세포 반응 예측 인공지능 모델 스테이트 개발
연구팀이 방대한 데이터와 새로운 평가 프레임워크를 결합한 인공지능 모델 스테이트를 개발했습니다. 이 모델은 세포 섭동 데이터 부족 문제를 해결하고 생물학적 인과 관계 파악을 돕습니다. 네이처 메서드 보도를 교차 검증했습니다.
주장세포 섭동 데이터는 생물학적 인과 관계를 파악하는 핵심 정보이지만, 기술 제약과 데이터 부족으로 연구에 제동이 걸립니다.
팩트아비나브 아두리, 유수프 루하니 연구팀은 이 문제를 해결하기 위해 스테이트라는 머신러닝 모델을 개발했습니다.
팩트스테이트는 인공지능과 리보핵산 시퀀싱 데이터를 결합해 세포 수준의 반응을 예측합니다.
팩트이 모델은 세포 이질성을 고려하는 트랜스포머 기반의 상태 전환 모델과 다양한 세포 프로필을 사전 학습하는 상태 임베딩 모델로 구성됩니다.
팩트연구팀은 상태 전환 모델 학습에 1억 개 이상의 세포 섭동 데이터를 투입했습니다.
팩트상태 임베딩 모델 학습에는 1억6700만 개의 관찰 데이터를 활용했습니다.
주장이번 연구는 광범위한 생물학적 맥락을 학습시켜 특정 환경에서만 작동하는 기존 모델의 한계를 넘어섭니다.
팩트연구팀은 모델 성능을 검증하기 위해 셀-이발이라는 새로운 평가 프레임워크를 도입했습니다.
주장셀-이발은 하위 작업 활용도를 고려해 서로 다른 섭동을 구분하고 차별적으로 발현되는 유전자를 식별합니다.
팩트아두리 연구원은 이 프레임워크가 유전자 발현 변화를 예측하고 전체적인 섭동 효과를 추정하는 데 유용하다고 밝혔습니다.
교차검증방대한 데이터를 활용했음에도 생물학적 복잡성이 높아 모든 세포 유형에서 완벽한 예측을 담보하기는 어렵습니다.
출처네이처 메서드(https://www.nature.com/articles/s41592-026-03260-1)의 보도를 교차 검증했습니다.
관련 콘텐츠
본 기사는 전문가의 분석과 공개 자료를 기반으로 AI가 작성 후 다른 AI의 검증을 거쳐 작성됐으며 정보의 정확성과 완전성을 보장하지 않습니다. 기사 내용은 특정 투자·의사결정의 권유가 아니며, Wittgenhaus는 이를 근거로 한 행위의 결과에 책임을 지지 않습니다.
