개념

설계, 실행, 리뷰 과정에서 같은 의미로 사용할 핵심 용어를 정리합니다.

오믹스 파운데이션 모델(Omics Foundation Model)

오믹스 파운데이션 모델은 유전자·단백질 발현량과 같은 오믹스 데이터를 조건에 맞게 가상으로 생성하는 생성형 인공지능입니다. 실제 실험 전에 다양한 조건을 빠르게 검토해 가설을 좁히고, 더 유망한 실험에 자원을 집중할 수 있도록 돕습니다.

조건 기반 생성(Condition-driven Generation)

생성 결과는 단일 타겟이나 단일 라벨만으로 정해지지 않습니다. 질환 맥락, 세포유형, 시점, 유전형, 투여 또는 배양 조건처럼 연구자가 지정한 조건 조합이 함께 반영됩니다.

대표 생성 시나리오

• knockdown: 특정 유전자 또는 단백질이 억제된 조건의 데이터를 생성합니다.
• 시계열 생성: 학습 데이터에 없는 중간 시점이나 미래 시점의 데이터를 생성합니다.
• 투여·배양 조건 생성: 약물, 처리 조건, 배양 환경 변화에 따른 데이터를 생성합니다.

기준 조건(Baseline)과 비교 조건(Condition)

기준 조건은 현재 상태나 비교의 출발점이고, 비교 조건은 생성하려는 목표 상황입니다. 예를 들어 control 대비 knockdown, 정상 대비 질환, 기본 배양조건 대비 최적화 조건처럼 정의할 수 있습니다.

출력 해석(Output Interpretation)

• 마커 변화: 개별 마커나 패널 수준에서 방향성과 크기를 확인합니다.
• 조건 분리: 생성 결과가 서로 다른 조건을 충분히 구분하는지 살펴봅니다.
• 후보 우선순위화: 효과 크기, 일관성, 기존 생물학적 근거를 함께 고려합니다.
• 후속 실험 연결: 내보낸 결과를 랭킹, 검증 실험 설계, 보고서 작성에 활용합니다.

Pseudo-blotting과 후보 검토

Lite.KnockG에서는 pseudo-blotting처럼 특정 타겟 녹다운 시의 마커 발현량 변화를 빠르게 확인할 수 있고, 상위 버전에서는 신규 모델 학습, 시계열 구성, 다중 타겟 분석, 문헌·특허 조회, 네트워크 분석 등 더 넓은 검토가 가능합니다.

In silico 검토와 실험 검증

KnockG의 목적은 웻랩을 대체하는 것이 아니라, 실제 실험 전에 가능한 조건을 더 넓게 탐색하고 유망한 후보를 더 좁혀 실험의 시간과 비용을 줄이는 것입니다.