유전체 파운데이션 모델(FM)은 단순한 서열 조성을 넘어선 예측 정보를 제공하는가? 본 연구에서는 57개의 유전체 분류(classification) 데이터셋과 2개의 탐색적 유전자 발현 회귀 태스크에 걸쳐 정규화된 k-mer 빈도와 5개 DNA FM의 동결된(frozen) 표현을 비교 평가한다. 단순한 k-mer 피처는 대부분의 모델과 대등한 경쟁력을 유지한 반면, NTv3는 일관된 우위를 보였으며, 이러한 순위는 전역적으로 고정된 베이스라인, 다중 스케일 k-mer 베이스라인, 대안적인 다운스트림 프로브 전반에서 견고하게 유지된다. 추가적인 예측 유용성을 직접 검증하기 위해, 일치된 Random Forest 프로토콜 하에서 전역 6-mer 피처와 각 FM 임베딩(embedding)을 결합(concatenation)한 피처를 비교한다. NTv3는 57개 데이터셋 중 46개에서 성능을 향상시켰으나(평균 $Δ$MCC = +0.072), Caduceus는 더 작은 이득만을 제공했고 다른 모델들은 평균 MCC를 향상시키지 못했다. 또한 임베딩을 6-mer 빈도로부터 선형적으로 예측 가능한 성분과 릿지 잔차로 분해하여 선형적 복원 가능성이 다운스트림 유용성을 안정적으로 나타내지 못함을 발견했다. 정확한 6-mer 보존 셔플을 통해 태스크 관련 서열 순서 민감도를 추가로 규명했으며, 이는 NTv3에서 가장 두드러지게 나타났으나 순서 민감도 자체만으로는 예측 향상을 보장하지 않는다. 본 연구 결과는 조성 피처를 필수적인 대조군으로 확립하고 미세조정(fine-tuning) 능력에 대한 주장 없이도 동결된 유전체 표현의 부가가치를 평가하기 위한 상호보완적인 진단 방법을 제시한다.
유전체 파운데이션 모델은 서열을 보유한 기기에 전문가 가중치가 더 이상 들어가지 않을 정도로 희소 전문가 혼합(MoE) 네트워크로 성장하고 있으나, 대여한 가속기에 비공개 유전체를 전송하는 것은 이를 노출시킵니다. 본 논문에서는 하나의 전문가를 호스팅하는 단일 서버만으로도 입력 뉴클레오타이드를 99.8%의 top-1 정확도로 복원할 수 있음을 보여줍니다. 저자들은 신뢰할 수 있는 씬 클라이언트에 15.1B 매개변수 MoE 유전체 모델의 임베딩, 어텐션, 라우터를 유지하고, 매개변수의 95.8%에 달하는 모든 전문가 프로젝션을 Module-LWE 암호화 하에서 신뢰할 수 없고 공모 가능성이 있는 GPU 서버로 외주화하는 프로토콜인 CipherGenome을 제안합니다. 이 설계는 세 가지 구조적 사실을 활용합니다. 즉, 전문가 층은 두 개의 SwiGLU 게이트 사이에서 선형적이고, 전문가 가중치는 공개되어 있으며, GPU 정수 텐서 코어는 단일 GEMM에서 모듈로 $2^{48}$에 대해 암호문-가중치 곱을 정확하게 평가할 수 있다는 점입니다. 클라이언트가 비선형성을 정확하게 평가하고 새로운 비밀값으로 재암호화하므로, 다항식 근사나 부트스트래핑이 전혀 필요하지 않습니다. 12개 박테리아 유전체의 72개 윈도우에서 암호화는 토큰당 $2.54 \times 10^{-4}$ nats의 KL 발산(95% CI 상한 $3.95 \times 10^{-4}$)만을 추가하여 사전 등록된 비열등성 마진 미만이자 bf16 추론과 구별할 수 없는 수준을 보였으며, 동일한 역전 공격은 무작위 추측 수준으로 떨어집니다. 재사용 가능한 공개 힌트는 종단 간 지연 시간을 3.54배 단축하고, 유선 압축은 트래픽을 6.8배 줄이며, 층별 패딩은 라우팅 유출 정확도를 54.9%에서 8.9%로 낮추고, HE 호환 int4 전문가는 평문 전문가와 동등한 비열등성을 유지합니다. 전문가 및 토큰당 서버 측 비용은 CKKS 기준선보다 6 자릿수 이상 낮습니다.
최근 대규모 언어 모델(LLM) 임베딩의 발전으로 생물학적 데이터에 대한 강력한 표현이 가능해졌지만, 지금까지 대부분의 응용은 유전자 수준 정보에 초점을 맞추고 있다. 우리는 인간 게놈 전역에 걸쳐 유전 변이 수준 임베딩을 생성하는 최초의 체계적 프레임워크 중 하나를 제시한다. FAVOR, ClinVar, GWAS Catalog의 큐레이션된 주석을 사용해 89억 개의 가능한 변이에 대한 기능적 텍스트 설명을 구성하고, 세 가지 규모에서 임베딩을 생성했다: HapMap3/MEGA 변이 150만 개, 보간된 UK Biobank(UKB) 변이 9천만 개, 가능한 모든 변이 90억 개. 임베딩은 OpenAI의 text-embedding-3-large와 오픈소스 Qwen3-Embedding-0.6B 모델을 포함한 범용 모델로 생성했다. 기준선 품질 관리 실험은 변이 수준 특성에 대한 높은 예측 정확도를 보여 주며, 임베딩이 게놈 변이의 구조화된 표현임을 검증한다. 또한 실제 임베딩 증강 유전적 위험 예측에 이를 적용하여, UK Biobank 코호트 데이터에서 다유전자 위험 점수(PRS)형 예측에 LLM 임베딩을 사용할 때의 성능을 보여 준다. Hugging Face에서 공개 제공되는 이 자원은 대규모 게놈 발견과 정밀 의학 발전의 토대를 제공한다.
유전체 파운데이션 모델 간의 비교가 어렵다는 문제를 해결하기 위해 40개 모델의 고정된 표현을 100개 작업에서 평가하는 대규모 진단 벤치마크인 GENEB을 제안합니다. 분석 결과 모델 순위는 작업 카테고리에 따라 크게 달라지며, 모델 규모보다는 아키텍처와 사전학습 데이터의 정렬이 성능에 더 큰 영향을 미침을 보여줍니다.
생성형 인공지능(GenAI)은 유전체학, 단백질체학, 전사체학, 구조생물학, 약물 발견을 발전시키며 생물정보학을 변화시키고 있다. 체계적 문헌고찰 및 메타분석 보고 가이드라인(Preferred Reporting Items for Systematic Reviews and Meta-Analyses, PRISMA) 프레임워크에 따라, 본 리뷰는 방법론적 혁신, 예측 성능, 특화, 한계, 데이터 사용 측면에서 영향력 있는 GenAI 전략을 평가하기 위해 여섯 가지 연구 질문을 다룬다. RQ1은 GenAI가 서열 분석, 분자 설계, 통합 데이터 모델링을 지원하며, 향상된 패턴 인식과 생성을 통해 종종 전통적 방법보다 우수한 성능을 보인다는 것을 보여준다. RQ2는 도메인 특화 사전학습과 컨텍스트 인식 설계로 인해 특화 아키텍처가 일반 목적 모델보다 일반적으로 우수한 성능을 보인다는 것을 발견한다. RQ3는 분자 분석과 생물학적 데이터 통합에서 향상된 정확도와 분석 오류 감소를 포함한 이점을 확인한다. RQ4는 확립된 벤치마크에 뒷받침된 구조 모델링, 기능 예측, 합성 데이터 생성의 발전을 보고한다. RQ5는 확장성 부족, 데이터 바이어스, 제한된 일반화 가능성을 포함한 주요 한계를 강조하고, 더 강력한 평가와 생물학적으로 근거 있는 모델링을 권고한다. RQ6는 UniProtKB와 ProteinNet12를 포함한 분자 데이터셋, CELLxGENE와 GTEx를 포함한 세포 데이터셋, PubMedQA와 OMIM을 포함한 텍스트 자원이 모델 학습과 일반화를 지원한다는 것을 보여준다. 전반적으로, 본 리뷰는 더 정확하고 특화되며 통합적인 생물정보학 분석을 통해 계산생물학을 발전시킬 GenAI의 증가하는 잠재력을 보여준다.
공간 해상도 오믹스 연구에서는 전사체(transcriptomic) 및 후성유전체(epigenomic) 분석을 점점 더 결합하고 있지만, 하위 분석은 여전히 단일 모달리티 파이프라인으로 수행되는 경우가 많다. 본 논문은 LATTICE(Latent Alignment of Tissue-level and Transcriptomic Information for Cross-modal Embedding)를 제안한다. 이는 조화화된 다중모달 특징으로부터 spot 수준 표현을 학습하는 그래프 기반 자기지도 프레임워크이다. LATTICE는 Visium spot당 다섯 개의 정렬된 모달리티 블록을 통합한다: Visium RNA, scMultiome RNA, scMultiome ATAC, spatial ATAC, spatial CUT&Tag. 이러한 모달리티는 통합된 격자(lattice) 표현 안에서 공간 전사체 측정값, 단일세포로 추론한 조절 활성, in situ 크로마틴 및 히스톤 상태를 포착한다. LATTICE는 공간 이웃 그래프를 구성하고, 마스킹 재구성, 교차 모달 정렬, 공간 평활성 목표를 사용해 TransformerConv 인코더를 학습한다. 비식별화된 임상 협력 기관의 사유 11-샘플 흑색종 코호트(총 54,912 spots)에서 LATTICE는 안정적인 최적화 동작, 분석 시드 간 재현 가능한 임베딩, 모든 샘플에 걸친 완전한 다중모달 통합을 보였다. Visium RNA 단독에 scMultiome RNA를 추가하면 11회 실행 전반에서 Space Ranger 클러스터와의 일치도가 크게 향상되었다(조정 랜드 지수[ARI] +0.157, 정규화 상호정보량[NMI] +0.143, 공간 연속성 +0.174). 추가 모달리티는 공간 연속성과 다중모달 유틸리티 점수(MUS)를 더욱 개선했지만, 때로는 RNA 유래 참조 라벨과의 일치도를 낮추기도 했으며, 이는 학습된 임베딩이 전사체 유사성만을 넘어서는 크로마틴 및 조절 구조를 포착했기 때문으로 보인다. 이러한 결과는 LATTICE를 다중모달 공간 오믹스 통합을 위한 실용적이고 경험적으로 뒷받침되는 프레임워크로 자리매김하는 동시에, 더 강한 지도(supervision)와 더 넓은 외부 벤치마킹의 필요성을 부각한다.
기하학적 인과 모델(GCM)은 공간·네트워크·분자 데이터와 같이 독립 동일 분포(i.i.d.)를 따르지 않는 구조화된 데이터에서 인과 추론을 수행하기 위해, 데이터 생성 과정의 대칭성을 군론(group theory)으로 형식화한 통합 프레임워크다. 에르고딕 이론으로 인과 식별을 보장하고 기하학적 심층 학습과 베이즈 추론을 결합한 추정 방법을 제시하며, DNA 대칭성을 만족하는 GCM을 구성해 유전적 변이 효과를 추정하는 데 적용했다.
생물학을 위한 대규모 언어 모델(BioLM) 연구의 발전은 모델에 생물학에 대한 진정한 이해를 부여할 수 있는 학습 코퍼스에 대한 필요성을 만들어냈다. 그러나 분자 데이터베이스, 단백질 저장소, 유전체 주석, 단일세포 아틀라스, 경로 데이터베이스 등 기존 생물학적 자원들은 이질적인 형식에 분산되어 있으며, 언어 모델 학습을 위한 통합 코퍼스로 정리되지 않은 상태이다. 본 논문에서는 이러한 분산된 자원들을 소분자, 단백질, 유전체 서열, 세포, 경로를 아우르는 통합된 학습 준비 형태로 변환한 526억 토큰 규모의 사전학습 코퍼스인 TheBioCollection을 소개한다. TheBioCollection은 기존 데이터를 통합하는 것을 넘어, 도구 기반으로 계산된 생물학적 속성으로 각 레코드를 풍부하게 하고, 현존 코퍼스가 거의 다루지 못하는 역량을 위한 새로운 인스트럭션 태스크를 도입한다. 본 코퍼스와 함께, 분자·단백질·유전체·세포·교차 도메인 환경에서의 인식, 생성, 예측을 검증하는 매칭된 평가 스위트인 TheBioCollection-Eval을 제공한다. 기반 모델인 Gravity-16B-A3B 아키텍처를 고정한 상태에서 TheBioCollection으로 학습하면 TheBioCollection-Eval의 전체 점수가 두 배 이상 향상되고 모든 도메인에서 성능 향상이 나타나는 반면, 일반 언어 능력은 거의 그대로 유지된다.
기관마다 상이한 시퀀싱 패널로 인해 발생하는 구조적 특징 결측 문제를 해결하기 위해, SHIFT(Survival prediction Handling Incomplete Features using Transformer)는 테스트 시점 대체(imputation) 없이 마스크드 셀프 어텐션과 가변 비율 특징 마스킹을 활용해 불완전한 유전체 데이터로부터 직접 생존 예측을 수행한다. 교모세포종(glioblastoma) 및 폐 편평세포암종(lung squamous cell carcinoma) 다기관 코호트 평가에서 단일 모델로 기존 생존 예측 기준선 및 대체 기반 방법 대비 우수한 일반화 성능을 보였으며, 불완전한 코호트를 학습에 포함하는 것이 외부 데이터 성능을 향상시킬 수 있음을 확인했다.
유전체학 섭동 실험처럼 개입(intervention)이 존재하는 환경에서, 선택적 등각 예측(selective conformal prediction)의 보정 집합 선택 시 인과 구조를 잘못 추정했을 때 커버리지가 얼마나 저하되는지를 정량화하고 보수적 보정 방법을 제시한다. 완전한 인과 그래프 대신 보정 개입 선택에 필요한 부분 인과 구조만 학습하는 알고리즘을 제안하고, 합성 구조 방정식 모델과 Replogle K562 CRISPRi 데이터에서 유효성을 검증하였다.
자연어 처리(NLP)는 인간 언어를 위해 개발된 기법을 생물학적 서열 분석에 적용함으로써 언어학을 넘어 다양한 분야를 변혁시켜 왔다. 본 리뷰는 유전체학, 전사체학, 단백질체학에 초점을 맞추어 생물학적 서열 데이터에 대한 NLP 방법론의 적용을 탐구한다. word2vec과 같은 고전적 접근법부터 트랜스포머(transformer)와 하이에나 연산자(hyena operator)를 활용한 고급 모델에 이르기까지, 다양한 NLP 방법이 DNA, RNA, 단백질 서열 및 전체 유전체 분석에 어떻게 적용되고 있는지를 살펴본다. 또한 토큰화 전략과 모델 아키텍처를 검토하여 각각의 강점, 한계, 그리고 다양한 생물학적 과제에 대한 적합성을 평가한다. 나아가 구조 예측, 유전자 발현, 진화 분석 등 생물학적 데이터에 대한 NLP 응용의 최근 발전을 다루며, 대규모 유전체 데이터로부터 유의미한 통찰을 추출하는 데 있어 이러한 방법들의 잠재력을 강조한다. 언어 모델이 계속 발전함에 따라, 이를 생물정보학에 통합하는 것은 생명의 모든 영역에서 생물학적 과정에 대한 이해를 심화시키는 데 있어 막대한 가능성을 지닌다.
최근 기반 모델(foundation model)과 대규모 언어 모델(LLM)의 획기적인 발전은 게놈 서열 연구 및 해독에 새로운 기회를 제공하고 있다. DNABERT2와 같은 최첨단 접근 방식들은 트랜스포머 기반 아키텍처에 의존하는 반면, ConvNova와 같은 방식들은 여전히 보다 전통적인 합성곱 모델을 기반으로 한다. 그러나 이러한 방법들에 대한 체계적인 벤치마크 비교 연구는 여전히 드물다. 트랜스포머 기반 모델은 광범위하고 비용이 큰 사전학습을 필요로 하므로, 그 성능 향상이 이 부담을 정당화하는지 평가하는 것이 중요하다. 또한, DNABERT2와 같은 대규모 언어 모델(LLM)은 일반적으로 바이트 쌍 인코딩(Byte Pair Encoding, BPE) 토큰화에 의존하는데, DNA 서열 표현에 있어 그 적합성은 유전체학 커뮤니티 내에서 아직 논의 중이다. 본 연구에서는 세 가지 핵심 질문을 탐구한다: (i) 트랜스포머 기반 모델은 대규모 사전학습을 통해 미세조정 태스크에서 충분한 성능 향상을 제공하는가, (ii) 이 설정에서 사전학습의 실제 기여는 무엇인가, (iii) BPE 토큰화는 유전체학 관련 태스크의 성능에 어떤 영향을 미치는가?
생물체에서 어떤 유전자가 어떤 형질을 조절하는지 이해하는 것은 여전히 생물학의 핵심 과제 중 하나이다. 데이터 수집 기술의 상당한 발전에도 불구하고, 유전자를 형질에 매핑하는 능력은 여전히 제한적이다. 이 게놈-표현형(genome-to-phenome, G2P) 과제는 식물 육종을 포함한 여러 문제 영역에 걸쳐 있으며, 고차원적이고 이질적(heterogeneous)이며 생물학적으로 구조화된 데이터에 대해 추론할 수 있는 방법을 필요로 한다. 그러나 현재의 데이터셋과 데이터 저장소는 이 작업에 잘 대비되어 있지 않다. 현재 연구들은 유전자 발현과 형질 데이터를 연계하지 않으며, 대부분 매우 특정한 형질에만 초점을 맞춰 가능한 상관관계의 폭을 제한한다. 이 공백을 해소하기 위해, 우리는 식물 생물학의 모델 생물인 Arabidopsis thaliana에서 유전자 발현 프로파일과 표현형 형질 측정치를 연계한, 큐레이션된 다중 모달(multimodal) 데이터셋인 Gene-Graph Regression for Arabidopsis Functional Traits(GRAFT) 데이터셋을 제시한다. GRAFT는 표현형 예측 및 해석 가능한 그래프 학습과 같은 작업을 지원한다. 또한 우리는 유전자-형질 연관성을 검증하기 위해 생물학적 정보를 반영한 하이퍼그래프 기준선을 포함한 기존 회귀 및 설명형 기준선을 벤치마크한다. 우리가 아는 한, 이는 동일한 Arabidopsis thaliana 개체에 대해 다중 모달 유전자 정보와 이질적 형질 또는 표현형 데이터를 제공하는 최초의 데이터셋이다. GRAFT를 통해 우리는 유전자 정보, 고차 유전자 쌍(higher-order gene pairings), 다양한 출처의 형질 데이터를 활용하여 유전형과 표현형 간의 관계를 정확히 이해하는 연구를 촉진하고자 한다.
Spatial Transcriptomics (ST) profiles thousands of gene expression values at discrete spots with precise coordinates on tissue sections, preserving spatial context essential for clinical and pathological studies. With rising sequencing throughput and advancing platforms, the expanding data volumes motivate large-scale ST pretraining. However, the fundamental unit for pretraining, i.e., what constitutes a single training sample, remains ill-posed. Existing choices fall into two camps: (1) treating each spot as an independent sample, which discards spatial dependencies and collapses ST into single-cell transcriptomics; and (2) treating an entire slide as a single sample, which produces prohibitively large inputs and drastically fewer training examples, undermining effective pretraining. To address this gap, we propose treating spatial transcriptomics as croppable images. Specifically, we define a multi-channel image representation with fixed spatial size by cropping patches from raw slides, thereby preserving spatial context while substantially increasing the number of training samples. Along the channel dimension, we define gene subset selection rules to control input dimensionality and improve pretraining stability. Extensive experiments show that the proposed image-like dataset construction for ST pretraining consistently improves downstream performance, outperforming conventional pretraining schemes. Ablation studies verify that both spatial patching and channel design are necessary, establishing a unified, practical paradigm for organizing ST data and enabling large-scale pretraining.
Birth defects are a major cause of fetal loss, neonatal morbidity and long-term disability. In the subset with suspected genetic etiologies, exome and genome sequencing have moved many cases from variant detection to post-sequencing interpretation: clinicians must rank patient-specific candidate variants under incomplete fetal or infant phenotypes and heterogeneous evidence from population genetics, variant-effect prediction, gene-disease validity, phenotype ontologies, cellular and pathway context, protein structure and clinical literature. We present DeepBD, a grounded agentic workflow for variant prioritization and diagnostic interpretation of genetic birth defects. DeepBD organizes the workflow into LLM-assisted case structuring, a pretrained evidence engine, specialist evidence modules and a grounded diagnostic review layer. The evidence engine learns patient-specific variant scores from structured rule evidence, sequence and variant-effect representations and phenotype-conditioned biological context, whereas specialist modules and the agentic layer provide tool-based refinement, candidate-pool review and diagnosis-oriented synthesis from ranked candidates. Developed using an in-house fetal and infant cohort comprising 18,622 cases, DeepBD achieved Recall@1/3/5/10 of 0.658/0.882/0.912/0.929 on an internal held-out solved-case benchmark, outperforming standalone Exomiser, DeepRare and prompted LLM reranking baselines evaluated on Exomiser-derived top-20 candidate variants. Ablation and overlap analyses show that rule evidence, mechanistic context, and specialist refinement provide complementary signals. These findings support a grounded agentic workflow that separates evidence integration, tool-based refinement, and LLM-assisted diagnostic review for retrospective variant prioritization in genetic birth defects.
세포 없는 DNA(cfDNA)는 단일 채혈을 통해 여러 암을 동시에 감지할 수 있고, 특히 현재 확립된 검진 프로그램이 부족한 암에 대해 높은 민감도를 보인다는 점에서 비침습적 다중 암 조기 발견(MCED)을 위한 유망한 접근 방식입니다. 여기서 우리는 2022년부터 2025년 사이에 개발된 cfDNA 기반 MCED를 위한 계산 방법론을 검토합니다. 우리는 초기 단계의 암을 감지하기 위해 프래그먼토믹스(fragmentomics)와 후성유전학적 특징이 어떻게 추출되고 분석되는지에 초점을 맞춥니다. 우리는 먼저 cfDNA 신호의 생물학적 기전을 간략히 개요한 다음, 오토인코더 기반 모델을 포함한 심층 학습 프레임워크와 함께 고전 통계 및 기계 학습 접근법을 검토합니다. 각 방법에 대해 생물학적 해석 가능성, 검증 전략, 임상 통합 준비 상태에 대해 논의합니다. 또한, 해당 분야의 미해결 문제를 개략적으로 설명하면서 현재의 과제를 기술적, 계산적, 방법론적 측면으로 분류합니다. 이 리뷰는 멀티모달 앙상블 접근법이 임상 통합을 위한 가장 강력한 가능성과 가장 높은 준비 상태를 가지고 있음을 보여줍니다. 그러나 미래 연구에 대한 더 나은 평가와 직접 비교를 위해서는 평가 프로토콜과 결과 보고의 표준화가 중요할 것입니다.
유전자 수준 지식에서 기능적 이해로의 추론 능력을 체계적으로 평가하기 위해 권위 있는 생물학 데이터베이스로 구축한 대규모 유전자 중심 벤치마크 SciHorizon-GENE를 제안하며, 19만 개 이상 유전자와 54만 개 이상 질문으로 연구 관심도 민감도, 환각 경향, 지식 완전성, 문헌 영향력 네 관점에서 LLM을 평가한다. 범용·생물의학 LLM 27종 평가 결과 유전자 수준 추론 능력의 큰 이질성과 충실·완전·문헌 기반 기능 해석 생성의 지속적 한계가 드러났다.
개인화된 건강 AI 시스템의 콜드 스타트 문제를 해결하기 위해 개인의 유전적 프로필을 베이지안 사전 확률(prior)로 활용하여 생리학적 기준선을 초기화하는 추론 프레임워크를 제안한다. 이 방법은 유전적 기준선과 실제 측정값의 차이를 통해 환경적 요인을 분리하고, 데이터 축적에 따라 유전적 정보에서 경험적 데이터로 추론의 비중을 동적으로 전환한다.
고등급 신경교종은 뉴런과의 기능적 시냅스를 통해 신경 회로에 통합되는데, 이는 어떤 비코딩 요소가 종양 세포 내 시냅스 형성 유전자 발현을 규정하는지에 대한 문제를 제기합니다. 다크 게놈(dark genome) 전반에 기록된 조절 프로그램, 즉 우리가 *다크 레귤롬(dark regulome)*이라 부르는 것은 탐색해야 할 자연스러운 대상이며, 서열 파운데이션 모델(sequence foundation models)은 실리코 변이 유발(in-silico mutagenesis, ISM)을 통해 제로샷(zero-shot) 경로를 제공합니다. 그러나 가능도(likelihood) 기반 스코어링은 국소 서열 예측 가능성과 필연적으로 결합되어 있어, 조절에 대한 해석이 불확실하게 남습니다. 아키텍처가 서로 다른 세 가지 파운데이션 모델(Caduceus-Ph, HyenaDNA, Enformer)과 92개의 신경교종 관련 좌위(loci)에 있는 30,448개의 다크 게놈 요소를 대상으로, 우리는 예측 가능성에 의한 것과 조절에 의한 것을 구분하여 RIS 분산을 분리하는 잔차화(residualization) 및 순열(permutation) 진단법을 소개합니다. 명확한 10kb 근위 조절(proximal-regulatory) 범위는 우리가 적용한 모든 통제에서 유지되지만, 언어 모델(LM)에서 유래한 요소 클래스 계층은 그렇지 않습니다. 6개 특징(feature)을 가진 선형 기준선(baseline)은 AUC $= 0.985$로 Caduceus의 상위 10분위(top-decile) 소속과 일치하는 성능을 보입니다. 교차 아키텍처 분해(cross-architecture decomposition)는 서열 예측 가능성 층(layer)(두 언어 모델이 길고 잘 예측된 전이 요소를 공동으로 순위 매김)을 조절 출력 층(Enformer만이 잔차 cCRE 식별 신호를 유지함)에서 명확하게 분리해내며, 두 상위 100 목록 간의 중복은 문자 그대로 0입니다. 보존(conservation), 뇌 시스 eQTL(brain cis-eQTL), STRING-PPI 교차 검사는 생물학적 결과가 무엇인지 확립해 줍니다. 세 모델 모두에서의 상위 100 요소는 모델당 일치하는 뇌 eQTL에 대해 $3.3\times$ 농축되어 있는 반면($p_\mathrm{emp} < 5\times 10^{-3}$), 그럴듯해 보이는 전이 요소(transposable-element) 조절 층과 현저한 NRXN1+NLGN1 단백질 쌍의 수렴(convergence)은 적절한 순열 테스트가 구성되면 모두 실패합니다. 우리는 이 진단법을 ISM 기반 조절 연구에 사용할 수 있는 일반적인 방법론적 도구로 제공합니다.