그래프 신경망(Graph Neural Network)을 이용한 신규 모델, 대조 학습(Contrastive Learning)을 이용한 사전 학습 기법에 관한 연구, 설명가능한 인공지능(Explainable AI), 자기지도 학습(Self-supervised Learning), 인과관계학습(Causal Representation Learning) 등 여러 연구를 진행 중입니다.
약물 데이터베이스로 부터 수집한 초 거대 unlabeled데이터를 기반으로 사전 학습 (Pre-trained) 약물 모델을 개발, Pretrained 모델은 다양한 태스크들에 활용될 수 있어, 이 모델을 기반으로 부작용 예측, 약물 기능 분류, 약물-약물 상호작용 등 다양한 상호작용 네트워크를 구축하고자 함.
그래프는 약물의 원자를 노드로, 원자 간 결합을 엣지로 나타내는 가장 직관적인 표현형으로, 분자 그래프 기반의 GNN 모델(Graph neural network)로 분자의 성질 예측 연구를 수행
복합만성질환자 수가 증가함에 따라 다제약물 복용자 수가 증가하는 추세, 초거대 사전 학습 모델을 기반으로 약물 간의 상호작용, 부작용 예측을 통해 다제약물 복약 자체 진단 서비스를 제공할 예정
국내 유방암 환자는 젊은 환자 분포가 많은 동시에 생존율이 높은 추세를 보여 지연 재발 예측을 통한 조기 진단이 필요. 유방암 환자의 임상 데이터를 활용하여 국내의 유방암 특성을 고려한 기계학습 기반 모델 구축하고 실제 치료 계획 수립에 활용하는 것을 목표로 함
수술 후 유방암 조직의 유전자 발현분석으로 환자의 예후를 정확히 예측하고 항암치료의 필요성을 판정해 줄 수 있는 차세대 염기서열분석(NGS) 기반, 다유전자 구성의 한국형 예후예측 도구를 개발
CFScore(clinical frailty score)는 환자의 쇠약감을 나타내는 지표로, 입원시 환자의 기본 정보와 임상 지표들을 이용하여 퇴원시의 CFScore 예측을 통해 더 집중적인 치료를 필요로 하는 환자를 선별하는데 활용
전립선 암은 급격하게 발생 빈도가 증가하고 있는 암이나 이에 관련된 유전체 분석 프로젝트 진행이 미미하며 조직 확보가 타 암종에 비해 어려움. 전립선 암 환자의 유전자 발현량 데이터를 이용하여 전립선 암 치료 요법 선택에 중요한 호르몬 민감성 여부 예측 표적 유전자를 탐색
우리 연구실에서는 생체에서 발생하는 신호를 측정하여 얻은 대용량의 각종 생체 정보 데이터를 분석하고 판단하여 질환의 진단 및 치료에 활용하기 위해 최신의 신호 처리 및 딥러닝 기술에 관한 연구를 진행
아토피피부염 환자를 대상으로 광선치료 효과를 파악하기 위하여 병변 부위 Microbiome 분석을 진행, 치료전/치료중/치료후 과정에서 마이크로바이옴 변화를 분석, 치료효과를 파악
유방암 수술 이후 보형물을 이용한 동시재건을 시행한 환자들에서 방사선 치료 시행에 따른 피부 균총 분포의 변화를 확인하고 감염 합병증 발생과의 연관성을 분석, 이를 통해 보형물 기반 유방재건 이후 발생하는 감염 합병증의 해결책을 모색하며 이를 통해 유방재건 치료 과정을 최적화
Carbon Nano Tube (CNT)에 single strand DNA (ssDNA) 를 붙여서 다양한 물질을 검출할 수 있는 센서 개발. 수많은 DNA 후보 시퀀스들 중에서 CNT에 강한 친화력을 보일 수 있는 DNA sequence 예측모델 개발
ssDNA-CNT 광학센서를 이용하여, 액체생검으로부터 데이터 생성. 이를 이용하여 기존에 검출이 어려웠던 (Biomarker가 분명하게 밝혀지지 않아) 다양한 질병을 검출하는 연구
