머신러닝(ML)은 여러 과학 분야를 변화시켰으나, 핵심 응용 분야에는 여전히 표준화된 벤치마크가 부족합니다. 비침습적 분자 분석에 널리 사용되는 기술인 라만 분광법(Raman spectroscopy)은 파편화된 데이터셋, 일관되지 않은 평가, 그리고 분광 데이터의 구조를 포착하지 못하는 모델들로 인해 발전이 제한되어 온 대표적인 분야입니다. 본 연구에서는 간소화된 데이터 접근, 평가 프로토콜 및 코드, 그리고 실시간 리더보드로 구성된, 라만 분광법 ML을 위한 최초의 재현 가능한 대규모 벤치마크인 RamanBench를 소개합니다. RamanBench는 4개 도메인에 걸친 74개 데이터셋(본 벤치마크와 함께 최초 공개된 16개 포함)을 통합하며, 325,668개의 스펙트럼으로 구성되고 다양한 실험 조건에서의 분류(classification) 및 회귀 태스크를 포괄합니다. 저자들은 표준화된 프로토콜에 따라 고전적 방법(예: PLS), 라만 특화 모델(예: RamanNet), 정형 파운데이션 모델(TFM)(예: TabPFN), 시계열 접근법(예: ROCKET)을 포함한 28개 모델을 벤치마킹했습니다. TFM은 도메인 특화 모델 및 그래디언트 부스팅(gradient boosting) 베이스라인보다 지속적으로 우수한 성능을 보였으며, 시계열 모델 또한 경쟁력 있는 성능을 유지했습니다. 그러나 모든 데이터셋에 걸쳐 일반화되는 방법은 없어 근본적인 격차가 드러났습니다. 따라서 본 연구에서는 의료 진단, 생물학 연구, 재료 과학과 같은 중요 응용 분야의 발전을 가속화할 잠재력을 지닌 이 살아있는 벤치마크에 커뮤니티가 새로운 접근 방식을 기여하도록 제안합니다.
의약품 잔류물의 신속하고 신뢰성 있는 식별은 공중보건을 보호하고 식품 안전을 보장하며 실용적인 라만(Raman) 기반 스크리닝을 가능하게 하는 데 중요하다. 본 연구에서는 심층 스펙트럼 특징 추출, 생성 모델, 전통적인 머신러닝 분류기를 결합한 하이브리드 라만 분광법 프레임워크인 HyMLRaman을 제안하여 아목시실린(amoxicillin), 클로람페니콜(chloramphenicol), 시프로플록사신(ciprofloxacin), 테트라사이클린(tetracycline), 이부프로펜(ibuprofen), 파라세타몰(paracetamol)을 포함한 6종의 의약품 화합물을 식별한다. 라만 스펙트럼은 스펙트럼 이미지로 변환되어 여러 심층 신경망 백본(backbone)으로 인코딩되며, 이 중 EfficientNet-B3가 가장 효과적인 표현을 제공한다. 이렇게 얻어진 1536차원 임베딩은 SVM, KNN, 로지스틱 회귀(logistic regression), 랜덤 포레스트(random forest), XGBoost, ANN을 포함한 다운스트림 분류기를 계층화 10-폴드 교차 검증(stratified 10-fold cross-validation) 방식으로 학습시키는 데 사용된다. 하이브리드 EfficientNet-B3-SVM 구성은 96.31%의 정확도와 96.36%의 매크로-F1(macro-F1) 점수를 달성하여 가장 우수한 기준선 성능을 보이며, 단독 CNN 기준선을 능가한다. 제한된 데이터 조건을 해결하기 위해, PCA로 차원을 축소한 EfficientNet-B3 잠재 공간(latent space)에서 DDPM 기반 특징 증강이라는 생성 모델을 도입한다. 저데이터(low-data) 어블레이션(ablation) 결과는 DDPM 증강이 선택적인 이점을 제공하며, 특히 학습 데이터 비율이 줄어든 상황에서 KNN에 효과적이지만 그 효과는 분류기에 따라 달라짐을 보여준다. 마지막으로, 애플리케이션 수준의 라만 의약품 분석기(Raman Pharmaceutical Analyzer)는 학습된 모델을 대화형 라만 분석 워크플로우에 통합할 수 있음을 보여준다. 이러한 결과는 HyMLRaman이 신속한 라만 기반 의약품 스크리닝을 위한 실용적이고 해석 가능한 방법을 제공함을 시사한다.
라만 분광학 기반 진단에서 기계학습을 위한 충분히 큰 바이오메디컬 데이터셋에 대한 접근성은 여전히 주요 장애물로 남아 있다. 특히 신경교종 분석에서 데이터셋은 일반적으로 소규모이고 이질적이며, 획득 방식에 따른 변동성의 영향을 받는다. 본 연구는 이러한 소규모 코호트 환경에서 심층 생성적 증강의 유용성을 탐구한다. 우리는 58개 종양 샘플에서 획득한 신경교종 생검 스펙트럼을 분석하고, IDH 상태의 이진 분류와 6클래스 메틸화 서브타입 분류 문제를 모두 고려한다. 데이터셋의 제한된 크기와 불균형을 해소하기 위해, 클래스 조건부 합성 라만 스펙트럼을 생성할 수 있는 조건부 변분 오토인코더(β-CVAE)를 개발한다. 생성된 데이터는 엄격한 환자 격리 교차 검증 프로토콜 하에서 합성 데이터로 학습-실제 데이터로 테스트(TS/TR) 및 합성+실제 데이터로 학습-실제 데이터로 테스트(TSR/TR) 설정으로 평가된다. 합성 데이터만으로 학습된 모델은 실제 스펙트럼으로 학습된 모델보다 성능이 낮으며, 이는 합성 분포와 실제 분포 간의 상당한 도메인 갭을 나타낸다. 그러나 실제 학습 데이터를 합성 스펙트럼으로 증강하면 다수의 모델에 걸쳐 분류 성능이 일관되게 향상된다. 이러한 결과는 독립적인 환자 샘플의 수가 제한적이더라도, 생성 모델이 다운스트림 분류기에 유용한 정규화를 제공할 수 있는 충분한 구조를 포착할 수 있음을 나타낸다. 또한 우리는 재구성 기반 추론 전략인 재구성에 의한 분류(CbR, Classification by Reconstruction)를 탐구하는데, 이 방법에서는 서로 다른 클래스 조건 하에서의 재구성 오류를 기반으로 클래스 예측이 이루어진다. 전반적으로, 본 결과는 제한된 바이오메디컬 데이터셋을 특징으로 하는 라만 분광학 응용에서 기계학습 견고성을 향상시키기 위한 실용적인 전략으로서 심층 생성적 증강의 활용을 지지한다.
트랜스포머 기반 모델은 최근 라만 스펙트럼 분류 분야에서 주목받고 있다. 본 연구에서는 트랜스포머 기반 접근법을 중첩 리플리케이트-아웃 교차 검증(leave-one-replicate-out cross-validation) 프레임워크를 사용하여 체계적으로 평가하고, PCA 또는 ICA와 LDA, SVM, 랜덤 포레스트 분류기를 결합한 전통적인 머신러닝 파이프라인과 비교하였다. 6종의 세균과 9개의 독립적인 측정 반복(replicate)으로부터 수집된 5,417개의 단일 세포 스펙트럼으로 구성된 세균 라만 데이터셋을 사용하였다. 트랜스포머 모델은 독립적인 테스트 반복 전반에 걸쳐 일관되게 가장 높은 분류 성능을 달성하였으며, 모든 전통적인 접근법을 유의미하게 능가하였다. 학습된 잠재 특징 공간 분석 결과, PCA 및 ICA 기반 표현에 비해 클래스 분리가 향상된 것으로 나타났다. 또한 트랜스포머는 전처리 없이 원시 라만 스펙트럼에 직접 적용하였을 때에도 우수한 성능을 유지하며 측정 반복 전반에 걸쳐 강건한 동작을 보였다. 이러한 결과는 강건한 라만 스펙트럼 분류를 위한 트랜스포머 기반 모델의 잠재력을 부각시키며, 현실적인 모델 평가를 위한 반복 인식 검증(replicate-aware validation)의 중요성을 강조한다.
희소·불규칙 측정과 초기 거동이 유사해도 미래가 갈라지는 세포 배양 공정에서, 게이트 병목 잠재 ODE(GB-Latent ODE)와 다중 경로 적시 파인튜닝(MP-JIT-FT), 라만 분광 퓨전을 결합해 단일 평균이 아닌 여러 그럴듯한 궤적을 예측한다. 14개 조건·38회 fed-batch 5L 바이오리액터 실험에서 라만 퓨전 MP-JIT-FT가 최상 평균 순위를 기록했고, 9개 목표 변수 중 8개에서 전역 Latent ODE 기준선을 능가했다.