CONFERENCES
2025
7.
나예빈; 정선우; 최희석; 유선용
Abstract | Links | BibTeX | Tags: CYP450, Deep learning
@conference{nokey,
title = {딥러닝 기반 Cytochrome P450 2D6 유전자 다형성과 약물 특이적 대사 기능 표현형 예측 연구},
author = {나예빈 and 정선우 and 최희석 and 유선용},
url = {https://bmil.jnu.ac.kr/wp-content/uploads/2025/07/나예빈-딥러닝-기반-Cytochrome-P450-2D6-유전자-다형성과-약물-특이적-대사-기능-표현형-예측-연구.pdf},
year = {2025},
date = {2025-07-04},
urldate = {2025-07-04},
booktitle = {2025 한국디지털콘텐츠학회 하계종합학술대회},
publisher = {한국디지털콘텐츠학회},
abstract = {CYP2D6는 임상에서 사용되는 약물의 25%를 대사한다. 높은 다형성을 특징으로 하는 CYP2D6의 유전적 변이는 약물 대사에서 개인 간 큰 차이를 초래할 수 있이며 이는 치료 반응의 차이와 부작용으로 이어질 수 있다. 기존의 CYP2D6 약물 대사 표현형 분류 방식은 에 의해 대사되는 몇 가지 약물의 임상결과를 바탕으로 변이체에 점수를 매기고 이를 통해 모든 약물의 대사 능력을 예측하는 방법이었다 하지만 이 방법은 약물마다 다른 특성을 반영하지 못하기에 모든 약물에 일괄적으로 적용하기에는 한계가 있다. 따라서 본
연구에서는 CYP2D6변이체와 약물에 대한 임상결과를 직접 활용하여 데이터 라벨링을 수행하고 딥러닝을 활용한 약물 대사 표현형 예측 모델을 개발하였다},
keywords = {CYP450, Deep learning},
pubstate = {published},
tppubtype = {conference}
}
CYP2D6는 임상에서 사용되는 약물의 25%를 대사한다. 높은 다형성을 특징으로 하는 CYP2D6의 유전적 변이는 약물 대사에서 개인 간 큰 차이를 초래할 수 있이며 이는 치료 반응의 차이와 부작용으로 이어질 수 있다. 기존의 CYP2D6 약물 대사 표현형 분류 방식은 에 의해 대사되는 몇 가지 약물의 임상결과를 바탕으로 변이체에 점수를 매기고 이를 통해 모든 약물의 대사 능력을 예측하는 방법이었다 하지만 이 방법은 약물마다 다른 특성을 반영하지 못하기에 모든 약물에 일괄적으로 적용하기에는 한계가 있다. 따라서 본
연구에서는 CYP2D6변이체와 약물에 대한 임상결과를 직접 활용하여 데이터 라벨링을 수행하고 딥러닝을 활용한 약물 대사 표현형 예측 모델을 개발하였다
연구에서는 CYP2D6변이체와 약물에 대한 임상결과를 직접 활용하여 데이터 라벨링을 수행하고 딥러닝을 활용한 약물 대사 표현형 예측 모델을 개발하였다
6.
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.
2024
5.
Yeabean Na; Junho Kim; Myung-Gyun Kang; Sunyong Yoo
Abstract | Links | BibTeX | Tags: Bioinformatics, Deep learning, Drugs
@conference{Yoo2024,
title = {A Multimodal Deep Learning Approach for Predicting Drug Metabolism According to the CYP2D6 Genetic Variation},
author = {Yeabean Na and Junho Kim and Myung-Gyun Kang and Sunyong Yoo},
url = {https://dtmbio.net/},
year = {2024},
date = {2024-01-02},
urldate = {2024-01-02},
publisher = {The 18th International Conference on Data and Text Mining in Biomedical Informatics},
abstract = {Background Cytochrome P450 2D6 (CYP2D6) is involved in metabolizing up to 25% of the drugs commonly used in clinics. Characterized by high polymorphisms, CYP2D6 is one of the key pharmacogenes in pharmacogenomics. This genetic variability can lead to significant inter-patient differences in drug metabolism, resulting in differential therapeutic responses and adverse effects. However, conducting in vivo or in vitro experiments for each CYP2D6 variant across various drugs is time-consuming, ethically challenging, and expensive. Given these constraints, In silico modeling approaches for predicting the drug metabolism profiles of CYP2D6 variants are a critical necessity.
Methods A multimodal deep learning approach that combined CYP2D6 genotype data and drug structural information was used in this study. A Convolutional Neural Network (CNN) was used to encode the genotype data, and a Graph Convolutional Network (GCN) was used to decode the drug structures. These diverse data types were then integrated into a multimodal model to predict drug metabolism.
Results A comparative analysis was conducted between a CNN model utilizing solely the CYP2D6 genotype data and a multimodal model incorporating both genotype and drug-specific information. The multimodal approach demonstrated better performance across all evaluated metrics. An additional experiment predicting drug metabolism on unseen drug data also performed well.
Conclusions This model is anticipated to enhance the prediction of metabolic capacity in previously uncharacterized CYP2D6 variants, potentially reducing adverse drug reactions.},
keywords = {Bioinformatics, Deep learning, Drugs},
pubstate = {published},
tppubtype = {conference}
}
Background Cytochrome P450 2D6 (CYP2D6) is involved in metabolizing up to 25% of the drugs commonly used in clinics. Characterized by high polymorphisms, CYP2D6 is one of the key pharmacogenes in pharmacogenomics. This genetic variability can lead to significant inter-patient differences in drug metabolism, resulting in differential therapeutic responses and adverse effects. However, conducting in vivo or in vitro experiments for each CYP2D6 variant across various drugs is time-consuming, ethically challenging, and expensive. Given these constraints, In silico modeling approaches for predicting the drug metabolism profiles of CYP2D6 variants are a critical necessity.
Methods A multimodal deep learning approach that combined CYP2D6 genotype data and drug structural information was used in this study. A Convolutional Neural Network (CNN) was used to encode the genotype data, and a Graph Convolutional Network (GCN) was used to decode the drug structures. These diverse data types were then integrated into a multimodal model to predict drug metabolism.
Results A comparative analysis was conducted between a CNN model utilizing solely the CYP2D6 genotype data and a multimodal model incorporating both genotype and drug-specific information. The multimodal approach demonstrated better performance across all evaluated metrics. An additional experiment predicting drug metabolism on unseen drug data also performed well.
Conclusions This model is anticipated to enhance the prediction of metabolic capacity in previously uncharacterized CYP2D6 variants, potentially reducing adverse drug reactions.
Methods A multimodal deep learning approach that combined CYP2D6 genotype data and drug structural information was used in this study. A Convolutional Neural Network (CNN) was used to encode the genotype data, and a Graph Convolutional Network (GCN) was used to decode the drug structures. These diverse data types were then integrated into a multimodal model to predict drug metabolism.
Results A comparative analysis was conducted between a CNN model utilizing solely the CYP2D6 genotype data and a multimodal model incorporating both genotype and drug-specific information. The multimodal approach demonstrated better performance across all evaluated metrics. An additional experiment predicting drug metabolism on unseen drug data also performed well.
Conclusions This model is anticipated to enhance the prediction of metabolic capacity in previously uncharacterized CYP2D6 variants, potentially reducing adverse drug reactions.
4.
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}
}
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
3.
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}
}
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
2023
2.
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}
}
2022
1.
Myeonghyeon Jeong; Sangjin Kim; Yewon Han; Jihyun Jeong; Dahwa Jung; Inyoung Choi; Sunyong Yoo
BibTeX | Tags: Attention mechanism, Bioinformatics, Deep learning
@conference{nokey,
title = {Attention-based Deep Neural Network for Predicting Fetotoxicity},
author = {Myeonghyeon Jeong and Sangjin Kim and Yewon Han and Jihyun Jeong and Dahwa Jung and Inyoung Choi and Sunyong Yoo},
year = {2022},
date = {2022-01-02},
urldate = {2022-01-02},
booktitle = {In the 10th International Conference on Big Data Applications and Services},
publisher = {The Korea Big Data Service Society},
keywords = {Attention mechanism, Bioinformatics, Deep learning},
pubstate = {published},
tppubtype = {conference}
}