대체 스플라이싱은 진핵생물의 복잡성에 필수적인 전사체 및 단백질체의 다양성을 생성하지만, 스플라이싱 코드를 교란하는 유전적 변이는 수많은 인간 질환의 근본 원인입니다. 딥러닝(DL) 모델과 유전체 기반 모델(GFM)은 인간에서 스플라이싱 변이 효과 예측에 있어 매우 우수한 정확도를 보이고 있으나, 이러한 모델의 인간 이외 종으로의 확장성은 잘 알려져 있지 않아, 농업 유전체학, 비교 생물학, 그리고 비모델 생물 연구 등 실험적으로 검증된 변이 데이터셋이 제한적이거나 부재한 분야에서의 활용에 제약이 있습니다. 본 연구에서는 스플라이싱 부위 및 변이 예측과 분석을 위한 35가지 계산적 접근법의 모델 구조적 특성을 포괄적으로 검토하였으며, 직접 구축한 기준 데이터셋을 활용하여 인간·쥐·돼지·닭에 걸쳐 스플라이싱 변이 예측의 대표적 10개 모델(과제별 DL 모델 4개, GFM 6개)의 성능을 체계적으로 벤치마킹하였습니다. 그 결과, 과제별 모델을 인간에서 비인간 종 데이터셋에 적용할 경우 AUROC(수신자 조작 특성 곡선 하 면적)에서 약 21%~33%의 유의미한 성능 저하가 나타남을 확인했습니다. 이에 대해, 고정된 GFM 임베딩(DNABERT-2, Evo 2, Genos)에 경량 분류기(즉, 다층 퍼셉트론)를 추가하는 지도형 적응을 적용한 결과, 쥐와 돼지에서의 교차 종 성능 저하가 8.56%~23.84%로 감소하였으며, 닭에서는 인간과 매우 비슷한 수준의 성능(최대 1% 이내 감소, Evo 2 임베딩 사용 시에는 오히려 0.52% 증가)이 관찰되었습니다. 본 연구에서는 특성 표현 전이, 전역적 맥락을 통합한 다중 모달 융합, 범용 임베딩·종 인지형 조건화 등 스플라이싱 변이 예측 성능 향상을 위한 여러 향후 발전 방향도 제안합니다. 본 종합 검토와 성능 벤치마킹이 스플라이싱 변이 예측 분야의 발전을 위한 유용한 계산적 시사점을 제공하기를 기대합니다.