컴퓨터·AI학부 임상수 교수 연구팀(노민호 석사과정, 이성경 석사과정, 김성현 학석사연계과정)은 공간 전사체(spatial transcriptomics) 데이터 분석을 위한 생물학적 경로 기반 대조학습 인공지능 모델을 개발하여, 이를 Mathematical & Computational Biology분야 최상위 국제 저명 학술지 Briefings in Bioinformatics 에 게재하였다.

최근 공간 전사체 기술은 조직 내 유전자 발현의 공간적 구조를 정밀하게 분석할 수 있어 암 미세환경 분석 및 질병 메커니즘 연구에서 주목받고 있다. 그러나 기존 분석 기법들은 고차원·고잡음 유전자 데이터를 효과적으로 표현하는 데 한계가 있으며, 결과 해석 또한 제한적이라는 문제가 있었다. 

임상수 교수 연구팀은 이러한 한계를 극복하기 위해 PathCLAST(Pathway-augmented Contrastive Learning with Attention for interpretable Spatial Transcriptomics)라는 새로운 생물학적 경로 기반 표현학습 프레임워크를 제안하였다. 제안된 방법은 유전자 발현 데이터를 생물학적 경로(Pathway) 그래프 구조로 모델링하고, 병리 조직 이미지와 대조학습(contrastive learning) 방식으로 정렬함으로써, 공간 도메인 식별 성능과 모델 안정성을 동시에 향상시켰다.

특히 본 연구는 컴퓨터·AI 관점에서

• 생물학적 지식을 그래프 구조로 통합한 지식 기반 표현학습 방법

• 다중 모달 데이터(유전자 발현·조직 이미지)를 효과적으로 융합하는 대조학습 기반 모델 설계

• 경로 수준 어텐션을 활용한 해석 가능 인공지능 구조

를 제시했다는 점에서 의미 있는 기술적 기여를 갖는다.

제안된 모델은 다수의 공개 공간 전사체 데이터셋에서 기존 최신 기법 대비 우수한 공간 도메인 식별 성능과 높은 강건성을 보였으며, 각 조직 영역에서 활성화된 경로 수준의 생물학적 신호를 정량적으로 분석할 수 있음을 입증하였다. 이를 통해 단순 분류 성능을 넘어 설명 가능한 AI 기반 생물의학 데이터 분석으로의 확장 가능성을 제시하였다.

본 연구 성과는 AI 기반 바이오·의료 데이터 분석 및 공간 전사체 분야에서 폭넓게 활용될 것으로 기대된다.

논문은 “PathCLAST: Pathway-augmented Contrastive Learning with Attention for interpretable Spatial Transcriptomics” 라는 제목으로 Briefings in Bioinformatics (IF=7.7, JCR 상위 2.2%) 온라인판에 2026년 2월에 게재되었다.

논문 링크: https://academic.oup.com/bib/article/27/1/bbag029/8454870