PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2408.02845v2cs.LG공식 코드 · Papers with Code

암 멀티오믹스 통합을 위한 멀티모달 특징 선택 기반 이종 그래프 어텐션 네트워크

Heterogeneous Graph Attention Network With Multimodal Feature Selection for Cancer Multiomics Integration

고차원 멀티오믹스 데이터가 증가함에 따라 인간 질환의 복잡성을 포착할 수 있는 고급 통합 모델이 요구된다. 그래프 기반 딥러닝 통합 모델은 유망함에도 불구하고 소규모 환자 코호트와 고차원 특징에 어려움을 겪으며, 오믹스 간 관계를 모델링하지 않은 채 독립적인 특징 선택을 적용하는 경우가 많다. 또한 기존의 그래프 기반 오믹스 모델은 동종 그래프에 초점을 맞추어, 다양한 구조를 포착하기 위한 여러 유형의 노드와 에지가 부족하다. 우리는 암 진단을 개선하기 위한 오믹스 통합용 이종 그래프 어텐션 네트워크(HeteroGATomics)를 제안한다. HeteroGATomics는 멀티 에이전트 시스템을 통해 멀티모달 특징 선택을 수행하여 각 오믹스 모달리티별로 특징 및 환자 유사도의 전용 네트워크를 생성한다. 이후 이 네트워크들을 하나의 이종 그래프로 결합하여 오믹스별 전체론적 표현을 학습하고 모달리티 간 예측을 통합한다. 세 가지 암 멀티오믹스 데이터셋에 대한 실험에서 HeteroGATomics는 암 진단의 대부분의 평가 지표에서 기준 방법들을 능가한다. 독립적인 유방암 코호트에 대한 외부 검증은 이 방법의 일반화 가능성을 추가로 보여 주며, 여기서 HeteroGATomics는 모든 평가 지표에서 그래프 기반 멀티오믹스 통합 방법들을 능가한다. 더욱이 HeteroGATomics는 진단 결과에 기여하는 중요한 바이오마커를 식별함으로써 해석 가능성을 높인다.

arXiv:2408.00057q-bio.BM공식 코드 · Papers with Code

GOProteinGNN: Leveraging Protein Knowledge Graphs for Protein Representation Learning

단백질 표현 학습은 신약 개발과 생명과학 연구 전반에 걸쳐 중요한 역할을 담당하고 있으며, 최근 몇 년간 아미노산 서열 기반의 심층 학습 기법들이 비지도 학습 방식으로 단백질 표현을 생성하려는 시도가 급증해왔습니다. ProtBERT와 같은 텍스트 기반 방법론들이 주로 아미노산 관계 규명에 집중했으나, 이러한 접근들은 단백질 상호작용과 기능 주석에 대한 인수적 지식을 충분히 활용하지 못함으로써 성능 향상에 제약을 받아왔습니다. 광대한 단백질 지식 그래프는 단백질이 참여한 생물학적 프로세스, 상호작용, 기능 정보 등 풍부한 정맥을 담고 있음에도 불구하고, 기존 최고 성능 모델들조차 이러한 정보를 효과적으로 통합하는 데 여전히 어려움을 겪고 있습니다. 본 논문은 이러한 한계를 극복하기 위해 **GOProteinGNN**이라는 혁신적인 아키텍처를 제시합니다. 이는 단백질 언어 모델을 단백질 지식 그래프와 통합하여 아미노산 수준과 전체 단백질 수준의 표현을 동시에 향상시키는 유일한 방법입니다. GOProteinGNN의 핵심 혁신은 **그래프 신경망 지식 주입(GKI, Graph Knowledge Injection) 메커니즘**에 있으며, 이는 [CLS] 토큰을 전역 정보 수집기로 활용하는 방식으로 작동합니다. 기존 방법들이 복잡한 단백질 지식 그래프를 단순한 삼중항으로 축소하거나 인코더 이후 단계에서만 지식을 통합했다면, GOProteinGNN은 인코더 단계에서부터 지식 그래프 정보를 직접 주입합니다. 구체적으로, 단백질 언어 모델이 먼저 아미노산 서열로부터 문맥적 표현을 학습한 후, [CLS] 토큰을 중심으로 지식 그래프의 노드에 매핑하고 그래프 기반 학습을 통해 인접 노드로부터 관계 정보를 전파합니다. 트랜스포머 인코딩과 지식 그래프 업데이트 사이의 번갈아 진행되는 이러한 상호작용을 통해, [CLS] 토큰은 서열 정보와 인수적 지식을 모두 포함하는 더욱 풍부한 단백질 표현을 축적해나갑니다. 이 과정에서 전체 단백질 지식 그래프를 학습함으로써 단순한 삼중항을 넘는 더욱 광범위한 관계적 뉘앙스와 의존성을 포착할 수 있다는 점이 기존 접근 방식과의 중요한 차별점입니다. 광범위한 단백질 작업에 대한 경험적 평가를 통해 GOProteinGNN은 다양한 벤치마크에서 최고 성능을 달성하며, 특히 혈액-뇌 장벽 투과성 예측과 신경퇴행성 질환 치료를 위한 지질 나노입자 기반 약물 전달 시스템의 실제 응용에서 그 효과를 입증했습니다. 이는 단백질 표현 학습이 단순한 벤치마크 성능을 넘어 실제 생의학 응용에서 실질적인 가치를 제공할 수 있음을 보여주는 중요한 사례입니다. GOProteinGNN은 아미노산 수준과 단백질 수준의 정보를 통합하는 최초의 통합 프레임워크로서, 인코더 단계에서 지식 그래프 정보를 효과적으로 통합하고 복잡한 관계 정보를 포착함으로써 단백질 표현 학습의 새로운 지평을 제시합니다.