딥러닝 의 발전과 함께 다양한 딥러닝 기반 생물 정보학 분석 기법이 등장하였습니다. 신경망의 훈련은 종종 모델의 견고성과 실험 결과의 정확성을 보장하기 위해 상당한 양의 데이터가 필요합니다. 그러나 생물학적 데이터 접근 및 획득에 어려움이 있으며, 높은 비용이 따르는 등 문제점이 있습니다. 이러한 한계를 극복하기 위해 본 논문에서는 AC-GAN 모델을 기반으로 한 적대적 학습을 이용하여 고품질의 합성 데이터를 생성하고, 클래스 레이블을 함께 생성하는 방법을 제안하고자 합니다. 이러한 접근 방식은 유전자 발현 수준 간의 관계적 특징에 집중하여 데이터의 양을 증가시키고 다양성을 높이는 것을 목표로 합니다. 본 논문에서는 4가지 암 유형 (간암, 난소암, 유방암, 결장 선암) 에 대해 총 800개의 증대 데이터를 적용한 후, 테스트 세트에서 분류기의 정확도는 86.71%에서 93.51%로 향상되었으며, 데이터 증강을 사용하지 않았을 때 대비 6.8%의 성능 향상을 보였습니다.