김선 연구실

본 연구는 전사체 데이터와 임상 특성을 결합한 다중작업 학습 프레임워크인 Transcriptome Transformer(TxT)를 제시합니다. TxT는 Transformer 기반 아키텍처와 다중헤드 어텐션 메커니즘을 활용하여 유전자 간 상호작용을 동적으로 모델링하며, 단일 및 다중작업 데이터셋에서 기존 방법보다 생존 예측 성능이 우수합니다. 또한 어텐션 기반 유전자 상호작용 네트워크를 통해 면역 관련 경로와 응고 및 상피-중간엽 전이 경로 등 생물학적으로 의미 있는 경로를 식별합니다.

본 연구는 밀도 기반 클러스터링 접근법을 사용하여 SARS-CoV-2의 중증도 관련 돌연변이 핫스팟을 식별합니다. NK 세포 수용체 및 공동활성화 수용체 유전자들이 중증 환자군에서 사이토카인 및 단일세포 수준에서 유의하게 발현 조절 이상을 보였으며, 중증도 관련 돌연변이 핫스팟과 NK 세포 관련 유전자 발현 조절을 규명했습니다.

제공된 초록이 불충분합니다. 논문의 제목과 저널 정보만 있고, 연구 목적, 방법론, 결과에 대한 구체적인 내용이 초록 원문에 명시되어 있지 않습니다. 정확한 요약을 위해서는 완전한 초록 텍스트가 필요합니다.

본 논문은 약동학 기반 다중 작업 학습을 통해 분자 기초 모델을 강화하여 약물 유사성을 예측하는 ADME-DL 방법을 제시합니다. 소스 코드는 GitHub에서 공개되어 있습니다.