초록 서론: 약물 처치에 따른 전사체(transcriptome) 교란을 측정하는 것은 매우 유익할 수 있으나, 세포 수준과 환자 수준 모두에서 교란된 전사체 프로파일이 종종 이용 가능하지 않다. 따라서 관찰되지 않은 약물 반응을 어떻게 추론할 것인지가 핵심 과제이다. 약물 처치는 개별 유전자 발현 수준뿐 아니라 기저의 유전자-유전자 상호작용도 교란시키므로, LINCS에서 유전자 수준의 유전자-유전자 상호작용 교란을 모델링하여 암 세포와 환자에서 관찰되지 않은 약물 반응을 추론하는 방법이 주요 도전 과제이다. 방법: 약물 처치 후 관찰되지 않은 전사체 교란을 예측하기 위해, 우리는 LINCS에서 유전자-유전자 상호작용의 교란을 포착하는 딥러닝 모델을 개발하였다. 이를 Condition-Specific Gene-Gene Attention (CSG2A, Bioinformatics/ISMB 2024)라 한다. CSG2A는 용량 및 시간 의존적인 전사체 교란을 모델링하며, 교란 기반(pretrained) 모델로서의 역할을 수행한다. 전사체의 변화는 전사체 수준의 세포 상태 변화로도 볼 수 있으므로, 기존의 사전학습 순위(rank) 기반 모델(Geneformer, Nature 2024)을 사용하였다. 이러한 전사체 변화 모델들을 바탕으로, 우리는 전사체 프로파일 관점에서 암 환자를 두 가지 접근법으로 모델링한다. 첫 번째 접근법에서는 딥러닝 모델 THERAPI를 사용하여 GDSC의 임의의 암세포 집합을 결합함으로써 종양을 임베딩한 뒤, 교란 기반 및 순위 기반 모델로 유전자-유전자 상호작용 교란을 예측한다. 두 번째 접근법에서는 DysRegNet(British Journal of Pharmacology 2024)을 이용하여 환자의 전사체를 네트워크 기반 표현으로 구성한 다음, 교란 기반 사전학습 모델을 통해 약물 유도 유전자-유전자 상호작용 교란을 예측하는 PREDIKTOR를 제안하였다. 결과: 세포주 반응으로부터 환자 수준 약물 반응을 예측하기 위한 두 가지 계산 프레임워크, THERAPI와 PREDIKTOR를 개발하였다. 두 모델 모두 TCGA 데이터 및 I-SPY2 환자 코호트에서 최대 8.5%의 유의한 개선 폭으로 기존 딥러닝 모델들을 능가하였다. 결론: 이 두 프레임워크는 전 세계 연구자들이 약물 반응 예측에 활용할 수 있도록 Amazon 클라우드에 “DrugVLABTM response”로 배포되고 있다. 우리의 시스템은 보다 정확한 약물 반응 예측을 위해, 향후 등장할 딥러닝 모델이 공용이든 또는 독점이든 그에 맞추어 발전할 수 있다. 인용 형식: Sun Kim, Bonil Koo, Dongmin Bang, Inyoung Sung, Changyun Cho, Sangseon Lee, Kyoung Jae Won. 전사체를 모델링하여 세포 수준에서 환자 수준으로 암 약물 반응을 번역하기 위한 딥러닝 프레임워크[abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2026; Part 1 (Regular Abstracts); 2026 Apr 17-22; San Diego, CA. Philadelphia (PA): AACR; Cancer Res 2026;86(7 Suppl):Abstract nr 978.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.