Predicting gene expression from DNA sequence using deep learning models
https://www.nature.com/articles/s41576-025-00841-2
2025, nature reivew genetics,37 citation
강화학습 기반 meta path 방법론이라서, 결과 이미지만 보려고함.
유전자는 전사는 프로모터 및 인헨서와 같은 DNA 요소들에 의해 조절되며, 이 요소들의 활성은 다시 수많은 TF에의해 조절된다. 이 과정에 수반되는(involved) 매우 복잡한 조합 논리 때문에, DNA 서열로부터 유전자 활성을 예측하는 계산 모델을 구축하는 것은 그간 어려운 과제였다(has been). 최신 epigenome mapping과 high-throughtput reporter assay데이터에 적용된 딥러닝 기술의 발전은 이러한 복잡성을 해결하는 데 상당한 진진을 이루었다. 이런한 모델은 놀라운 정확도로 조절 문법을 포착하며, non-coding 변이 효과를 예측, 유전자 조절의 세부 분자 기전 규명, 그리고 바이오테크놀로지를 위한 합성 조절 요소 설계에 있어 큰 가능성을 보여준다. 본 연구는 이런 접근법들의 원리와 가능한 학습 데이터 세트의 유형, 그리고 각 방법들의 강점과 한계에 대해 논의한다.
* ,which are in turn(결국) controlled by
*조합 논리: combinatorial logic, 입력 조합에 따라 결과가 결정되는 논리
*complex combinatorial logic: 복잡한 조합 논리 (일반적인 개념)
*complex combinatorial logic [involved]: (이 장치나 현상에) 관련된 복잡한 조합 논리
*관련된 -> 수반된, 내제된