단일 세포 전사체학 기반 유전자 조절 네트워크 추론을 위한 다중 모델 생물학 및 서열 정보 융합

전사 유전자 조절의 근간이 되는 분자적 메커니즘을 이해하기 위해서는 전사 인자 표적 유전자 상호작용의 식별과 유전자 조절 네트워크(GRNs) 구축이 필수적이다. 서로 다른 조직에 걸친 대규모 단일 세포 전사체학은 유전자 발현의 이질성을 포착함으로써 세포 다양성과 조절 역학에 대해 전례 없는 해상도를 제공한다. 그러나 기존 방법들은 효과적인 다중 모달 통합이 부족한 경우가 많으며, Gene Ontology (GO)의 계층적 구조와 유전자 서열 수준의 표현을 충분히 활용하지 못해 예측 성능과 생물학적 해석력에 한계를 보인다. 본 연구에서는 denoising auto encoders, graph attention feature extraction, 그리고 사전 학습된 DNA language model을 활용하여 다중 모델 생물학적 지식 내의 다중 소스 의존성을 포착함으로써, 단일 세포 전사체 프로필과 GO 계층 관계, 유전자 서열을 통합하는 다중 모델 딥러닝 프레임워크인 scMGFGRN을 제시한다. 또한, 이 모델의 gated multi head attention module은 정보가 풍부한 조절 시그니처를 효과적으로 식별하고 서로 다른 소스로부터 상호 보완적인 특징을 통합하여 예측한다.