GCBLANE: 전사 인자 결합 부위 예측을 위한 그래프 강화형 컨볼루션 BiLSTM 어텐션 네트워크

전사 인자 결합 부위(TFBS)를 식별하는 것은 전사 인자(TF)가 DNA에 결합하여 유전자 발현을 조절할 수 있도록 해주기 때문에 유전자 조절을 이해하는 데 핵심적인 과제이다. 고속 시퀀싱 기술의 발전에도 불구하고, 방대한 게놈 데이터와 복잡한 결합 패턴으로 인해 정확한 TFBS 식별은 여전히 도전 과제로 남아 있다. 본 연구에서는 그래프 기반 강화(convolutional, multi-head attention, recurrent) 구조를 통합한 그래프 신경망(GNN)을 활용한 그래프 기반 컨볼루션 양방향 Long Short-Term Memory(LSTM) 어텐션 네트워크(GCBLANE)를 제안한다. 이 모델은 TFBS 예측을 위한 핵심 특징을 효과적으로 탐지하기 위해 컨볼루션 계층, 멀티헤드 어텐션 계층, 순환 계층과 그래프 신경망을 융합한다. 690개의 ENCODE ChIP-Seq 데이터셋에서 GCBLANE는 평균 AUC 0.943을 달성하였으며, 165개의 ENCODE 데이터셋에서는 AUC 0.9495를 기록하여, DNA 형태 정보를 포함한 다중 모달(multimodal) 접근 방식을 활용하는 최신 모델들을 모두 상회하였다. 이 결과는 GCBLANE가 기존의 다른 방법들에 비해 뛰어난 성능을 보임을 입증한다. 그래프 기반 학습과 시퀀스 분석을 결합함으로써, GCBLANE는 TFBS 예측 기술의 발전에 중요한 기여를 한다.