PyTorchKR Papers

최신 논문

총 7편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2605.22848v3cs.CE

불확실성을 고려한 신경망 에뮬레이션으로 대규모에서 기후 회복력이 높은 옥수수 형질 규명

Uncertainty-aware neural emulation reveals climate-resilient maize traits at scale

기후 변화는 전 세계 옥수수 수확량을 위협하지만, 미래 조건에서 생산성을 유지하는 유전적 형질을 파악하려면 유전자형, 토양, 기후의 조합으로 이루어진 방대한 공간을 탐색해야 하며, 과정 기반 작물 모델로는 이를 대규모로 시뮬레이션하기에 비용이 너무 크다. 본 연구에서는 기작 기반 작물 시뮬레이터(APSIM)를 빠르고 불확실성을 고려하는 탐색 엔진으로 전환하는 통합 확률적 에뮬레이션 프레임워크를 개발한다. 200만 건의 시뮬레이션으로 구축되고 현실적인 기후 시퀀스를 생성하는 생성형 기상 모델과 결합된 이 에뮬레이터는, 원래 계산 비용의 일부만으로 13개의 옥수수 생육 출력을 높은 충실도로 재현하면서 모든 예측에 대해 보정된 신뢰도를 제공한다. 이를 10만 개의 형질 구성, 6개 지역, 2100년까지 이어지는 미래 기후 전망에 적용하여, 2100년 미래 조건에서 회복력을 유지하는 1,114개의 형질 조합과, 2040년, 2060년, 2080년, 2100년의 네 가지 미래 전망 시기 모두에서 회복력을 유지하는 더 엄격한 부분집합인 246개의 구성을 식별하였다. 이러한 회복력 있는 구성은 형질 공간의 뚜렷한 영역을 차지하며, 높은 복사 이용 효율과 발달 및 생식 형질의 특징적인 변화를 함께 갖는다. 형질 중요도 분석은 또한 복사 이용 효율이 미래 기후에서 수확량을 좌우하는 지배적 요인임을 보여 주며, 예상 수확량은 지역과 기후 모델에 따라 크게 달라 기후 변화에 대한 옥수수의 반응에 강한 공간적 이질성이 있음을 시사한다.

arXiv:2609.27208v1cs.CV

비용 효율적 공간 전사체학을 위한 능동적 스팟 선택 벤치마킹

Benchmarking Active Spot Selection for Cost-Efficient Spatial Transcriptomics

공간 전사체학(spatial transcriptomics, ST)은 조직 맥락에서 유전자 발현을 측정하지만, 촘촘한 캡처 그리드는 비용이 많이 들 수 있으며 형태학적으로 유사한 영역을 반복적으로 샘플링할 수 있다. 대부분의 능동 학습(active learning) 전략은 범주형 레이블과 독립 표본을 위해 개발되었다. 우리는 발현 벡터가 고차원·연속이고 후보들이 공간적으로 상관된 ST에서, 균일 Random 샘플링 대비 능동 학습에 대한 후향적 pool 기반 벤치마크를 수행한다. 완전 프로파일링된 공개 ST 코호트 두 개를 사용해 후보 발현 벡터를 마스킹하고, 불확실성 기반 Monte Carlo 드롭아웃(MC-dropout) 및 temporal output discrepancy(TOD), 다양성 기반 CoreSet 및 TypiClust 영감 선택으로 다회차 선택을 시뮬레이션한다. 환자 수준 교차 검증 하에서 fold 전체 학습 spot 풀의 5%, 10%, 30%, 50%에서 160개의 완료된 구성을 비교하며, 별도의 전체 레이블 기준(reference)을 둔다. 각 예산 내에서 전략들은 선택 일정, 형태-발현 예측기, 최적화 프로토콜을 공유한다. 슬라이드 내 유전자별 평균 Pearson 상관계수(PCC), 발현 클러스터 일치, Moran's I 충실도를 평가한다. HER2 양성 유방암에서 네 가지 능동 전략의 Random 대비 pooled mean PCC 차이는 5%, 10%, 30%, 50%에서 각각 -0.0176, -0.0117, +0.0056, +0.0057이었다. 피부 편평세포암(cutaneous squamous cell carcinoma, cSCC)에서는 5%에서 세 전략이 Random보다 낮았고, 10%에서는 네 전략 모두 Random보다 낮았다. HER2 양성 유방암에서 CoreSet과 MC-dropout은 가장 작은 두 예산에서 Random보다 PCC는 낮지만 발현 클러스터 일치는 더 높았으며, 이 패턴은 cSCC에서는 재현되지 않았다. 보고된 고정 학습 horizon 하에서, 평가된 능동 전략들은 작은 예산에서 Random을 일관되게 개선하지 않으며, 순위는 평가 지표에 따라 달라진다.

arXiv:2607.24814v2cs.AI

Aletheia: 저자원 의료 환경에서 감별 진단을 위한 오프라인 우선 임상 의사결정 지원 시스템

Aletheia: An Offline-First Clinical Decision Support System for Differential Diagnosis in Low-Resource Healthcare Settings

사하라 이남 아프리카 전역에서는 농촌 지역의 의사 대 환자 비율이 1:25,000 미만으로 떨어질 정도로 전문 임상 지식에 대한 접근성이 극도로 제한되어 있다. 기존의 AI 보조 진단 도구는 주로 안정적인 인터넷 연결과 고사양 하드웨어를 필요로 하므로, 지역 병원 및 보건소의 일선 의료진에게는 비실용적이다. 본 논문에서는 사하라 이남 아프리카의 저자원 의료 환경을 위해 설계된 오프라인 우선(offline-first) 임상 의사결정 지원 시스템인 Aletheia를 소개한다. Aletheia는 Qwen2.5-3B-Instruct를 기반으로 구축되었으며, 동아프리카에서 유병률이 높은 50가지 질환에 걸친 27,000개의 선별된 임상 추론 샘플 데이터셋에서 양자화된 로우랭크 적응(QLoRA, Quantised Low-Rank Adaptation)을 사용해 파인튜닝되었다. 평가 결과 Top-1 진단 정확도 80%(10건 중 8건; 95% CI 49.0-94.3%), Top-3 정확도 100%(10건 중 10건; 95% CI 72.2-100%), BERTScore-F1 0.909, METEOR 0.467을 달성했다. 이러한 진단 수치는 대표적인 임상 사례 범주 10개에서 각 1건씩 의도적으로 작게 구성된 집합을 대상으로 계산되었으므로 통계적으로 견고하기보다는 지표적 성격을 띠며, 넓은 신뢰구간과 함께 해석되어야 한다. 이 시스템은 0.275의 기대 보정 오차(ECE, Expected Calibration Error)를 기록하고 Africa Deep Tech Challenge 2026(ADTC 2026)의 메모리 예산 제약인 7,168 MB를 충족하여, 표준화된 벤치마크 노트북에서 약 3,630 MB의 최대 추론 RAM을 기록했다. 이러한 결과는 클라우드 인프라 없이도 자원이 제한된 환경의 1차 진료 수준에서 대규모 언어 모델(LLM) 기반의 임상 추론을 배포할 수 있는 실현 가능성을 보여준다.

arXiv:2607.28652v1q-bio.OT

HenTwin: 산란계의 종단적 생물학적 상태 모니터링을 위한 멀티모달 디지털 트윈 프레임워크

HenTwin: A Multimodal Digital Twin Framework for Longitudinal Biological State Monitoring in Laying Hens

산란계의 초기 생애 모니터링은 단편적인 단일 모달리티 센싱과 정형화된 시스템 수준 상태 표현의 부재로 인해 여전히 한계가 있다. 5개 층(layer)의 IoT 아키텍처로 구현된 멀티모달 디지털 트윈 프레임워크인 HenTwin은 부화부터 생후 25주령까지 계군 수준의 멀티모달 생물학적 상태 역학을 공식화한다. 체표면 온도, 음향 에너지 엔트로피, 대역 에너지 비율, 옵티컬 플로우(optical-flow) 기반 움직임을 통합한 4차원 생물학적 상태 벡터를 정의하고, 개입 능력을 유지하기 위해 온습도 지수(THI)를 외생 환경 입력으로 처리한다. 댈하우지 대학교 애틀랜틱 가금류 연구 센터(Atlantic Poultry Research Centre)의 5개 제어실에서 150마리의 로만 LSL-라이트(Lohmann LSL-Lite) 산란계로부터 수집한 25주간의 종단적 멀티모달 데이터로부터 이산 시간 상태 전이 모델을 추정한다. 추정된 전이 행렬은 점근적으로 안정(asymptotically stable)하면서도 모달리티 특이적 지속성을 나타낸다. 섭동(perturbation) 분석 결과, 지속적인 +2.0 THI 증가는 0.54 nat의 안정적인 장기 음향 엔트로피 상승을 초래하며, 이는 연구 기간 전반에서 관찰된 전체 발달상 감소폭인 1.87 nat의 약 4분의 1에 해당함을 보여준다. 페팃(Pettitt) 변화점 탐지를 통해 12~14주령에 조율된 멀티모달 발달 상태 전이가 일어남을 확인한다. 사육실 간 교차 검증(cross-room validation)은 구조적 전이 파라미터가 사육실 간에 부분적으로 전이 가능하지만, 환경 입력 민감도는 사육실별 캘리브레이션이 필요함을 시사하여 2계층 IoT 배포 아키텍처를 뒷받침한다. 리브-원-아웃 교차 검증(LOOCV)을 통해 일관된 표본 외(out-of-sample) 모델 성능을 입증한다. HenTwin은 정밀 축산에서 정형화된 상태 인식 디지털 트윈 추론을 향한 첫걸음을 내딛는다.

arXiv:2511.02340v3cs.AI

트랜스포머를 이용한 만성 콩팥병 예후 예측

Chronic Kidney Disease Prognosis Prediction Using Transformer

만성 콩팥병(Chronic Kidney Disease, CKD)은 전 세계 인구의 약 10%에게 영향을 미치며, 종종 말기 신부전으로 진행된다. 정확한 예후 예측은 적시 개입과 자원 최적화에 필수적이다. 우리는 서울대학교병원 OMOP Common Data Model의 멀티모달 전자 건강 기록(electronic health records, EHR)을 사용하여 CKD 진행을 예측하는 트랜스포머 기반 프레임워크를 제시한다. 우리의 접근법(\textbf{ProQ-BERT})은 인구통계학적, 임상, 검사실 데이터를 통합하며, 연속 검사실 수치에 대해 양자화 기반 토큰화를 사용하고 해석 가능성을 위해 어텐션 메커니즘을 활용한다. 모델은 마스크된 언어 모델링(masked language modeling)으로 사전학습(pre-training)되었으며, 다양한 추적 관찰 및 평가 기간에 걸쳐 3a기에서 5기로의 진행을 예측하는 이진 분류 과제에 대해 파인튜닝(fine-tuning)되었다. 91,816명의 환자 코호트에서 평가한 결과, 우리 모델은 CEHR-BERT를 지속적으로 능가했으며, 단기 예측에서 ROC-AUC 최대 0.995, PR-AUC 최대 0.989를 달성했다. 이 결과는 임상 예후 모델링에서 트랜스포머 아키텍처와 시간적 설계 선택의 효과를 부각하며, 개인 맞춤형 CKD 관리를 위한 유망한 방향을 제시한다.

arXiv:2606.23122v1cs.AI

시간의 문제: 행위성의 일반 이론을 향하여

A Matter of Time: Towards a General Theory of Agency

행위성(agency)은 철학, 생물학, 인지과학 연구에서 물질적 조직으로부터 어떻게 발생하는지에 대한 명확한 설명 없이 자주 언급된다. 이 논문은 시간 매개변수화된 (F, A)-시스템을 기반으로, 관계 생물학(relational biology), 물리적 생물기호학(physical biosemiotics), 과정 존재론(process ontology)에 근거한 행위성의 등급화된 조직론을 발전시킨다. 우리는 자기지시적 폐쇄(self-referential closure)가 시간 밖에서는 적절히 개념화될 수 없다고 주장한다: 의미론적으로 닫힌 조직의 구성적 과정들이 각기 다른 특성적 시간 척도와 연관되면, 그 조직은 비동기적 의존 구조로 전개되며, 이는 형식적으로 역사 의존적이고 수정 가능한 비동기 동적 베이지안 네트워크(Asynchronous Dynamic Bayesian Network)로 재기술될 수 있다. 이 전환은 자율성(autonomy), 목표 지향성(goal-directedness), 행위성, 개방성(open-endedness) 사이의 원칙적 구분을 가능하게 한다. 자율성은 물질적 개방성 하에서 효율 인과(efficient causation)에 대한 불안정한 폐쇄로부터 발생하고, 목표 지향성은 생존 가능성을 지지하는 조직의 유지로부터 발생한다. 행위성은 그러한 조직이 가능한 미래들에 비추어 유기체-환경 결합을 선택적으로 조절하는 내인성 예측적 구조(endogenous anticipatory structure)를 획득할 때 나타난다. 개방성은 이 예측적 조직이 자신의 미래 가능성 공간을 재구성할 수 있을 때 시작된다. 우리의 프레임워크는 로젠식 예측(Rosennean anticipation)과 조직적 폐쇄(organizational closure)를 화해시키고, 마르코프 블랭킷(Markov blankets)과 능동 추론(active inference)을 제1원리가 아닌 파생적 형식적 재기술로 제한하며, 계산적 인액티비즘(computational enactivism)을 비프리스턴식(non-Fristonian) 용어로 재해석한다. 약화된 시간화 조직들을 도출함으로써, 우리의 기여는 원시 행위성을 지닌 화학 시스템에서 완전히 의미론적으로 닫힌 에이전트에 이르는 위계를 개괄하며, 다세포 생물, 합성 생명체, 신경과학에 대한 함의를 제시한다.

arXiv:2606.18302v1q-bio.OT

단백질 기반 어종 식별: 방글라데시 토착 어류를 위한 데이터셋, 모델 및 통찰

Protein-Based Fish Species Identification: Dataset, Models, and Insights from Native Bangladeshi Fish

어종의 정확한 식별은 방글라데시의 식량 안보, 경제 발전 및 기후 회복력에 매우 중요하다. 단백질 서열은 종 진위 확인 및 생물 다양성 모니터링에 중요한 기능적 및 진화적 제약을 직접 반영한다. 그러나 단백질 서열을 통한 방글라데시 토착 어종 식별을 위한 벤치마크(benchmark)가 존재하지 않는다. 본 연구에서는 9종의 방글라데시 토착 어류에 대한 2,845개의 고품질 단백질 서열로 구성된 최초의 정제된 데이터셋(dataset)을 도입하여 이러한 격차를 해소했다. 또한 7가지 아키텍처 패러다임에 대한 체계적인 벤치마킹을 통해 이 분야의 최초 단백질 서열 분류(classification) 기준선(baseline)을 확립했다. 더 나아가, 단말 인식 위치 인코딩(Terminal-Aware Positional-Encoding)을 갖는 MotifCNN과 트랜스포머(Transformer)의 현실적으로 배포 가능한 새로운 하이브리드 아키텍처(MotifCNN-Transformer+TA-PE)를 제안한다. 우리의 새로운 아키텍처는 0.80의 macro-F1로 79.80%의 정확도를 달성했다. 가장 높은 83.04%의 정확도는 420M 파라미터를 가지며 추론(inference)을 위해 듀얼 16GB GPU가 필요한 파인튜닝된(fine-tuned) 단백질 언어 모델(language model) ProtBERT에 의해 달성되었다. McNemar의 검정에 따르면, 우리의 MotifCNN-Transformer+TA-PE에 대한 ProtBERT의 3.24% 정확도 향상은 통계적으로 유의하지 않다(p = 0.1120). 우리의 새로운 아키텍처는 클래스별 식별에서 9개 클래스 중 6개에서 ProtBERT를 능가한다. 또한 우리의 MotifCNN-Transformer+TA-PE는 ProtBERT보다 약 5배 더 빠르고, 42배 더 작으며, 16배 더 큰 배치(batch) 크기를 지원하고 GPU 없는 추론(inference)이 가능하여, 방글라데시의 농촌과 같은 자원이 제한된 지역에 배포하기에 더 실용적이다. 이 외에도, 우리의 기초 연구는 계통 발생적 관계가 서열 유사성에 미치는 영향을 보여주며, 단백질 의존형 경제인 남아시아의 수산 자원 관리, 식품 진위 확인 및 생물 다양성 보존을 위한 경로를 확립한다.