메뉴 건너뛰기

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
(전남대학교) (전남대학교)
저널정보
한국디지털콘텐츠학회 디지털콘텐츠학회논문지 디지털콘텐츠학회논문지 제27권 제2호
발행연도
수록면
557 - 568 (12page)
DOI
10.9728/dcs.2026.27.2.557

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
이 논문의 연구방법이 궁금하신가요?
🏆
연구결과
이 논문의 연구결과가 궁금하신가요?
AI에게 요청하기
추천
검색
질문

초록· 키워드

정밀의학과 신약 재창출에서 항암제-암 세포주의 약물 반응(IC50) 예측은 중요하다. 하지만 기존 모델은 약물과 세포를 독립적으로 인코딩한 뒤 단순 결합함으로써, 약물–세포 상호작용과 기능적 유전자 집합(gene set)의 생물학적 정보를 충분히 활용하지 못한다. 본 연구는 ChemBERTa 약물 임베딩과 GDSC RNA-seq 기반 949개 유전자 발현을 MSigDB Hallmark gene set으로 집약한 세포 표현 위에, 약물 조건부 gene set 게이팅과 gene set 수준 cross-attention을 적용하고, TARGET_PATHWAY 레이블을 이용한 supervised contrastive learning으로 약물 임베딩을 정규화하는 모델을 제안한다. GDSC 데이터셋에서 제안 모델은 ChemBERTa+MLP 베이스라인(PCC 0.911, RMSE 1.133) 대비 PCC 0.922, RMSE 1.069를 달성하였으며, gene set 기반 표현과 경로 지식, 약물 조건부 게이팅 및 cross-attention 통합이 약물 반응 예측의 정확도와 경로 수준 해석 가능성을 동시에 향상시킬 수 있음을 보였다.
#약물 반응 예측 #지도 대조 학습 #Drug Response Prediction #Gene Set #Cross-Attention #Supervised Contrastive Learning #GDSC
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지
정보가 잘못된 경우 알려주세요!

목차

  1. 요약
  2. Abstract
  3. Ⅰ. 서론
  4. Ⅱ. 본론
  5. Ⅲ. 실험결과
  6. Ⅳ. 결론
  7. 참고문헌

참고문헌

참고문헌 신청

최근 본 자료

전체보기
260319_딥리서치
260319_AI리더
260304_새학기에이전트
260122_AIagent
260304_아그논문롤
260127_아그논문
260127_AI뷰어