생물학적 해석 가능성을 확보한다 이를 통해 고비용 실험 없이도 신속한 후보 물질 탐색과 독성 평가를 가속할 것으로 기대된다.},
keywords = {Deep learning, Interpretability, Transcriptome, Transformer},
pubstate = {published},
tppubtype = {conference}
}
약물 세포 용량 시간을 모두 반영한 약물 유도 유전자 발현 예측은 정밀의학과 독성 평가에 필수적이다. 그러나 RNA-seq 기반 측정은 비용 시간 부담이 크고 기존 선형 기계학습 모델은 복잡한 조건 의존적 패턴을 충분히 포착하지 못한다. 본 연구는 이를 극복하기 위해 화합물 SMILES, KEGG 경로 기반 세포 그래프 용량 시간 벡터를 Transformer 인코더로 통합한 해석 가능한 딥러닝 모델을 제안한다. 제안된 모델은 랜드마크 유전자 발현을 높은 정확도로 예측할 뿐 아니라, self-attention 메커니즘을 통해 중요한 분자 하부구조와 유전자의 기여도를 식별하고 시각화함으로써 예측 결과의 생물학적 해석 가능성을 확보한다 이를 통해 고비용 실험 없이도 신속한 후보 물질 탐색과 독성 평가를 가속할 것으로 기대된다.