CONFERENCES
2025
2.
김채원; 정명현; 김민건; 유선용
Abstract | Links | BibTeX | Tags: Artificial Intelligence, Bioinformatics, Drugs, Transcriptome
@conference{nokey,
title = {Conditional Diffusion Model 기반 약물로 인한 전사체 반응 예측},
author = {김채원 and 정명현 and 김민건 and 유선용},
url = {https://bmil.jnu.ac.kr/wp-content/uploads/2025/07/김채원-Conditional-Diffusion-Model-기반-약물로-인한-전사체-반응-예측.pdf},
year = {2025},
date = {2025-07-04},
urldate = {2025-07-04},
booktitle = {2025 한국디지털콘텐츠학회 하계종합학술대회},
publisher = {한국디지털콘텐츠학회},
abstract = {본 논문에서는 Conditional Diffusion Model 기반 교란 조건을 고려한 전사체 변화 예측 심층 생성 모델을 소개한다 처리한 화합물 정보와 더불어 처리용량과 시간 세포주의 기저 유전자 발현 정보를 사용함으로써 정밀한 전사체 변화 예측을 가능하게 한다 따라서 본 모델이 생성한 전사체 변화 데이터를 활용함으로써 약물에 대한 이해도를 향상하고 신약 개발 및 정밀 의료 기술의 발전 등에 기여할 수 있는 가능성을 보여준다.},
keywords = {Artificial Intelligence, Bioinformatics, Drugs, Transcriptome},
pubstate = {published},
tppubtype = {conference}
}
본 논문에서는 Conditional Diffusion Model 기반 교란 조건을 고려한 전사체 변화 예측 심층 생성 모델을 소개한다 처리한 화합물 정보와 더불어 처리용량과 시간 세포주의 기저 유전자 발현 정보를 사용함으로써 정밀한 전사체 변화 예측을 가능하게 한다 따라서 본 모델이 생성한 전사체 변화 데이터를 활용함으로써 약물에 대한 이해도를 향상하고 신약 개발 및 정밀 의료 기술의 발전 등에 기여할 수 있는 가능성을 보여준다.
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.