-
혈액 한 번으로 대장암 재발·전이 더 정확히 예측한다
혈액 한 번의 검사만으로 대장암 환자의 재발과 전이 위험을 기존보다 더 정확하게 예측할 수 있는 길이 열렸다. 우리 대학 공동연구팀은 대장암이 진행될수록 혈액 속 대사물질들의 연결 구조, 이른바 ‘대사의 지도’가 체계적으로 재편된다는 사실을 세계 최초로 밝혀냈다. 또한 이 변화를 활용해 기존 혈액검사보다 대장암 환자의 재발과 전이 위험을 더 정확하게 예측하는 새로운 분석 기술을 개발했다.
우리 대학은 의과학대학원 이지민 교수와 화학과 김현우 교수 공동 연구팀이 강남세브란스병원, 서울아산병원과 공동연구를 통해 혈청 순환 아미노산(Circulating Amino Acids, 혈액 속을 순환하며 몸의 대사 상태를 반영하는 아미노산) 네트워크를 분석하는 새로운 프레임워크를 개발했다고 22일 밝혔다. 연구팀은 이를 활용해 대장암이 진행될수록 몸 전체의 대사 체계가 재편된다는 사실을 규명하고, 환자의 재발과 전이 위험을 예측할 수 있는 새로운 분석 전략을 제시했다.
암세포는 성장과 증식을 위해 많은 영양소를 필요로 한다. 그중 아미노산은 단백질을 만드는 재료일 뿐 아니라 에너지를 생산하고 DNA를 합성하는 등 암세포의 생존과 증식에 필수적인 물질이다. 특히 대장암은 이러한 아미노산 대사가 크게 변화하는 대표적인 암으로 알려져 있다.
이러한 변화는 종양 조직에만 머무르지 않고 혈액 속에도 나타난다. 따라서 혈액 속 아미노산은 몸 전체의 대사 상태를 보여주는 중요한 대사 바이오마커(Biomarker, 생체지표) 로 주목받고 있다. 그러나 지금까지는 개별 아미노산의 농도가 얼마나 변하는지를 분석하는 데 초점이 맞춰져 있어, 아미노산들이 서로 어떻게 연결되고 함께 변화하는지는 제대로 밝혀지지 않았다.
연구팀은 소량의 혈청만으로 18종의 순환 아미노산을 동시에 정밀 분석할 수 있는 19F NMR(Fluorine Nuclear Magnetic Resonance, 불소 핵자기공명 분광법) 기술을 적용했다. 이어 각 아미노산의 농도뿐 아니라 서로의 연결 관계를 네트워크 형태로 분석한 결과, 대장암이 진행될수록 혈액 속 아미노산 네트워크가 단계적으로 재편된다는 사실을 세계 최초로 확인했다.
이러한 변화는 암이 성장하면서 몸 전체의 대사 체계를 새롭게 바꾸는 전신 대사 재프로그래밍(Systemic Metabolic Reprogramming, 암의 성장에 맞춰 몸 전체의 대사 체계가 다시 구성되는 현상)을 반영하는 핵심 특징으로 분석됐다.
특히 대장암이 진행될수록 근육과 에너지 대사에 중요한 역할을 하는 발린과 류신 등 분지사슬아미노산(BCAA, Branched-Chain Amino Acids)의 비율은 감소한 반면, 암세포가 DNA를 만들고 빠르게 증식하는 데 필요한 글리신과 세린의 비율은 증가하는 경향을 보였다. 이는 암이 자라면서 몸 전체의 아미노산 사용 방식이 달라지고 있음을 보여준다.
흥미로운 점은 글리신이었다. 암세포가 활발하게 사용하는 아미노산으로 알려져 있어 혈액에서는 감소할 것으로 예상됐지만, 실제로는 오히려 상대적 비중이 증가했다. 연구팀은 글리신을 중심으로 새로운 상호작용 네트워크가 형성되는 것도 확인했으며, 이는 대장암이 진행될수록 몸 전체의 대사 체계가 새롭게 재편되고 있음을 보여주는 중요한 근거라고 설명했다.
연구팀은 이어 아미노산 네트워크 분석에서 얻은 연결 정보를 머신러닝(Machine Learning, 컴퓨터가 데이터를 학습해 스스로 예측하는 인공지능 기술) 모델에 적용해 대장암 환자의 재발과 전이 위험을 분석했다.
그 결과, 연구팀이 개발한 분석 방법은 현재 병원에서 대장암 환자의 경과를 살필 때 널리 사용하는 혈액검사 지표인 암배아성항원(CEA, Carcinoembryonic Antigen)보다 재발과 전이 위험을 더 정확하게 예측했다. 또한 혈액 속 개별 아미노산의 양만 분석하는 기존 방법보다도 높은 예측 정확도를 보였다.
이는 혈액 속 아미노산의‘양'만 보는 기존 분석을 넘어 아미노산들이 서로 어떻게 연결되고 변화하는지를 함께 분석해야 암의 진행 상태를 더 정확하게 읽어낼 수 있음을 보여준다. 이번 연구는 혈액 속 아미노산 간 상호작용 네트워크, 이른바‘대사의 지도'를 새로운 혈액 기반 대사 바이오마커로 활용할 수 있음을 세계 최초로 제시했다는 점에서 의미가 크다.
이지민 교수는 "이번 연구는 혈액 속 개별 아미노산의 농도가 아니라 아미노산 간 연결 구조를 함께 분석해 대장암이 몸 전체의 대사 체계를 어떻게 바꾸는지를 처음 규명했다”며 "앞으로 혈액검사만으로 대장암 환자의 재발 위험을 보다 정확하게 예측하고 환자 맞춤형 치료 전략을 수립하는 새로운 정밀의료 기술로 이어지기를 기대한다”고 말했다.
특히 이번 연구는 KAIST 연구처‘석·박사 모험연구사업'에서 시작됐다. 의과학과 화학을 전공하는 대학원생들이‘혈액 속 아미노산 네트워크를 이용해 암을 분석해 보자'는 융합 아이디어를 공동으로 제안했고, 이 아이디어가 연구과제로 선정되면서 세계적 연구성과로 이어졌다. 학생 주도의 융합 연구가 세계 수준의 성과를 창출할 수 있음을 보여준 의미 있는 사례다.
배충식 KAIST 총장은 "이번 연구는 학생들의 자유로운 발상과 학문 간 융합이 새로운 가능성을 열 수 있음을 보여준 KAIST다운 연구”라며 "KAIST는 앞으로도 학생과 연구자들이 학문 간 경계를 넘어 자유롭게 도전할 수 있는 연구 환경을 조성하고, 창의적인 융합 연구를 적극 지원해 국민의 건강과 삶의 질 향상에 기여하는 혁신기술을 만들어 가겠다”고 말했다.
이번 연구는 의과학대학원 석·박사통합과정 이지연 학생과 화학과 박사후연구원 김주미 박사가 공동 제1저자로 참여했으며, KAIST 이지민 교수와 김현우 교수, 서울아산병원 박은정 교수가 공동 교신저자로 참여했다. 연구 결과는 국제학술지 Advanced Science(Impact Factor=14.1)에 2026년 6월 9일 온라인 게재됐다.
※ 논문명: Circulating Amino Acid Network Remodeling Reveals Systemic Metabolic Reprogramming Predictive of Colorectal Cancer Recurrence and Metastasis, DOI: 10.1002/advs.76044
이번 연구는 삼성미래기술육성사업, SRC 뇌혈관장벽연구센터, 보스턴코리아사업, 바이오·의료기술개발사업(신약개발) 등의 지원을 받아 수행됐다.
2026.07.22
조회수 1085
-
투명한 유리도 보고 미래도 예측하는 ‘피지컬 AI’ 핵심기술 개발
인공지능(AI)이 화면 속 정보를 분석하는 기술을 넘어, 현실 세계의 물리적 특성을 이해하고 스스로 판단·행동하는 단계로 진화하고 있다. 우리 대학 연구진은 빛과 물질의 상호작용, 공간 인식, 미래 상황 예측, 행동 계획을 아우르는 피지컬 AI(Physical AI·물리 기반 인공지능) 핵심 기술을 개발했다. 이번 성과는 자율주행차와 휴머노이드 로봇, 산업용 로봇, 디지털 트윈 등 실제 환경에서 작동하는 차세대 자율 시스템 구현을 앞당길 것으로 기대된다.
우리 대학은 전산학부 윤성의 교수 연구팀이 ▲유리나 물처럼 투명한 물체를 정확히 인식하는 기술 ▲빛과 물질의 상호작용을 분석해 주변 환경을 이해하는 기술 ▲사진 한 장만으로 로봇이 목적지를 찾아가는 기술 ▲미래 상황을 예측해 행동을 계획하는 기술을 개발했다고 6일 밝혔다.
이번 연구는 시각 인식부터 물리적 이해, 미래 예측, 행동 계획까지 하나의 기술 흐름으로 연결했다는 점에서 의미가 크다. 이를 통해 AI가 '보고(인식) → 이해하고(물리 이해) → 예측하고(미래 예측) → 행동하는(계획)' 전 과정을 수행하는 기반을 제시했으며, 다양한 자율 시스템의 성능과 활용 범위를 한층 넓힐 것으로 기대된다.
이번 연구 성과는 세계 최고 권위의 AI 학회인 ICLR 2026(International Conference on Learning Representations)과 CVPR 2026(Conference on Computer Vision and Pattern Recognition)에서 구두 발표 2편과 하이라이트 논문 2편 등 총 4편의 논문으로 발표됐다. 특히 ICLR과 CVPR의 구두 발표는 각각 약 1.13%, 0.8%만 선정되는 최상위 발표 형식으로, 연구의 독창성과 우수성을 국제적으로 인정받았다.
▲ 유리까지 이해하는 AI… 투명한 물체도 정확히 인식
연구팀은 글린트(GLINT, 투명 환경 시각 인식 기술)를 개발해 AI가 유리와 같은 투명한 물체도 정확하게 인식할 수 있도록 했다.
사람은 유리창을 볼 때 유리에 비친 모습과 유리 너머의 풍경을 자연스럽게 구분한다. 하지만 기존 AI는 두 정보를 하나의 영상으로 인식해 투명한 물체를 제대로 이해하지 못하는 경우가 많았다.
연구팀은 유리에 반사된 모습과 유리 뒤의 물체를 각각 분리해 분석하는 새로운 기술을 개발함으로써 AI가 투명한 환경에서도 장면을 정확하게 이해할 수 있도록 했다.
※ 논문 정보 : GLINT: Modeling Scene-Scale Transparency via Gaussian Radiance Transport, 논문 원본: https://arxiv.org/abs/2603.26181 (CVPR 2026 Oral, 6월 5일 구두 발표, Award Candidate(4천여 편 발표 논문 가운데 74편 선정)
▲ 빛의 움직임까지 이해하는 AI
연구팀은 라디오GS(RadioGS, 빛과 재질을 이해하는 장면 복원 기술)를 개발해 빛이 물체에 닿아 반사되고 퍼지는 과정까지 AI가 이해하도록 했다.
같은 물체라도 햇빛 아래와 실내 조명 아래에서는 다르게 보인다. 기존 AI는 이러한 조명 변화에 영향을 받기 쉬웠다. 연구팀은 빛과 물체의 상호작용을 AI가 학습하도록 만들어 조명이 달라져도 물체의 재질과 주변 환경을 더욱 정확하게 이해할 수 있도록 했다.
※ 논문 정보 : Radiometrically Consistent Gaussian Surfels for Inverse Rendering, 논문 원본: https://arxiv.org/abs/2603.01491 (ICLR 2026 Oral, 4월 23일 구두 발표)
▲ 사진 한 장만 보고 목적지를 찾아가는 로봇
연구팀은 비주얼-RRT(Visual-RRT, 이미지 기반 로봇 경로 계획 기술)를 개발해 시각 정보를 실제 행동으로 연결했다. 기존 로봇은 목적지의 좌표 정보가 필요했지만, 이번 기술은 현재 로봇이 보는 장면과 목표 사진을 비교하며 스스로 이동 경로를 찾아간다.
실제 로봇 실험에서도 사진 한 장만으로 목적지에 성공적으로 도달해 서비스 로봇과 자율주행 로봇 등 다양한 분야에 활용될 가능성을 확인했다.
※ 논문 정보: Visual-RRT: Finding Paths toward Visual-Goals via Differentiable Rendering, 논문원본: https://arxiv.org/abs/2604.16388 (CVPR 2026 Highlight) ３월 27일 하이라이트 논문 선정
※ 동영상: https://www.youtube.com/watch?v=nAPk27vHwEE
▲ 미래를 예측하고 스스로 행동을 계획하는 AI
연구팀은 클래드(CLaD, 미래 예측 기반 행동 계획 기술)를 개발해 AI가 행동하기 전에 미래 상황을 예측하고 가장 적절한 행동을 계획하도록 했다.
사람은 행동하기 전에 "이렇게 움직이면 다음에는 어떤 일이 생길까?"를 먼저 생각한다. 클래드는 AI도 이처럼 행동의 결과를 미리 예측한 뒤 가장 효과적인 행동을 선택하도록 만든 기술이다. 이를 통해 복잡한 환경에서도 높은 성공률로 작업을 수행할 수 있어 차세대 자율 로봇의 핵심 기술로 활용될 것으로 기대된다.
※ 논문 정보 : CLaD: Planning with Grounded Foresight via Cross-Modal Latent Dynamics, 논문원본: https://arxiv.org/abs/2603.29409(CVPR 2026 Highlight)
윤성의 교수는 "이번 연구는 AI가 단순히 눈으로 보는 것을 넘어 현실 세계를 이해하고 앞으로 일어날 상황까지 예측해 스스로 행동을 결정하는 방향으로 발전하고 있음을 보여준다"며 "이번 성과가 자율주행차와 휴머노이드 로봇 등 실제 환경에서 작동하는 다양한 피지컬 AI 기술의 발전에 기여하기를 기대한다"고 말했다.
윤성의 교수가 교신저자로 참여한 이번 연구들은 과학기술정보통신부와 정보통신기획평가원(IITP), 한국연구재단(NRF)의 지원을 받아 수행 중인 피지컬 AI 및 지능형 로봇 연구과제의 일환으로 수행됐다.
2026.07.06
조회수 1312
-
섬유 배열까지 고려한 복합재 성능 예측 기술 개발
항공기와 자동차와 같은 첨단 구조물을 가벼우면서 고성능으로 설계하기 위하여 복합재를 많이 사용하고 있다. 특히 탄소섬유복합재는 금속보다 가벼우면서도 높은 비강도와 비강성을 가져 차세대 경량 구조 소재로 주목받고 있다. 그러나 복합재의 성능은 단순히 재료 자체의 성질만으로 결정되지 않는다. 내부에 배치된 섬유 다발의 방향과 배열, 그리고 제조 과정에서 생기는 미세한 변형이 실제 기계적 성능을 크게 좌우한다.
우리 대학의 기계공학과 김성수 교수 연구팀은 복잡한 형상의 구조물 제작에 널리 활용되는 브레이딩 복합재에서, 제조 중 발생하는 섬유 다발의 배열이 그 패턴과 최종적인 기계적 물성에 미치는 영향을 예측할 수 있는 새로운 해석 모델을 개발했다고 5일 밝혔다. 이 연구는 실제 제조 과정을 반영한 모델을 제시함으로써, 브레이딩 복합재의 성능 예측 정확도를 높일 수 있는 가능성을 보여준다.
브레이딩 공정은 여러 가닥의 섬유 다발을 원통형 금형 주위에 서로 교차시키며 감아 복합재 구조를 만드는 방법이다. 이 공정은 원통형이나 복잡한 형상의 구조물을 연속 섬유로 제작할 수 있다는 장점이 있어 항공·자동차·압력용기 분야에서 활용 가능성이 크다. 특히 Triaxial braided 복합재는 사선 방향의 섬유 다발에 축 방향 섬유 다발이 추가되어, 축 방향 하중을 효과적으로 견딜 수 있는 구조를 갖는다.
하지만 실제 제조 과정에서는 섬유 다발이 항상 이상적인 직선 형태로 배열되지 않는다. 섬유 간 간격이 좁아지거나 서로 맞물리는 현상이 발생하면, 축 방향 섬유 다발이 굽어지는 Tow undulation이 나타난다. 이러한 굽힘은 섬유가 하중을 전달하는 효율을 떨어뜨려, 복합재의 축 방향 강성을 감소시킬 수 있다. 기존 해석 모델들은 대부분 축 방향 섬유가 곧게 배열된 이상적인 구조를 가정했기 때문에, 이러한 실제 제조 과정의 변화를 충분히 설명하는 데 한계가 있었다.
연구팀은 이 문제를 해결하기 위해 브레이딩 구조를 기본 구조와 변형 구조로 구분하고, 두 구조 사이의 전환을 수학적으로 판단할 수 있는 해석 모델을 제안했다. 기본 구조에서는 축 방향 섬유 다발이 거의 직선에 가깝게 배열되지만, 변형 구조에서는 섬유 간 맞물림으로 인해 축 방향 섬유 다발이 주기적으로 굽어진다. 연구팀은 이러한 섬유 경로를 모델에 직접 반영해, 실제 브레이딩 복합재의 내부 구조를 보다 현실적으로 표현했다.
모델의 타당성을 확인하기 위해 연구팀은 서로 다른 지름의 금형을 사용해 브레이딩 복합재 시편을 제작하고, 광학현미경으로 내부 섬유 경로를 관찰했다. 그 결과, 기본 구조에서는 축 방향 섬유가 거의 곧게 유지되는 반면, 변형 구조에서는 축 방향 섬유가 뚜렷하게 굽어지는 현상이 확인됐다. 이는 제안된 모델이 실제 제조 과정에서 나타나는 구조 차이를 잘 반영하고 있음을 보여준다.
또한 연구팀은 제안된 해석 모델을 이용해 다양한 브레이딩 조건에 대한 대규모 데이터를 생성하고, 이를 인공지능 학습에 활용했다. 이후 민감도 분석을 통해 복합재의 탄성계수에 영향을 미치는 주요 형상 인자를 정량적으로 평가했다. 이를 통해 브레이딩 각도, 금형 지름, 섬유 다발 수와 같은 설계 변수가 복합재 물성에 어떤 영향을 미치는지 체계적으로 분석할 수 있었다.
이번 연구는 브레이딩 복합재의 실제 제조 과정에서 발생하는 섬유 배열 변화를 해석 모델에 반영했다는 점에서 의미가 크다. 기존의 이상화된 모델에서 벗어나, 실제 구조 변화와 물성 감소를 함께 설명할 수 있는 기반을 제시했기 때문이다. 연구팀은 이 모델이 향후 항공기, 자동차, 압력용기 등 경량 복합재 구조물의 설계와 성능 예측에 활용될 수 있을 것으로 기대하고 있다.
특히 이 연구는 실험과 해석, 인공지능 기반 데이터 분석을 연결함으로써, 복잡한 브레이딩 복합재 구조를 보다 빠르고 정확하게 평가할 수 있는 가능성을 보여준다. 이는 복합재 제조 공정의 일관성을 높이고, 경량 구조물의 신뢰성 있는 설계에 기여할 수 있는 중요한 기반 기술로 평가된다.
김성수 교수는 “실제 제조 과정에서 발생하는 섬유 배열 변화를 반영한 브레이딩 복합재 해석 모델과 AI 기반 설계 기술을 개발하여, 항공기·자동차용 경량 복합재 구조물의 성능 예측 정확도와 설계 신뢰성을 크게 향상시켰다.”고 말했다.
어드밴스드 컴포짓 앤 하이브리드 머티리얼즈(Advanced Composites and Hybrid Materials, IF 21.8)’에 2026년 5월 22일 자로 온라인 게재되었다.
※ 논문명 : Tow undulation effect on the in-plane mechanical properties of two-dimensional triaxial braided composites
DOI : 10.1007/s42114-026-01859-8
2026.06.05
조회수 1672
-
인스타그램 광고 성과 미리 예측하는 AI ‘애드바이저’ 개발
소셜미디어 광고는 보통 여러 광고 시안을 실제로 운영해 본 뒤에야 어떤 광고가 효과적인지 확인할 수 있다. 이 때문에 광고를 테스트하는 과정에서 많은 시간과 비용이 필요하다. 더욱이 효과적인 광고의 기준은 브랜드마다 크게 다르다. 어떤 브랜드는 인물 중심 광고를 선호하는 반면, 다른 브랜드는 실제 사용 장면을 강조한 광고에서 더 좋은 반응을 얻기도 한다. 하지만 이러한 브랜드별 효과적인 광고 전략은 현업에서도 명확히 정리돼 있지 않은 경우가 많아, 이를 체계적으로 반영해 광고 성과를 예측하는 기술에도 한계가 있었다.
이러한 문제를 해결하기 위해 KAIST 신기정 교수 연구팀은 인공지능 마케팅 기업 ㈜매드업과의 협력을 통해, 브랜드별 광고 성과를 예측하는 AI 기술인 ‘애드바이저(ADvisor)’를 개발했다.
ADvisor는 이미지와 텍스트를 동시에 이해하는 생성형 시각-언어 모델을 활용하여 브랜드마다 서로 다른 광고 성공 기준을 찾아내고 이를 기반으로 광고 효과를 예측한다. 이를 위해, 브랜드의 특성을 분석할 뿐 아니라, 광고 데이터가 충분하지 않은 신규 브랜드에 대해서는, 비슷한 성향의 다른 브랜드 광고 데이터를 함께 고려해 광고 전략을 도출한다. 이러한 과정을 통해 특정 패션 브랜드에서는 ‘강한 헤드라인 문구’가 중요한 기준으로 분석되는 반면, 다른 브랜드에서는 ‘로고 노출도’가 핵심 요소로 작용하는 등 브랜드마다 서로 다른 광고 성공 기준을 찾아낼 수 있다. 이후 ADvisor는 이렇게 도출한 브랜드별 기준을 바탕으로 광고를 평가한 뒤, 스스로 평가 결과를 다시 검토하고 부족한 부분을 반복적으로 보완하는 과정을 거쳐 최종 예측을 수행한다.
연구팀은 실제 마케팅 캠페인을 통해 수집한 뷰티·패션·플랫폼 분야의 10개 브랜드 데이터를 활용해 기술 성능을 검증했다. 그 결과, ADvisor는 기존 AI 광고 예측 모델 대비 최대 7.2% 높은 성능을 기록했다. 특히 실제 인스타그램 광고 환경에서 진행한 온라인 A/B 테스트에서는 현업 마케팅 전문가가 선택한 광고보다 클릭률(CTR), 클릭당 비용(CPC), 광고비 대비 매출(ROAS) 등 주요 지표에서 평균 27% 더 우수한 성과를 보이며 실제 마케팅 의사결정에 활용될 수 있음을 입증했다.
신기정 교수는 “광고 성과를 사전에 예측하는 것은 효과적인 광고 제작을 위한 첫 단계”라며, “앞으로는 브랜드 특성에 맞는 광고를 AI가 직접 생성하고 최적화하는 방향으로 연구를 발전시켜 나갈 것”이라고 밝혔다.
KAIST 김재철AI대학원의 김경호 석박통합과정과 최연제 석사과정이 제1저자로 참여한 이번 연구는 자연어처리 분야 최고 권위 국제학술대회 중 하나인 ACL 2026의 산업체 부문(Industry Track)에 온라인으로 4월 18일 게재되었으며 구두 발표 논문으로 채택되어 오는 7월 미국에서 발표될 예정이다.
※논문명: Pre-Deployment Advertisement Ranking under Data Scarcity via Context-Aware Criteria Generation with VLMs
※논문 링크: https://openreview.net/forum?id=il84gAzAxx
한편, 이번 연구는 정보통신기획평가원의 지원을 받은 ‘EntireDB2AI: 전체 관계형 데이터베이스를 종합적으로 활용하는 심층 표현 학습 및 예측 원천기술과 소프트웨어 개발’과제의 성과다.
2026.05.29
조회수 1305
-
AI로 기후위기 미래 예측한다
기후 변화는 기온 상승뿐 아니라 경제·에너지·산업 전반에 영향을 미치는 복합 문제로, 미래를 정확히 예측하기 어렵다. KAIST·국제 연구진이 인공지능(AI)을 활용해 기후 변화와 사회·경제적 영향을 동시에 분석할 수 있는 차세대 기후 연구 모델을 제시했다.
우리 대학은 녹색성장지속가능대학원 전해원 교수, 카르틱 무카빌리(Karthik Mukkavilli) 겸직교수, 전산학부 오혜연 교수 연구팀이 중국 북경대학교, 영국 임페리얼 칼리지 런던, 이탈리아 밀라노 폴리테크닉대학교, 미국 메릴랜드대학교, 오스트리아 국제응용시스템분석연구소(IIASA) 등 세계 유수 연구기관과의 국제 공동 연구를 통해 AI 기반 기후 연구 통합 프레임워크를 제시했다고 13일 밝혔다.
현재 기후 변화 연구는 물리적 기후 예측, 사회·경제 영향 분석, 에너지 정책 평가 등이 분야별로 분리돼 수행되는 경우가 많다. 서로 다른 데이터와 분석 체계를 사용하기 때문에 이를 종합적으로 연결해 정책 결정에 활용하는 데 시간이 오래 걸린다는 한계가 있었다.
연구팀은 이를 해결하기 위해 ‘AI 기반 기후 연구 파운데이션 모델(AI-Based Climate Research Foundation Model)’을 제안했다. 이 모델은 지구 관측 데이터, 에너지·경제 시나리오, 정책 지표 등 성격이 서로 다른 대규모 데이터를 AI가 공통된 방식으로 이해·분석할 수 있는 가상 분석 공간(shared latent space)에서 함께 처리한다.
이를 통해 기후 변화의 물리적 현상뿐 아니라 경제·사회적 영향까지 동시에 고려한 빠르고 정교한 예측이 가능해진다.
특히 연구팀은 ‘혼합 전문가(MoE, Mixture of Experts)’ 구조를 적용해 서로 다른 역할을 하는 AI 모델이 분야별 전문가처럼 협력하도록 설계했다. 물리 법칙 기반 계산 모듈과 통계 학습 기반 AI 모듈을 결합해 예측의 정확성과 신뢰성을 높였으며, 온실가스 감축 목표 도입이나 신재생에너지 확대 정책이 산업·경제에 미치는 영향을 빠르게 분석할 수 있도록 했다.
이번 연구는 단순히 기후를 예측하는 수준을 넘어, 정책 변화에 따른 사회·경제적 영향을 함께 분석할 수 있는 새로운 AI 기반 기후 연구 방향을 제시했다는 점에서 의미가 크다. 국제 학술지 네이처 클라이밋 체인지(Nature Climate Change)에 4월 28일 게재되었으며, AI기반 기후-인간 상호영향 차세대 통합평가모델 개발(과학기술정보통신부, 한국연구재단)과제의 지원으로 수행됐다.
※ 기고문 : Artificial Intelligence to Support Cross-Disciplinary Climate Change Research, https://doi.org/10.1038/s41558-026-02624-x
한편 KAIST 연구팀은 이러한 프레임워크를 실제로 구현한 AI 기반 예측 모델도 함께 공개했다.
연구팀은 ‘에너지-온실가스 예측 고속 에뮬레이터(emulator)’를 시범 구현 모델(prototype) 형태로 개발했다. 이 모델은 기존의 복잡한 에너지·탄소배출 통합평가모델(IAM, Integrated Assessment Model) 계산 과정을 AI가 빠르게 대신 수행하도록 만든 기술이다.
기존 통합평가모델은 하나의 정책 시나리오를 분석하는 데 많은 시간과 계산 자원이 필요했지만, 연구팀이 개발한 AI 모델은 수천 개의 정책 시나리오를 단시간에 분석할 수 있다. 이를 통해 탄소중립 정책이나 에너지 전환 정책의 효과를 보다 빠르게 예측하고 정책 결정에 활용할 수 있을 것으로 기대된다.
쉽게 말해, 미래 기후와 경제 변화를 예측하는 ‘가상 정책 실험실’을 AI로 구현한 셈이다. 예를 들어 탄소세를 높이거나 재생에너지를 확대했을 때 온실가스 배출량과 경제 변화가 어떻게 달라지는지를 훨씬 빠르게 시뮬레이션할 수 있다.
신예은(Yen Shin) 석사과정 학생이 제1저자로 참여하고 오혜연 교수와 전해원 교수가 공동 교신저자로 참여한 해당 연구는 지구과학 모형 개발 전문 학술지 지오사이언티픽 모델 디벨롭먼트(Geoscientific Model Development)'에 1월 9일 심사전 공개 논문(preprint)으로 발표됐다.
※ 논문명: ML-IAM v1.0: Emulating Integrated Assessment Models With Machine Learning, https://doi.org/10.5194/egusphere-2025-5305
해당 연구 성과는 세계 최대 AI 학회인 뉴립스(NeurIPS) 2025 ‘기후변화 대응 머신러닝’ 워크숍에 초청되어 발표됐으며, 기후학계와 AI산업계의 큰 관심을 받고 있다. 이 연구는 환경부의 재원으로 한국환경산업기술원의 관측 기반 공간정보지도 구축 기술개발사업 (RS-2023-00232066)의 지원으로 수행됐다.
전해원 교수와 오혜연 교수는 ‘KAIST AI4Good*’ 연구 네트워크 창립 멤버로 활동하며 AI를 기후 위기 등 사회문제 해결에 활용하는 연구를 이어가고 있다.
*KAIST AI4Good: AI를 활용해 공공의 이익을 추구하는 연구 플랫폼(https://ai4good.kaist.ac.kr/)
전해원 교수는 “이번 기후-AI 모델은 기후 과학자와 정책 입안자 사이의 간극을 줄여줄 효과적인 가교 역할을 할 것으로 기대한다”며 “함께 공개한 고속 AI 에뮬레이터는 실시간에 가까운 정책 분석을 가능하게 해 실질적인 기후 대응 솔루션을 제공하는 핵심 기술이 될 것”이라고 말했다.
오혜연 교수는 “AI 기술은 단순한 상업적 도구를 넘어 인류 생존을 위협하는 기후 위기 해결에 기여해야 한다”며 “이번 국제 공동 연구는 AI가 사회적 난제 해결을 위한 글로벌 공공재 역할을 할 수 있음을 보여주는 사례가 될 것”이라고 강조했다.
2026.05.13
조회수 3403
-
'뇌를 닮은 AI’ 개발.. 예측이 틀려도 한번 더 생각한다
인공지능은 이제 바둑을 두고, 그림을 그리고, 사람처럼 대화까지 한다. 하지만 결정적인 차이가 있다. AI는 인간의 뇌보다 훨씬 많은 전기를 써야 작동한다는 점이다. 과학자들이 오랫동안 던져온 질문은 이것이다. “뇌는 어떻게 이렇게 적은 에너지로도 똑똑하게 학습할 수 있을까?”우리 대학 연구진이 그 답에 한 걸음 다가섰다.
우리 대학은 뇌인지과학과 이상완 교수 연구팀이 인간 뇌의 학습 원리를 딥러닝에 적용해, 깊은 인공지능 모델도 안정적으로 학습시키는 새로운 기술을 개발했다고 1일 밝혔다.
우리 뇌는 세상을 수동적으로 받아들이지 않는다. 현재 벌어지는 일을 단순히 인식하는데서 그치지 않고‘다음에 무슨 일이 일어날까?’를 먼저 예측하고, 실제 결과가 다르면 그 차이(오차)를 줄이는 방향으로 스스로를 수정한다. 바둑에서 상대의 다음 수를 예상했다가 빗나가면 전략을 바꾸는 것과 비슷하다. 이 같은 정보처리 방식을 ‘예측 부호화(Predictive Coding)’라고 한다.
과학자들은 이 원리를 AI에 적용하려 했지만, 난관이 있었다. 신경망이 깊어질수록 오차가 특정 부위에 몰리거나 아예 사라져 성능이 떨어지는 문제가 반복됐기 때문이다.
연구팀은 그 원인을 수학적으로 규명하고 새로운 해법을 제시했다. 핵심은 단순하다. AI가 결과만 예측하는 것이 아니라, ‘예측 오차가 앞으로 어떻게 변할지’까지 다시 예측하도록 만든 것이다. 연구팀은 이를 ‘메타 예측(Meta Prediction)’이라 설명한다. 쉽게 말해, ‘틀림을 한 번 더 생각하는 AI’다. 이 방식을 적용하자, 깊은 신경망에서도 학습이 멈추지 않고 안정적으로 진행됐다.
실험 결과도 인상적이다. 총 30가지 실험 중 29개에서, 현재 AI의 표준 학습법인 ‘역전파(Backpropagation)’보다 높은 정확도를 기록했다. 역전파는 AI가 ‘틀린 만큼 거꾸로 되돌아가며 고치는’ 현재의 대표적 학습 방법이다.
기존 AI 학습방식(역전파)는 모든 층이 서로 긴밀하게 연결돼 있어, 전체 네트워크를 한 번에 계산하고 한 번에 수정해야 하지만 이 방법은 이 방식은 뇌처럼 분산적·부분적으로 학습해도 큰 AI 모델을 잘 학습시킬 수 있음을 입증한 것이다.
이번 기술은 전력 효율이 중요한 뉴로모픽 컴퓨팅, 환경에 적응해야 하는 로봇 AI, 기기 내부에서 작동하는 엣지 AI 등 다양한 분야로 확장될 것으로 기대된다.
이상완 석좌교수는 “뇌의 구조를 단순히 모방한 것이 아니라, 뇌의 학습 원리 자체를 AI가 따르도록 만든 것이 이번 연구의 핵심”이라며 “뇌처럼 효율적으로 배우는 인공지능의 가능성을 열었다”고 말했다.
이번 연구는 하명훈 박사가 제1저자, 이상완 교수가 교신저자로 참여했으며, 인공지능 국제학회 ICLR 2026(International Conference on Learning Representations)에 채택돼 1월 26일 온라인 게재됐다.
※ 논문명: Stable and Scalable Deep Predictive Coding Networks with Meta Prediction Errors, 논문 원본: https://openreview.net/forum?id=kE5jJUHl9i¬eId=e6T5T9cYqO
본 연구는 과학기술정보통신부·정보통신기획평가원 디지털분야글로벌연구지원사업(마이크로소프트연구소 공동연구), 삼성전자 SAIT NPRC 사업, SW스타랩 사업의 지원을 받아 수행됐다.
2026.03.03
조회수 3661
-
끝없는 배터리 실험 줄인다...성능 예측 AI 개발
전기차를 한 번 더 멀리 가게 하고, 스마트폰을 더 오래 쓰게 만드는 힘은 배터리 소재에서 나온다. 그중에서도 배터리의 성능과 수명을 직접 좌우하는 핵심 재료가 바로 양극재다. 배터리 소재 개발에 필요한 수많은 실험을 인공지능이 대신할 수 있다면 어떨까. 우리 대학 연구진이 실험 데이터가 부족한 상황에서도 양극재의 입자 크기와 예측 신뢰도를 함께 제시하는 인공지능(AI) 프레임워크를 개발하며, 전고체 배터리 등 차세대 에너지 기술로의 확장 가능성을 열었다.
우리 대학은 신소재공학과 홍승범 교수팀이 조은애 교수팀과 공동연구를 통해, 실험 데이터가 불완전한 상황에서도 배터리 양극재의 입자 크기를 정확하게 예측하고, 그 결과를 얼마나 신뢰할 수 있는지까지 함께 제공하는 머신러닝 프레임워크를 개발했다고 26일 밝혔다.
배터리 내부의 양극재는 리튬이온 배터리가 에너지를 저장하고 꺼내 쓰게 만드는 핵심 재료다. 현재 전기차 배터리에 가장 널리 사용되는 양극재는 니켈(Ni), 코발트(Co), 망간(Mn)을 혼합한 NCM 계열 금속 산화물로, 배터리의 수명과 충전 속도, 주행 거리, 안전성에 큰 영향을 미친다.
우리 대학 연구진은 이러한 양극재를 이루는 아주 작은 1차 입자의 크기가 배터리 성능을 결정하는 핵심 요소라는 점에 주목했다. 입자가 지나치게 크면 성능이 저하되고, 반대로 너무 작으면 안정성 문제가 발생할 수 있기 때문이다. 이에 연구진은 입자 크기를 정확하게 예측하고 제어할 수 있는 AI 기반 기술을 개발했다.
기존에는 입자 크기를 파악하기 위해 소결 온도와 시간, 재료 조성 등을 바꿔가며 수많은 실험을 반복해야 했다. 그러나 실제 연구 현장에서는 모든 조건을 빠짐없이 측정하기 어렵고, 실험 데이터가 누락되는 경우도 잦아 공정 조건과 입자 크기 간의 관계를 정밀하게 분석하는 데 한계가 있었다.
연구팀은 이러한 문제를 해결하기 위해 누락된 데이터는 보완하고, 예측 결과는 신뢰도와 함께 제시하는 AI 프레임워크를 설계했다. 이 프레임워크는 화학적 특성을 고려해 빠진 실험 데이터를 보완하는 기술(MatImpute)과, 예측 불확실성을 함께 계산하는 확률적 머신러닝 모델(NGBoost)을 결합한 것이 특징이다.
이 AI 모델은 단순히 입자 크기를 예측하는 데 그치지 않고, 해당 예측을 어느 정도까지 신뢰할 수 있는지에 대한 정보까지 함께 제공한다. 이는 실제로 어떤 조건에서 재료를 합성할지 결정하는 데 중요한 기준이 된다.
실험 데이터를 확장해 학습한 결과, AI 모델은 약 86.6%의 높은 예측 정확도를 보였다. 분석 결과, 양극재 입자 크기는 재료 성분보다도 굽는 온도와 시간 같은 공정 조건의 영향을 더 크게 받는 것으로 나타났으며, 이는 기존의 실험적 이해와도 잘 부합한다.
연구진은 AI 예측의 신뢰성을 검증하기 위해, 금속 성분 비율은 동일한 NCM811(Ni 80% / Co 10% / Mn 10%) 조성을 유지하되 기존 데이터에 포함되지 않은 제조 조건으로 합성한 양극재 시료 4종을 새롭게 제작해 실험을 진행했다. 그 결과, AI가 예측한 입자 크기는 실제 현미경 측정 결과와 거의 일치했으며, 오차는 대부분 머리카락 두께보다 훨씬 작은 0.13마이크로미터(μm) 이하로 나타났다. 특히 AI가 함께 제시한 예측 불확실성 범위 안에 실제 실험 결과가 포함돼, 예측값뿐 아니라 그 신뢰도 역시 타당함이 확인됐다.
이번 연구는 배터리 연구에서 모든 실험을 수행하지 않아도 성공 가능성이 높은 조건을 먼저 찾을 수 있는 길을 열었다는 점에서 의미가 크다. 이를 통해 배터리 소재 개발 속도를 높이고, 불필요한 실험과 비용을 크게 줄일 수 있을 것으로 기대된다.
홍승범 교수는 “AI가 예측값뿐 아니라 그 결과를 얼마나 신뢰할 수 있는지까지 함께 제시한다는 점이 핵심”이라며, “차세대 배터리 소재를 보다 빠르고 효율적으로 설계하는 데 실질적인 도움이 될 것”이라고 말했다.
이번 연구는 신소재공학과 벤 마디카(Benediktus Madika) 박사과정 연구원이 제1저자로 참여했으며, 신소재·화학공학 분야의 국제적 권위 학술지인 ‘어드밴스드 사이언스(Advanced Science)’에 2025년 10월 8일자로 게재됐다.
※ 논문 제목: Uncertainty-Quantified Primary Particle Size Prediction in Li-Rich NCM Materials via Machine Learning and Chemistry-Aware Imputation, DOI: https://doi.org/10.1002/advs.202515694>
한편, 본 연구는 벤 마디카, 강채율, 심주성, 박태민, 문정현 연구원과 조은애 교수, 홍승범 교수 연구팀이 수행했으며, 과학기술정보통신부(MSIT) 한국연구재단 미래융합기술파이오니어(전략형) 지원(과제번호 RS-2023-00247245)을 받아 진행됐다.
2026.01.26
조회수 3152
-
AI로 인간 집단행동 예측! 세계 최고 학회에서 1위.. 23년 만의 쾌거
우리 대학은 김재철AI대학원 신기정 교수 연구팀이 개인의 나이, 역할 등 특성이 집단 관계에 미치는 영향을 분석해 복잡한 사회 집단행동을 예측하는 획기적인 AI 기술을 개발했다고 9일 밝혔다.
연구팀은 이 기술로 미국전기전자학회(IEEE) 주관 세계적 데이터마이닝 학술대회 'IEEE ICDM'에서 최우수 논문상(Best Paper Award)을 수상하는 쾌거를 이루었다. 이는 전 세계 785편 중 단 1편에게만 주어지는 최고 권위의 상으로, 한국 대학 연구팀으로서는 23년 만의 수상으로 KAIST가 다시 한 번 세계 연구 무대에서 기술 리더십을 입증했다.
오늘날 온라인 커뮤니티·연구 협업·단체 채팅 등 다수가 동시에 참여하는 집단 상호작용은 사회 곳곳에서 폭발적으로 늘고 있다. 그러나 이러한 집단 행동이 어떤 구조로 형성되고, 개인의 특성이 어떻게 영향을 미치는지를 동시에 정밀하게 설명해 내는 기술은 부족했다.
신기정 교수 연구팀은 이 한계를 뛰어넘기 위해 개인 특성과 집단 구조를 실제처럼 맞물리게 재현하는 AI 모델 ‘NoAH(Node Attribute-based Hypergraph Generator)’를 개발했다.
NoAH는 사람들의 특징이 모이면 어떤 그룹 행동이 만들어지는지를 설명하고 흉내내는 인공지능이다. 예를 들어, 어떤 사람이 어떤 관심사를 갖고 있는지, 어떤 역할을 하는지 등의 정보들이 실제로 어떻게 모여서 그룹 행동을 만들어 내는지를 분석해 그대로 재현할 수 있다.
그래서 NoAH는 사람의 성향과 관계를 동시에 반영해 ‘현실 같은 집단 행동’을 만들어 내는 AI로, 전자상거래에서의 구매 조합, 온라인 토론의 확산 과정, 연구자들의 논문 공저 네트워크 등 다양한 실제 집단 행동을 기존 모델보다 훨씬 더 사실적으로 재현하는 것으로 나타났다.
신기정 교수는 “이번 연구는 집단의 구조뿐 아니라 개인의 특성까지 함께 고려해, 복잡한 상호작용을 입체적으로 이해할 수 있는 새로운 AI 패러다임을 열었다”며 “온라인 커뮤니티, 메신저, 소셜 네트워크 분석 등이 한층 정밀해질 것”이라고 말했다.
이번 연구는 신기정 교수와 KAIST 김재철AI대학원 소속 전재완·윤석범 석사과정, 최민영·이건 박사과정으로 구성된 연구팀이 수행하였으며, IEEE ICDM에서 11월 18일 자 발표하였다.
※논문명: Attributed Hypergraph Generation with Realistic Interplay Between Structure and Attributes
논문원본: https://arxiv.org/abs/2509.21838
한편, 신 교수 연구팀은 이번 수상 논문을 포함해 올해 IEEE ICDM에서 총 네 편의 논문을 발표했다. 또한 2023년에도 같은 학술대회에서 상위 4등인 Best Student Paper Runner-up을 수상한 바 있다.
이 성과는 정보통신기획평가원의 지원을 받은 AI 연구거점 프로젝트, 인공지능 대학원 지원(KAIST), 인공지능 에이전트 협업기반 신경망 변이 및 지능 강화 기술 개발 과제의 지원을 받았다.
2025.12.09
조회수 5711
-
이태원 참사 예방 AI 군중밀집 예측 기술 나왔다
이태원 참사와 같은 다중밀집사고를 예방하려면 단순 인원수 파악을 넘어 인파의 유입·이동 경로를 실시간으로 감지하는 기술이 필요하다. 우리 대학 연구진이 군중 밀집 예측 신기술을 개발하는 데 성공했다. 이제 대규모 인파가 모이는 축제·행사, 도심 교통 혼잡 완화뿐 아니라 감염병 확산 대응 등에도 활용될 수 있다.
우리 대학 전산학부 이재길 교수 연구팀이 군중 밀집 상황을 더 정확하게 예측할 수 있는 새로운 인공지능 기술을 개발했다고 17일 밝혔다.
군중이 모이는 양상은 단순히 인원수 증감으로만 설명되지 않는다. 같은 인원이라도 어디서 유입되고 어느 방향으로 빠져나가는지에 따라 위험 수준이 달라진다.
이재길 교수팀은 이러한 움직임을 ‘시간에 따라 변하는 그래프(time-varying graph)’라는 개념으로 표현했다. 즉, 특정 지역에 몇 명이 있는지(정점 정보)와 지역 간 인구 흐름이 어떤지(간선 정보)를 동시에 분석해야만 정확한 예측이 가능하다는 것이다.
반면 지금까지의 대부분 연구는 한 가지 정보만 이용했다. ‘현재 몇 명이 모여있나?’ 혹은 ‘어느 경로로 사람들이 몰려가고 있나?’에만 집중했던 것이다. 하지만 연구팀은 두 가지를 결합해야만 진짜 위험 신호를 잡아낼 수 있다고 강조했다.
예를 들어, 특정 골목 A의 밀집도가 급증하는 현상은 단순히 ‘현재 인원’만으로는 예측하기 어렵다. 그러나 인근 지역 B에서 계속해서 A 방향으로 인파가 몰려오는 흐름(간선 정보)을 함께 보면, ‘곧 A 지역이 위험하다’는 신호를 미리 포착할 수 있다.
연구팀은 이를 위해 ‘바이모달 학습(bi-modal learning)’ 방식을 개발했다. 이는 인구수(정점 정보)와 인구 흐름(간선 정보)을 동시에 고려하면서, 공간적 관계(어느 지역끼리 연결돼 있는지)와 시간적 변화(언제, 어떻게 이동이 발생하는지)를 함께 학습하는 기술이다.
특히 연구팀은 3차원 대조 학습(3D contrastive learning) 기법을 도입했다. 즉, 2차원 공간(지리) 정보뿐만 아니라 시간 정보를 더해 모두 3차원 관계성을 학습하고자 했다. 이를 통해 인공지능이 단순히 ‘지금 인구가 많은지, 적은지’가 아니라 ‘시간에 따라 어떤 패턴으로 밀집이 진행하고 있는지’를 읽어낼 수 있게 됐다. 그 결과, 기존보다 훨씬 더 정확하게 혼잡 발생 장소와 시점을 예측할 수 있다.
연구팀은 서울·부산·대구 지하철과 뉴욕 교통 데이터, 한국·뉴욕의 코로나19 확진자 수 등 실세계 데이터를 직접 수집·가공해 연구용 데이터셋 6종을 구축하고 공개했다.
제안 기술을 검증한 결과, 기존 최신 방법 대비 최대 76.1% 높은 예측 정확도를 기록하며 세계 최고 수준의 성능을 입증했다.
이재길 교수는 “사회적 파급력을 낼 수 있는 기술 개발이 중요하다”며 “이번 기술이 대형 행사 인파 관리, 도심 교통 혼잡 완화, 감염병 확산 억제 등 일상 속 안전을 지키는 데 크게 기여하길 바란다”고 말했다.
이번 연구에는 KAIST 전산학부 남영은 박사과정 학생이 제1 저자로, 나지혜 박사과정 학생이 공저자로 참여했다. 연구 성과는 데이터마이닝 분야 최고 권위 국제학술대회인 ‘지식발견및데이터마이닝학회(KDD) 2025’에서 지난 8월 발표됐다.
※ 논문명: Bi-Modal Learning for Networked Time Series
※ DOI: https://doi.org/10.1145/3711896.3736856
한편, 이 기술은 중견연구 과제(RS-2023-NR077002, 인공지능 및 모빌리티 빅데이터 기반 군중관리 시스템 핵심기술 연구)와 사람중심인공지능핵심원천기술개발 과제(RS-2022-II220157, 강건하고 공정하며 확장 가능한 데이터 중심의 연속 학습)의 연구성과이다.
2025.09.17
조회수 4777
-
전염병 확산 예측하는 더 정확한 수학 공식 나왔다
인류와 전염병의 전쟁에서 수학은 최적의 방어막 구축을 위한 과학적 근거를 제시해왔다. 우리 대학 김재경 교수 연구팀은 국가수리과학연구소 최선화 선임연구원, 고려대 최보승 교수, 경북대 이효정 교수팀과 공동으로 정확도를 획기적으로 높인 전염병 확산 예측 모델을 새롭게 제시했다.
미지의 바이러스가 나타나면 과학자들은 구조와 실체를 파악하고, 제약사는 바이러스에 대항할 백신과 치료제를 개발한다. 바이러스를 제압할 무기를 만드는 동안, 방역은 국민을 보호하고 피해를 최소화하는 방어막 역할을 한다. 피해를 정확하게 예측하고, 의료진을 배치하고, 병상을 확보하는 등 대책 수립에 수학이 쓰인다.
코로나19 팬데믹은 수리 모델 기반 전염병 확산 모델의 중요성을 재조명하게 해준 사례다. 이를 통해 추정한 감염재생산지수(R값), 잠복기, 감염기 등 변수들은 질병의 확산 양상을 이해하고, 방역 정책을 설계하는 데 중요한 요소로 작용했다.
그러나 기존 모델에는 한계가 있었다. 기존 대부분 모델은 감염자와 접촉한 시점에 상관없이 모든 접촉자가 동일 확률로 감염력이 발현된다고 가정한다. 미래 상태가 현재 상태에 의해서만 결정되고, 과거의 영향을 받지 않는다는 마르코프(Markovian) 시스템에 기반하여 미래를 추정해왔다.
하지만 실제 환경에서는 현재뿐 아니라 과거 상태도 미래에 영향을 준다(비마르코프(non-Markovian) 시스템). 감염자와 접촉 이후 잠복기를 거쳐 감염되기 때문에, 접촉 시점이 오래된 사람일수록 감염력이 발현될 확률이 높다.
최보승 교수는 “현재와 과거를 모두 고려해야 하는 비마르코프 시스템은 수학적 추정과 모델링이 복잡하고, 계산이 어려워서 기존 전염병 확산 모델은 마르코프 시스템을 가정하고 추정을 진행해왔다”며 “즉, 실제 감염병 확산 양상을 정확하게 반영하지는 못했다”고 설명했다.
공동 연구팀은 현재와 과거를 모두 고려하는 새로운 감염병 확산 모델을 개발했다. 미래의 변화를 현재의 상태만으로 설명하는 상미분방정식 대신, 미래의 변화를 현재와 과거의 상태를 모두 이용하여 설명하는 지연미분방정식을 도입해 기존 모델의 한계를 극복했다.
연구진은 2020년 1월 20일부터 11월 25일까지 서울의 누적 코로나19 확진자 정보를 활용해 새로 제시한 모델의 정확도를 평가했다. 초기 바이러스의 전파로 확진자가 급증했던 시기(2020.1.20.~3.3)의 감염재생산지수를 기존 모델은 4.9, 새 모델은 2.7로 추정했다. 확진자 전염 경로를 추적해 얻은 실제 값은 2.7이었다. 즉, 기존 모델이 감염재생산지수를 2배 가까이 과대 추정하는 상황이 생길 수 있고, 이에 따라 코로나19 감염력을 과대 예측할 수 있다는 것을 보여준다.
최선화 선임연구원은 “과대 예측 문제를 해결하기 위해 기존 모델은 감염기(감염자가 다른 사람에게 전염을 일으킬 수 있는 기간) 등 추가 역학 정보를 사용해 값을 보정해 사용해왔다”며 “새로운 모델은 추가 역학 정보 없이도 감염재생산지수를 정확히 추정할 수 있다는 장점이 있다”고 설명했다.
연구를 이끈 김재경 교수는 “우리 연구진은 새로운 모델을 바탕으로 ‘IONISE(Inference Of Non-markovIan SEir model)’라는 프로그램을 개발하여, 분야 연구자들이 활용할 수 있도록 무료로 공개했다”며 “향후 공중보건 전문가들이 전염병 확산 양상을 보다 깊이 이해하고, 효과적인 방역 전략을 수립하도록 도울 것으로 기대한다”고 말했다.
연구 결과는 10월 9일 국제학술지 ‘네이처 커뮤니케이션스(Nature Communications, IF 14.7)’에 실렸다.
※ 논문명: Overcoming Bias in Estimating Epidemiological Parameters with Realistic History-Dependent Disease Spread Dynamics(제1저자: 홍혁표, 엄은진)
2024.10.17
조회수 36797
-
인공지능 화학 학습으로 새로운 소재 개발 가능
새로운 물질을 설계하거나 물질의 물성을 예측하는 데 인공지능을 활용하기도 한다. 한미 공동 연구진이 기본 인공지능 모델보다 발전되어 화학 개념 학습을 하고 소재 예측, 새로운 물질 설계, 물질의 물성 예측에 더 높은 정확도를 제공하는 인공지능을 개발하는 데 성공했다.
우리 대학 화학과 이억균 명예교수와 김형준 교수 공동 연구팀이 창원대학교 생물학화학융합학부 김원준 교수, 미국 UC 머세드(Merced) 응용수학과의 김창호 교수 연구팀과 공동연구를 통해, 새로운 인공지능(AI) 기술인 ‘프로핏-넷(이하 PROFiT-Net)’을 개발하는 데 성공했다고 9일 밝혔다.
연구팀이 개발한 인공지능은 유전율, 밴드갭, 형성 에너지 등의 주요한 소재 물성 예측 정확도에 있어서 이번 기술은 기존 딥러닝 모델의 오차를 최소 10%, 최대 40% 줄일 수 있는 것으로 보여 주목받고 있다.
PROFiT-Net의 가장 큰 특징은 화학의 기본 개념을 학습해 예측 성능을 크게 높였다는 점이다. 최외각 전자 배치, 이온화 에너지, 전기 음성도와 같은 내용은 화학을 배울 때 가장 먼저 배우는 기본 개념 중 하나다.
기존 AI 모델과 달리, PROFiT-Net은 이러한 기본 화학적 속성과 이들 간의 상호작용을 직접적으로 학습함으로써 더욱 정밀한 예측을 할 수 있다. 이는 특히 새로운 물질을 설계하거나 물질의 물성을 예측하는 데 있어 더 높은 정확도를 제공하며, 화학 및 소재 과학 분야에서 크게 기여할 것으로 기대된다.
김형준 교수는 "AI 기술이 기초 화학 개념을 바탕으로 한층 더 발전할 수 있다는 가능성을 보여주었다ˮ고 말했으며 “추후 반도체 소재나 기능성 소재 개발과 같은 다양한 응용 분야에서 AI가 중요한 도구로 자리 잡을 수 있는 발판을 마련했다ˮ고 말했다.
이번 연구는 KAIST의 김세준 박사가 제1 저자로 참여하였고, 국제 학술지 `미국화학회지(Journal of the American Chemical Society)' 에 지난 9월 25일 字 게재됐다.
(논문명: PROFiT-Net: Property-networking deep learning model for materials, PROFiT-Net 링크: https://github.com/sejunkim6370/PROFiT-Net)
한편 이번 연구는 한국연구재단(NRF)의 나노·소재 기술개발(In-memory 컴퓨팅용 강유전체 개발을 위한 전주기 AI 기술)과 탑-티어 연구기관 간 협력 플랫폼 구축 및 공동연구 지원사업으로 진행됐다.
2024.10.10
조회수 15627
-
암 유발 물질 컴퓨터로 예측하다
암은 정상세포와 다르게 세포 내 비정상적인 축적을 통해 유발되는 대사 반응을 하며, 암의 치료 및 진단을 목적으로 이런 암 대사반응에 대해 다방면으로 연구되고 있다. 이에 우리 대학 연구진이 컴퓨터를 통해 24개 암종에 해당하는 1,043명의 암 환자에 대한 대사 모델 구축에 성공했다.
우리 대학 생명화학공학과 김현욱 교수, 이상엽 특훈교수 연구팀이 서울대학교병원 고영일 교수, 윤홍석 교수 및 정창욱 교수 연구팀과의 공동연구를 통해, 암 체세포 유전자 돌연변이와 연관된 새로운 대사물질 및 대사경로를 예측하는 컴퓨터 방법론을 개발했다고 18일 밝혔다.
최근 암 유발 대사물질(oncometabolite)*의 발견과 이를 표적으로 하는 신약들이 미국식품의약국(FDA)의 승인을 받으며 주목받고 있는데, 이에는 급성 골수성 백혈병의 치료제로 사용되고 있는 ‘팁소보(성분명: 아이보시데닙)’ 및 약물 ‘아이드하이파(성분명: 에나시데닙)’가 포함된다.
*암 유발 대사물질 (oncometabolite): 세포 내 비정상적인 축적을 통해 암을 유발하는 대사물질. 이러한 대사물질들은 특정 유전자 돌연변이의 영향으로 대사 과정 중에 비정상적으로 높은 농도로 축적되며, 이러한 축적은 암세포의 성장과 생존을 촉진함. 기존 연구에서 확인된 주요 암 유발 대사물질로는 2-하이드록시글루타레이트(2-hydroxyglutarate), 숙시네이트(succinate), 푸마레이트(fumarate) 등이 보고됨.
하지만, 암 대사 연구와 새로운 암 유발 대사물질 발굴에는 대사체학 등의 방법론이 필요하며, 이를 대규모 환자 샘플에 적용하기 위해서는 상당한 시간과 비용이 소요된다. 이러한 이유로, 암과 관련된 많은 유전자 돌연변이들이 밝혀졌음에도, 그에 상응하는 암 유발 대사물질은 극소수만 알려져 있다.
김현욱 교수 공동연구팀은 세포 대사 정보를 예측할 수 있는 게놈 수준의 대사 모델*에 국제 암 연구 컨소시엄에서 공개하고 있는 암 환자들의 전사체 데이터를 통합해, 24개 암종에 해당하는 1,043명의 암 환자에 대한 대사 모델을 성공적으로 구축했다.
*게놈 수준의 대사모델: 세포의 전체 대사 네트워크를 다루는 컴퓨터 모델로서, 세포 내 모든 대사반응에 대한 정보가 담겨 있으며, 다양한 조건에서 세포의 대사 활성을 예측하는 것이 가능
공동연구팀은 1,043명의 암 환자 특이 대사 모델과 동일 환자들의 암 체세포 돌연변이 데이터를 활용해, 다음의 4단계로 구성된 컴퓨터 방법론을 개발했다 (그림 1). 첫 단계에서는 암 환자 특이 대사 모델을 시뮬레이션해, 환자 별로 모든 대사물질들의 활성을 예측한다. 두 번째 단계로는 특정 유전자 돌연변이가 앞서 예측된 대사물질의 활성에 유의한 차이를 일으키는 짝을 선별한다. 세 번째 단계로, 특정 유전자 돌연변이와 연결된 대사물질들을 대상으로, 이들과 유의하게 연관된 대사경로를 추가로 선별한다. 마지막 단계로서, ‘유전자-대사물질-대사경로’ 조합을 완성해, 컴퓨터 방법론 결과로써 도출하게 된다.
이번 논문의 공동 제1 저자인 이가령 박사(現 다나파버 암센터 및 하버드 의과대학 박사후연구원)와 이상미 박사(現 하버드 의과대학 박사후연구원)는 “이번 연구에서 개발된 방법론은 암 환자 코호트의 돌연변이 및 전사체 데이터를 토대로 다른 암종에 대해서도 쉽게 적용될 수 있으며, 유전자 돌연변이가 대사경로를 통해 어떻게 세포대사에 변화를 일으키는지 체계적으로 예측할 수 있는 최초의 컴퓨터 방법론이라는 데 큰 의의가 있다” 한다고 말했다.
또한 김현욱 교수는 “이번 공동연구의 결과는 향후 암 대사 및 암 유발 대사물질 연구에서 중요한 참고 자료로 활용될 수 있을 것”이라고 강조했다.
한편 이번 논문은 바이오메드 센트럴(BioMed Central) 社가 발행하며, 생명공학 및 유전학 분야의 대표적 국제학술지인 게놈 바이올로지(Genome Biology, JCR 분야 상위 5% 이내)에 게재됐다.
※ 논문명 : Prediction of metabolites associated with somatic mutations in cancers by using genome-scale metabolic models and mutation data
※ 저자 정보 : 이가령(한국과학기술원, 공동 제1 저자), 이상미(한국과학기술원, 공동 제1 저자), 이성영(서울대학교병원, 공동저자), 정창욱(서울대학교병원, 공동저자), 송효진(서울대학교병원, 공동저자), 이상엽(한국과학기술원, 공동저자), 윤홍석(서울대학교병원, 교신저자), 고영일(서울대학교병원, 교신저자), 김현욱(한국과학기술원, 교신저자) 포함 총 9명
이번 연구는 과학기술정보통신부 한국연구재단의 지원을 받아 수행됐다.
2024.03.18
조회수 12229