유전자 교란 효과 예측, 딥러닝이 단순 선형 모델을 아직 능가하지 못해

한줄 요약

유전자 교란 효과 예측을 위한 딥러닝 모델들이 단순 선형 기준선보다 성능이 나은지 평가한 결과, 현재까지 어떤 딥러닝 모델도 기준선을 능가하지 못했다.

풀어야 하는 문제

유전자 교란(예: 유전자 녹아웃)이 세포의 전사체에 미치는 영향을 정확히 예측하는 것은 질병 메커니즘 이해와 치료제 개발에 중요하다. 최근 딥러닝 기반 파운데이션 모델들이 이 문제를 해결할 잠재력을 보였으나, 실제로 단순한 선형 모델보다 우수한지에 대한 체계적인 평가가 부족했다.

접근 방법

연구진은 5개의 파운데이션 모델과 2개의 다른 딥러닝 모델을 단순 선형 기준선(예: 평균 효과, 선형 회귀)과 비교했다. 단일 및 이중 유전자 교란 후 전사체 변화 예측 성능을 여러 데이터셋에서 평가했다.

결과·기여

어떤 딥러닝 모델도 선형 기준선을 일관되게 능가하지 못했다. 이는 복잡한 딥러닝 모델이 항상 더 나은 것은 아니며, 방법론 개발 시 철저한 벤치마킹이 필수적임을 시사한다. 또한, 현재 접근법의 한계를 지적하고 향후 연구 방향을 제시한다.