토양 미생물은 유기물 순환을 제어하며, 토양 시스템이 기후 변화와 환경적 위협에 어떻게 대처하고 이를 완화할 수 있는지를 크게 결정합니다. 따라서 프로세스 기반 (process-based) 토양 모델에서 미생물 역학을 표현하는 것은 토양 내 탄소 순환을 예측하는 데 매우 중요하지만, 데이터로부터 이를 파악하는 것은 매우 도전적인 과제입니다. 파라미터화 (parametrisation)를 개선하기 위한 유망한 접근 방식 중 하나는 유전체 (genomic) 데이터를 통합하는 것이지만, 게놈 (genome)과 미생물이 주도하는 프로세스 사이의 복잡하고 알려지지 않은 관계를 모델링하는 것은 아직 해결되지 않은 문제입니다. 본 연구에서는 DNA 시퀀싱 (DNA sequencing) 데이터에 기반한 메타게놈 추론 기능 형질 (metagenome-inferred functional traits)로부터 프로세스 기반 토양 유기물 회전율 모델의 생물 역학 (biokinetic) 파라미터 값을 도출하기 위한 최초의 하이브리드 모델링 프레임워크를 제시합니다. 우리의 모델은 신경망 (neural network)을 사용하여 유전적 형질 데이터로부터 프로세스 기반 모델의 생물 역학 파라미터를 예측하며, 관찰되지 않은 상태 변수 (state variables)조차도 현실적인 동작을 보장할 수 있도록 생태학적 이론과 문헌으로부터의 제약 조건을 통합합니다. 우리는 다양한 복잡성을 가진 합성 유전적 형질 데이터셋과 실제 데이터에 대해 우리의 방법을 평가하였으며, 우리의 접근 방식이 여러 베이스라인 (baselines)보다 성능을 향상시키고, 작은 훈련 데이터셋에 대해서도 프로세스 기반 모델의 측정 불가능한 구성 요소의 역학을 효과적으로 학습함을 보여줍니다.