코돈 최적화는 단백질 발현 효율 향상을 위해 필수적으로 활용되는 기술로, 유전자 치료제와 백신 개발 등 여러 분야에서 중요성이 커지고 있다. 그러나 기존의 코돈 사용 빈도 기반 접근은 mRNA의 구조적 안정성을 충분히 반영하지 못하는 한계가 있다. 실제로 mRNA 코돈 최적화는 발현 효율과 구조적 안정성을 동시에 만족시켜야 하는 다중 목적 최적화 문제이자, 긴 서열의 문맥 의존성을 처리해야 하는 장기 서열 모델링 문제라는 점에서 높은 계산적 복잡성을 갖는다. 이를 해결하기 위해 본 연구에서는 1D-CNN과 트랜스포머를 결합한 TACO 모델을 제안하고, 대조 학습과 joint loss를 통해 CAI와 MFE를 함께 향상시키는 방식을 적용하였다. 사람, 대장균, 효모 데이터를 대상으로 수행한 평가 결과, TACO는 기존 BiLSTM 모델과 상용 최적화 도구 대비 우수한 생물학적 성능을 보였으며, 이는 생물학적 제약 조건을 갖는 서열 최적화를 AI 기반으로 수행할 수 있음을 보여준다.
Kim et al. (Sat,) studied this question.