우리가 푸는 문제
우리는 디지털 세포 모델링, 공간전사체, 지능형 신약 개발의 최전선에서,
머신러닝·그래프 이론·고차원 통계를 무기로 연구합니다.
생물학을 첫날부터 알 필요는 없습니다.
우리가 보는 건 당신의 분석력과 엔지니어링 역량입니다.
지금 진행 중인 국가연구과제
학생은 단순 보조가 아니라, 각 과제의 핵심 AI 모델을 직접 만듭니다.
서울대 · 서울대병원 · 연세대 · 성균관대 · Mayo Clinic 등과 함께, 학생이 직접 최고 수준의 연구진과 협업합니다.
VITAL — 세포의 디지털 트윈
Virtual Integrative Translational AI for Liver/Autoimmune/Cancer대규모 단일세포 시퀀싱(scRNA-seq, scATAC-seq, Perturb-seq)으로 세포 상태의 저차원 임베딩을 학습해, 약물·돌연변이·병원체에 대한 세포의 비선형 반응을 예측하는 멀티모달 Foundation Model을 구축합니다.
- 초대형 Gene Foundation Model — 유전자가 토큰, 세포가 컨텍스트인 LLM-유사 모델을 수백억 파라미터로 학습
- OOD Perturbation 예측 — Diffusion·Flow Matching으로 미관측 약물조합의 세포 반응 생성
- Multi-modal Alignment — Contrastive learning·Optimal Transport로 epigenome·transcriptome·proteomics 정렬
CellularSpace — 공간 인지 세포 FM
Multimodal Single-Cell Spatial Foundation Model & Clinical Application공간전사체(Xenium, SeqScope)와 병리 이미지(WSI)를 통합해, 조직 안에서 세포가 어디서 무엇을 발현하는지까지 이해하는 공간 인지 멀티모달 Foundation Model을 만듭니다.
- Graph Transformer — 조직을 거대 그래프(노드=세포, 엣지=공간 근접·세포 통신)로 모델링
- Multi-scale View Fusion — 거시 조직 토폴로지(CV)와 미시 단일세포 벡터를 cross-attention으로 정렬
- Spatial Alignment & Imputation — Non-rigid registration·결측 transcript 보간
Aging-MASLD 타깃 발굴
Multimodal AI Target Discovery for Aging-Related MASLD노화가 대사경로를 바꿔 유발하는 대사이상 지방간질환(MASLD)에 대해, 임상 메타데이터·전사체·단백체를 통합해 새로운 치료 타깃을 발굴합니다.
- Multi-view Representation Learning — 이종 멀티오믹스 텐서의 공유·고유 변이를 추출하는 정규화 목적함수 설계
- Causal Target ID — 상관을 넘어 인과로: 구조적 인과모형(SCM)·반사실 추론
- Explainable AI — 표현이 해석 가능한 생물학적 경로로 매핑되도록 제약 설계
Open AI 신약개발 플랫폼
Scalable End-to-End Predictive Pipelines & Execution Engines분자 물성 예측·대사체 추론·경로 매핑 AI 모델을 호스팅·벤치마크·최적화하는 올인원 오픈 클라우드 플랫폼을 구축합니다.
- Robust Execution Engine — GPU 클러스터에서 딥러닝 워크로드를 스케줄링하는 cloud-native 분산 아키텍처
- Multi-Agent 워크플로우 — 자율 AI 에이전트가 wet-lab 연구자를 안내하고 리포트를 자동 생성
- Benchmark 표준화 — Scaffold splitting 등으로 data leakage를 차단해 진짜 일반화 평가
약물 중독 제어 단일세포 AI
Single-Cell Molecular Mapping & AI for Drug Addiction Control중독·재발이 일으키는 신경회로와 세포 프로파일의 재배선을 단일세포 아틀라스로 구축하고, 재발 위험을 알리는 디지털·분자 바이오마커를 발굴합니다.
- Sparse Time-Series 모델링 — 재발 취약성을 나타내는 세포 집단의 critical transition state 식별
- Public Data Integration — Federated·표준 스키마로 다기관 데이터를 K-BDS 등에 통합
- Biomarker Subtyping — Dirichlet Process Mixture로 이질적 환자 코호트 robust 클러스터링
TBI 약물 재창출 (In-Silico + RWD)
In-Silico Screening & Real-World Data Drug Repurposing for TBI외상성 뇌손상(TBI)·뇌진탕후증후군의 타깃 치료 부재를, 분자 네트워크 분석과 OMOP-CDM 기반 EHR을 결합해 기존 FDA 승인 약물 재창출로 돌파합니다.
- Network Link Prediction — 약물-단백질-질병 이종 그래프에서 새로운 치료 링크 예측
- Causal Inference on RWD — OMOP-CDM에서 target trial emulation, propensity score·doubly robust 추정
- In-Silico Screening 최적화 — Docking·connectivity map을 최적화된 텐서 연산으로 가속
이런 전공의 학생을 찾습니다
수학·컴퓨터·AI·코딩에 강점이 있다면 전공은 크게 중요하지 않습니다.
코딩이 가능하다면 생명과학·화학 등 생명·자연과학 전공자도 환영합니다 — 도메인 지식은 오히려 큰 강점이 됩니다.
정말 중요한 건 어려운 문제를 끝까지 파고드는 태도와, AI로 생명현상·신약개발에 도전하고 싶은 열정입니다.
① 수학적 성숙도(선형대수·확률·통계·다변수해석)
② AI/ML 역량(PyTorch, Transformer·GNN·생성모델)
③ 소프트웨어 기본기(Python/C++, Git, Linux/GPU)
필요 역량
필수
- ✓Python
- ✓인공지능 · 선형대수 · 미적분 등 수학적 배경지식
- ✓영어 논문을 읽고 이해하는 역량 (예: 공인영어성적)
- ✓AI 모델 개발에 대한 강한 의지 (Strong commitment)
- ✓커뮤니케이션 역량 (이메일, Notion 등)
- ✓강한 대학원 진학 의지
- ✓성실함
우대
- +PyTorch 등 딥러닝 프레임워크 사용 경험
- +생물학·의학·화학 등 AI for Science를 위한 도메인 지식/경험
- +MCP, Agent 등 최신 기술 개발 경험
- +최신 AI 기술에 큰 흥미가 있고, 이를 생명현상·신약개발에 적용하는 데 강한 관심