고차원 전사체 자료로 부터 oscillatory system 을 학습하기 위한 머신러닝 모델링 방법론

제목	​고차원 전사체 자료로 부터 oscillatory system 을 학습하기 위한 머신러닝 모델링 방법론
추천 연구 논문	ZeitZeiger: supervised learning for high-dimensional data from an oscillatory system
선정 이유	본 연구팀에서 진행하고 있는 대규모 전사체 오믹스 자료로 부터 생체시간을 추정하기 위한 방법론 중 기본이 되는 모형에 관한 연구
주요 내용	- 수많은 데이터 베이스에 다양한 오믹스 자료가 축적되어 있으나, host subject의 생체시간 타이밍이 함께 기록된 자료는 매우 드뭄. - 본 연구에서는 고차원 자료에서 주기 변수를 예측하는 모델링 방법인 ZeitZeiger을 최초로 제시함. - ZeitZeiger 모델링 방법을 실제 포유류 오믹스 자료에 적용하여 일주기 시간(하루 중 내부 시간)을 ~1시간 오차 이내로 예측할 수 있음을 보임.
시사점	- 본 연구에서 제시된 모델링 방법을 통하면, 다양한 종의 일주기 시간을 오믹스 자료로 부터 추론할 수 있는 매우 막강한 예측을 제공함. 만약 모형이 정확하다면, 오픈 데이터베이스에 등록되어 있는 200만 샘플 이상의 오믹스 자료에 적용하여 일주기 시간을 추론한 뒤 새로운 연구로 이어나갈 수 있는 연구 포텐셜을 지니고 있음. - 쥐의 총 13개의 유전자를 통해서 1시간 이내로 일주기 시간을 예측할 수 있음을 보였지만, 매우 소수의 자료를 이용해서 수행했으므로, 그 방법론이 지금에서도 타당한지에 대해서는 아직 연구 여지가 많이 남아있음.