AI 기반의 다중 오믹스 데이터 통합을 통한 세포 운명 전이 경계부 해석의 도전 과제

최근 연구들은 단일세포 분석 및 다양한 오믹스 데이터를 통해 세포 운명 결정 과정을 높은 해상도로 관찰하고 있으나, 실제 세포 상태 전이 경계부의 복잡한 역동성을 AI로 완벽히 모델링하는 데는 여러 이론적, 계산적 난제가 남아있다.

경계부 해석의 난제

• 불연속성 문제: 기존의 시스템 생물학 모델은 연속적인 상태 변화를 가정하지만, 실제 세포 운명 결정은 급격한 전사체학적 스위칭을 포함하여 이산적인 특성을 보인다.
• 데이터 희소성 및 편향: 특히 희귀한 전이 단계의 데이터는 매우 희소하며, 이는 학습 모델의 일반화 능력(생물정보학)에 심각한 편향을 초래한다.

현재 연구 방향은 딥러닝 기반의 그래프 신경망 등을 활용하여 이산적 사건과 연속적 변수를 동시에 처리하는 방향으로 나아가고 있지만, 어떤 대사체 신호(예: 대사체학)가 최종적인 후성유전적 메모리(후성유전학)를 어떻게 각인시키는지에 대한 명확한 인과관계 확립이 가장 큰 미해결 과제로 남아있다.