어떤 유전자가 암을 일으키는지 찾는 일은 더딥니다. 시퀀싱은 수천 개의 돌연변이를 찾아내지만 대부분은 큰 역할이 없고, 중요한 신호는 서로 작용하는 단백질 네트워크에 얇게 흩어져 있는 경우가 많습니다. 11월 16일 Nature Machine Intelligence에 실린 논문은 암 유전자 후보의 순위를 매기고, 드물게도 각 선택의 근거까지 보여 주는 모델 CGMap을 소개합니다.
Chenhao Wang, Min Li 등이 참여한 연구팀은 단백질 상호작용 지도 같은 생물학적 네트워크에서 출발합니다. 대부분의 그래프 신경망은 층을 쌓아 정보를 모으며, 층마다 한 걸음씩 더 멀리 봅니다. 몇 걸음을 넘으면 서로 다른 유전자의 신호가 뒤섞입니다. CGMap은 대신 여러 거리를 병렬 채널로 읽어 들이며, 저자들이 폭 중심 설계라 부르는 방식으로 거리마다 정보를 분리해 둡니다. 두 번째 모듈은 알려진 경로를 따라 유전자가 어떻게 협력하는지 모델링하고 유전자 사이의 추적 가능한 연결을 만들어, 예측을 가능한 조절 기전까지 거슬러 볼 수 있게 합니다.
논문에 따르면 이 모델은 여러 네트워크와 여러 암종에서 12,022개 유전자를 점수화했고, 기존 방법을 앞서면서도 계산 효율을 유지했습니 다. 기존 암 유전자 데이터베이스에 없는 것을 포함해 70개 후보를 우선 선정했습니다. 이어 저자들은 실험실에서 후보를 시험했습니다. 작은 간섭 RNA로 후보를 억제하자 암세포의 증식, 이동, 침윤이 줄었고, 전이와 관련된 단계인 상피-중간엽 전이의 지표가 덜 침습적인 상태로 바뀌었습니다. 비암성 세포주 대조 실험은 확장 데이터에 실려 있습니다.
이 연구는 그래프 기반 연구 흐름 위에 서 있습니다. 멀티오믹스 데이터와 그래프 합성곱 신경망을 결합한 2021년 Nature Machine Intelligence 모델과, 그 뒤의 CGMega 같은 설명 가능한 시스템이 그 예입니다. CGMap이 더한 것은 먼 거리까지 읽는 구조와, 나중에 덧붙인 것이 아닌 내장된 설명의 결합입니다.
주의할 점: 이런 연구에 흔한 한계가 있습니다. 실험 검증은 동물이나 환자가 아닌 세포주에서 이뤄졌으므로 70개 유전자는 앞으로의 연구를 위한 단서입니다. 벤치마크에서의 개선은 "알려진" 암 유전자를 어떻게 분류했는지에 좌우되며, 그런 데이터베이스는 본래 불완전합니다. 논문은 동료 심사를 거쳤고 코드와 데이터가 Zenodo에 공개되어 있어 독립적인 검증이 쉬워졌습니다.