2025
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}
}
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.
2024
서문수빈; 유선용
Abstract | Links | BibTeX | Tags: CYP450, Deep learning, Graph attention network
@conference{서문수빈2024cytochrome,
title = {Cytochrome P450 동위체 억제제 예측을 위한 그래프 어텐션 네트워크 모델 개발},
author = {서문수빈 and 유선용},
url = {https://www.dbpia.co.kr/pdf/pdfView.do?nodeId=NODE11861993&googleIPSandBox=false&mark=0&minRead=5&ipRange=false&b2cLoginYN=false&icstClss=010000&isPDFSizeAllowed=true&accessgl=Y&language=ko_KR&hasTopBanner=true},
year = {2024},
date = {2024-01-01},
urldate = {2024-01-01},
booktitle = {한국정보과학회 학술발표논문집},
journal = {한국정보과학회 학술발표논문집},
pages = {804–806},
publisher = {한국정보과학회},
abstract = {Cytochrome P450 효소는 모든 대사 반응 중 약 75%를 책임지며, 특히 1A2, 2C9, 2C19, 2D6, 3A4 등은 대다수 약물의 대사에 관여하고, 다수의 부작용을 유발하는 것으로 알려져 있다. 이에 따라, 신약 개발 과정에서 이들 cytochrome P450을 억제하는 화합물을 식별하는 것은 매우 중요하다. 본 논문은 약물 분자의 그래프 구조를 이용하고 self-attention 메커니즘을 적용하여 P450 동위체를 억제하는 화합물을 예측하는 새로운 모델을 제안한다. 이 모델은 Graph Attention Network (GAT)를 활용하여 분자의 그래프 표현을 학습하고, Fully-connected layer을 통해 예측을 수행한다. 또한, 데이터의 불균형 문제를 해결하기 위해 Focal loss 함수를 적용하였다. 이 연구는 in vivo에 드는 비용과 시간을 절감하고, 신약 개발의 기간과 비용을 줄이는데 기여할 것으로 기대된다},
keywords = {CYP450, Deep learning, Graph attention network},
pubstate = {published},
tppubtype = {conference}
}
송윤주; 유선용
Abstract | Links | BibTeX | Tags: Deep learning, Graph attention network
@conference{송윤주2024화합물의,
title = {화합물의 폐 발암성 예측을 위한 그래프 신경망 접근법},
author = {송윤주 and 유선용},
url = {https://www.dbpia.co.kr/pdf/pdfView.do?nodeId=NODE11861976&googleIPSandBox=false&mark=0&minRead=5&ipRange=false&b2cLoginYN=false&icstClss=010000&isPDFSizeAllowed=true&accessgl=Y&language=ko_KR&hasTopBanner=true},
year = {2024},
date = {2024-01-01},
urldate = {2024-01-01},
booktitle = {한국정보과학회 학술발표논문집},
journal = {한국정보과학회 학술발표논문집},
pages = {753–755},
publisher = {한국정보과학회},
abstract = {폐암은 매년 수백만 명의 사망자를 초래하는 주요 질환 중 하나이며, 특히 2022년 한국에서는 암 중 사망률이 가장 높은 질환으로 기록되었다. 이에 따라, 폐암을 유발하는 화합물에 대한 이해와 연구가 필수적이며, 본 연구는 기존의 기계학습 및 딥러닝 방법의 한계를 극복하고, 화합물의 폐암 유발 가능성을 예측하기 위해 Graph Attention Network (GAT)를 활용한 새로운 접근방식을 제안하고 평가하였다. 본 연구에서는 화합물 발암성 데이터인 CPDB와 CCRIS 데이터베이스를 활용하였으며, Simplified Molecular Input Line Entry System (SMILES) 정보를 기반으로 분자의 구조와 화학적 성질을 그래프 데이터로 변환하였다. GAT 모델은 이 그래프 데이터를 이용하여 분자 간의 복잡한 상호작용을 학습하고, 폐암 발생 가능성을 예측하였으며, 성능 평가에서 다른 모델과 비교하여 가장 우수한 예측 성능을 입증하였다. 이는 폐암 예측을 위한 효과적인 도구로서 GAT의 잠재력을 보여주며, 향후 암 연구 및 치료 개발에 중요한 기여를 할 },
keywords = {Deep learning, Graph attention network},
pubstate = {published},
tppubtype = {conference}
}
2023
Dohyeon Lee; Sunyong Yoo
Links | BibTeX | Tags: Deep learning, Graph attention network
@conference{nokey,
title = {hERGAT: Predicting hERG blockers using graph attention mechanism through atom- and molecule- level interaction analysis},
author = {Dohyeon Lee and Sunyong Yoo},
url = {https://dtmbio.net/},
year = {2023},
date = {2023-01-02},
urldate = {2023-01-02},
booktitle = {In 17th International Conference on Data and Text Mining in Biomedical Informatics},
publisher = {DTMBIO},
keywords = {Deep learning, Graph attention network},
pubstate = {published},
tppubtype = {conference}
}