최근 그래프 신경망(GNN)은 다양한 그래프 분석 태스크와 애플리케이션에서 빠르게 발전해왔습니다. 대부분의 GNN은 동일한 클래스에 속하는 노드들이 연결될 가능성이 높다는 동질성(homophily) 가정을 기반으로 합니다. 그러나 실제 시나리오에서 흔히 나타나는 이질성(heterophily), 즉 다른 레이블을 가진 노드들이 연결되는 경향은 기존 GNN의 성능을 크게 제한합니다.
이러한 문제에 대응하기 위해, 이 연구는 이질성 그래프를 위한 GNN에 대한 포괄적인 조사를 제공합니다. 기존 이질성 GNN 모델들을 체계적으로 분류하고, 일반적인 요약과 상세한 분석을 제시합니다.
나아가, 이질성과 다양한 그래프 연구 영역 간의 관계를 논의하여, 실제 애플리케이션 및 학습 태스크 전반에 걸쳐 보다 효과적인 GNN 개발을 촉진하고자 합니다. 이 연구는 이질성 그래프 학습을 위한 GNN의 미래 연구 및 응용을 발전시키고 영감을 줄 수 있는 잠재적 방향을 제시합니다.
그래프 신경망(GNN)은 생물학적 시스템 모델링에 필수적인 방법론으로 부상했습니다. 단백질 상호작용 네트워크, 유전자 조절 회로, 분자 그래프 등 생물학 데이터의 관계적 특성은 기존 딥러닝 방식으로는 포착하기 어려운 복잡한 의존성을 GNN이 효과적으로 파악하게 합니다. 그러나 생물정보학에서 GNN의 효율성은 모델 설계뿐만 아니라 생물학적 그래프의 구축, 매개변수화 및 훈련 방식에도 크게 좌우됩니다.
본 연구는 생물정보학 분야에서 GNN을 이해하고 적용하기 위한 체계적인 프레임워크를 제공합니다. 이는 크게 세 가지 핵심 차원으로 구성됩니다. 첫째, 그래프 구축 및 표현 전략으로, 이질적인 소스에서 생물학적 네트워크를 도출하고 의미 있는 노드 및 엣지 특징을 선택하는 방법을 다룹니다. 둘째, GNN 아키텍처로, 스펙트럼 및 공간 공식화, GCN, GAT, GraphSAGE, GIN과 같은 대표 모델, 그리고 트랜스포머 기반 및 자기 지도 학습 패러다임을 포함한 최신 발전을 포괄합니다.
셋째, 질병-유전자 연관성 예측, 신약 개발, 단백질 구조 및 기능 분석, 다중 오믹스 통합, 생물 의학 지식 그래프 등 생물 의학 분야의 다양한 응용 사례를 탐구합니다. 또한, 최적화 기법, 정규화 전략, 생물학적 환경에서의 데이터 희소성 및 노이즈로 인한 문제점을 포함한 훈련 고려 사항을 심층적으로 검토합니다.
이 연구는 방법론적 기반과 도메인별 응용을 통합하여 그래프 품질, 아키텍처 선택 및 훈련 역학이 모델 성능에 미치는 영향을 명확히 합니다. 나아가 시간적 생물학적 프로세스 모델링, 해석 가능성 향상, 그리고 데이터 희소성 및 노이즈 문제 해결과 같은 새로운 도전 과제를 제시합니다.
