전사체 프로파일 (transcriptomic profiles)로부터 암 약물 반응을 예측하는 것은 정밀 종양학 (precision oncology)의 초석이지만, 머신러닝 (machine learning) 모델의 과학적 가치는 단순히 예측 정확도뿐만 아니라 신뢰할 수 있는 생물학적 통찰을 생성하는 능력에 달려 있습니다. 현재 이 분야의 설명 가능성 (explainability) 접근 방식은 계산 비용이 많이 들고, 견고성 (robustness)이 부족하며, 복잡한 약물 반응을 단변량 유전자 중요도 점수 (univariate gene importance scores)로 축소시켜 감수성 (sensitivity)과 저항성 (resistance)을 유도하는 조정된 유전자 활동을 간과합니다. 본 연구에서는 단일 유전자 평가를 넘어 다중적이고 상호 보완적인 형태의 설명을 포착하는 확장 가능한 사후 설명 가능성 (post-hoc explainability) 프레임워크인 ILLUME+를 제시합니다. 우리의 엔드 투 엔드 (end-to-end) 파이프라인에 통합된 ILLUME+는 기존 베이스라인 (baselines)보다 더 안정적인 유전자 중요도 점수를 생성하고, 확립된 약물-유전자 연관성 및 작용 기전 (mechanisms of action)을 복원하며, 암 생물학에서 상호작용에 의해 유도되는 새로운 분자 신호를 발견하기 위한 AI 보조 가설 생성을 가능하게 합니다.