동기: 유전적 교란에 대한 세포의 반응을 예측하는 것은 생물학적 시스템을 이해하고 표적 치료 전략을 개발하는 데 필수적이다. 변분 오토인코더(variational autoencoders, VAEs)는 교란 반응을 모델링하는 데 유망함을 보였지만, 학습된 특징이 명확한 생물학적 의미를 갖지 못하는 경우가 많아 제한된 설명가능성은 중대한 과제로 남아 있다. 그럼에도 불구하고 모델 설명가능성은 생물학적 AI 분야에서 가장 중요한 측면 중 하나이다. 설명가능성을 달성하는 가장 효과적인 방법 중 하나는, VAE와 같은 딥러닝 모델 설계에 유전자 조절 네트워크(gene regulatory networks, GRNs)의 개념을 통합하는 것이다. GRNs는 유전자 간의 근본적인 인과 관계를 도출하며, 유전적 교란 처리로 인해 발생하는 전사 반응을 설명할 수 있다. 결과: 우리는 잠재공간에서 GRN을 명시적으로 모델링하는 GRN 정렬 파라미터 최적화로 강화된 설명가능 VAE인 GPO-VAE를 제안한다. 우리의 핵심 접근은 잠재 교란 효과와 관련된 학습 가능 파라미터를 GRN 정렬 기반의 설명가능성에 부합하도록 최적화하는 것이다. 교란 예측에 대한 실험 결과는, 본 모델이 여러 벤치마크 데이터셋 전반에서 전사 반응을 예측하는 데 있어 최신(state-of-the-art) 수준의 성능을 달성함을 보여준다. 또한 GRN 추론 과제를 평가한 추가 결과에 따르면, 본 모델은 다른 방법들에 비해 의미 있는 GRN을 생성할 수 있는 능력을 지닌다. 정성적 분석에 따르면, GPO-VAE는 실험적으로 검증된 조절 경로와 정렬되는 생물학적으로 설명 가능한 GRN을 구성할 수 있다. 가용성 및 구현: GPO-VAE는 https://github.com/dmis-lab/GPO-VAE 에서 제공된다.

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