Research

Single-Cell and Spatial Transcriptomics

Single-cell and spatial transcriptomic data provide information that enables the analysis of gene expression in individual cells and their spatial characteristics within tissues at cellular resolution. We develop computational algorithms and artificial intelligence techniques to identify cell types and states and analyze gene expression patterns in these large-scale datasets.

Through these approaches, we investigate cellular heterogeneity and interactions among diverse cell populations and identify disease-associated cells and genes. Based on these studies, we aim to understand cellular functions and disease mechanisms and apply our findings to diverse life science and healthcare applications, including biomarker discovery and precision medicine.

Network Biology

Biological processes arise from complex interactions and regulatory relationships among multiple biomolecules rather than from individual genes or proteins alone. We develop computational algorithms and artificial intelligence techniques based on probabilistic graphical models to model and analyze interactions among genes, proteins, cells, and other biological entities.

Through these approaches, we analyze the structure and functional organization of biological networks and develop methods for protein function prediction, cross-species transfer of functional information, functional module discovery, and identification of disease-associated genes and proteins. Ultimately, we aim to understand biological processes and disease mechanisms at the network level.

Biological Sequence Analysis

DNA and RNA sequences encode genetic information that provides a fundamental basis for the structure and function of RNA and proteins. We develop computational algorithms and artificial intelligence techniques to compare and analyze DNA, RNA, and protein sequences and structures and extract biologically meaningful information.

Our research includes sequence alignment and similarity analysis, RNA secondary structure analysis, and protein structure and function prediction. Through these computational approaches, we aim to understand the structural, functional, and evolutionary relationships among genes, RNAs, and proteins.

AI-Driven Drug Discovery

Drug discovery is a complex process that requires the integrated analysis of diverse large-scale data, including genomic and transcriptomic data, biological networks, protein structures, and molecular structures of drugs. We develop data-driven computational algorithms and artificial intelligence techniques to integrate heterogeneous data for the efficient discovery and prediction of promising drug candidates.

Our research includes drug target identification, drug–target interaction and drug response prediction, virtual screening, drug candidate discovery, and drug repositioning. Ultimately, we aim to develop efficient computational drug discovery pipelines that can help reduce the time and cost required for developing new therapeutics.

단일세포 및 공간 전사체 분석

단일세포 및 공간 전사체 데이터는 개별 세포의 유전자 발현과 조직 내 공간적 특성을 세포 수준에서 분석할 수 있는 정보를 제공합니다. 우리는 이러한 대규모 데이터에서 세포 유형과 상태를 식별하고 유전자 발현 패턴을 분석하기 위한 계산 알고리즘과 인공지능 기술을 개발합니다.

이를 통해 세포의 이질성과 다양한 세포 집단 사이의 상호작용을 분석하고 질병과 관련된 세포 및 유전자를 탐색합니다. 이러한 연구를 바탕으로 세포의 기능과 질병 메커니즘을 이해하고, 바이오마커 발굴과 정밀의료 등 다양한 생명과학·의료 분야에 활용하는 연구를 수행합니다.

네트워크 생물학

생명현상은 하나의 유전자나 단백질보다 여러 생체분자 사이의 복잡한 상호작용과 조절 관계를 통해 나타납니다. 우리는 유전자, 단백질, 세포 등 생물학적 요소 사이의 상호작용을 모델링하고 분석하기 위한 확률 그래프 모델 기반의 계산 알고리즘과 인공지능 기술을 개발합니다.

이를 통해 생물학적 네트워크의 구조와 기능적 조직을 분석하고, 단백질 기능 예측, 종간 기능 정보 전이, 기능적 모듈 탐색, 질병 관련 유전자 및 단백질 발굴 등을 위한 방법론을 연구합니다. 나아가 네트워크 수준에서 생명현상과 질병 메커니즘을 이해하는 연구를 수행합니다.

생물학적 서열 분석

DNA와 RNA의 염기서열에는 유전정보가 저장되어 있으며, 이러한 정보는 RNA와 단백질의 구조와 기능을 결정하는 중요한 기반이 됩니다. 우리는 DNA, RNA, 단백질의 서열과 구조를 비교하고 분석하여 생물학적으로 의미 있는 정보를 찾아내기 위한 계산 알고리즘과 인공지능 기술을 개발합니다.

주요 연구 분야는 서열 정렬과 유사성 분석, RNA 이차구조 분석, 단백질 구조 및 기능 예측 등을 포함합니다. 이러한 계산적 분석을 통해 유전자, RNA 및 단백질의 구조적·기능적·진화적 관계를 이해하는 연구를 수행합니다.

AI 기반 신약개발

신약개발은 유전체 및 전사체 데이터, 생물학적 네트워크, 단백질 구조, 약물의 분자 구조 등 다양한 대규모 데이터를 종합적으로 분석해야 하는 복잡한 과정입니다. 우리는 이러한 이종 데이터를 통합적으로 분석하여 신약 후보 물질의 발굴과 효과 예측을 위한 데이터 기반 계산 알고리즘과 인공지능 기술을 개발합니다.

이를 통해 약물 타겟 발굴, 약물-타겟 상호작용 및 약물 반응 예측, 가상 스크리닝, 신약 후보물질 발굴, 약물 재창출(drug repositioning) 등을 수행합니다. 궁극적으로 신약개발에 필요한 시간과 비용을 줄일 수 있는 효율적인 계산 기반 신약개발 파이프라인을 구축하는 연구를 수행합니다.

Data-driven Modeling and Prediction

Complex scientific and engineering systems continuously evolve over time, and their dynamic behaviors contain valuable information for understanding system states and predicting future changes. We develop computational algorithms and artificial intelligence technologies for modeling complex phenomena and dynamic systems and predicting future states using diverse types of data.

Our research focuses on data-driven modeling, representation learning, time-series analysis, predictive modeling, uncertainty-aware modeling, and anomaly detection. Through these approaches, we aim to understand the dynamics of complex systems and develop robust and interpretable AI models for various scientific and engineering problems.

Scientific and Engineering Data Analysis

Scientific and engineering data often exhibit diverse structures and characteristics, requiring advanced analytical methods to extract meaningful patterns and knowledge. We develop computational algorithms and AI techniques for feature extraction, representation learning, pattern analysis, and data-driven knowledge discovery.

By integrating emerging data modalities with domain knowledge, we investigate AI methodologies to understand complex data structures, uncover meaningful information, and support data-driven discoveries and problem solving across various scientific and engineering domains.

Intelligent Systems and AI Applications

Real-world systems continuously change according to sensor observations and environmental conditions, and understanding these changes is essential for efficient and reliable system operation. We develop AI technologies for system understanding, monitoring, prediction, and intelligent decision-making based on sensor data and diverse observations.

Our research includes intelligent sensing, sensor data analysis, system state monitoring, anomaly detection, predictive modeling, and AI-based decision support systems. Through these approaches, we aim to develop robust and intelligent AI systems for solving practical problems in various application domains, including manufacturing, environmental monitoring, mobility, and smart systems.

데이터 기반 모델링 및 예측

복잡한 과학·공학 시스템은 시간에 따라 변화하며, 이러한 변화 과정에는 시스템의 상태와 미래를 이해하기 위한 중요한 정보가 포함되어 있습니다. 우리는 다양한 형태의 데이터를 기반으로 복잡한 현상과 동적 시스템을 모델링하고 미래 상태를 예측하기 위한 계산 알고리즘과 인공지능 기술을 개발합니다.

주요 연구 분야는 데이터 기반 모델링, 표현 학습, 시계열 데이터 분석, 예측 모델링, 불확실성을 고려한 모델링 및 이상 탐지 등을 포함합니다. 이러한 방법론을 통해 복잡한 시스템의 변화와 패턴을 이해하고, 다양한 과학·공학 문제 해결을 위한 강건하고 해석 가능한 AI 모델 개발을 연구합니다.

과학·공학 데이터 분석

과학 및 공학 데이터는 다양한 구조와 특성을 가지며, 데이터 내부의 의미 있는 패턴과 지식을 추출하기 위한 분석 방법론이 중요합니다. 우리는 특징 추출, 표현 학습, 패턴 분석 및 데이터 기반 지식 발견을 위한 계산 알고리즘과 인공지능 기술을 개발합니다.

새로운 데이터 유형과 도메인 지식을 결합하여 복잡한 데이터를 이해하고, 과학·공학 분야의 데이터 기반 발견과 문제 해결을 지원하는 AI 방법론을 연구합니다.

지능형 시스템 및 AI 응용

실제 환경에서 동작하는 다양한 시스템은 센서 데이터와 외부 환경 변화에 따라 지속적으로 변화하며, 이러한 변화를 이해하고 예측하는 것은 효율적이고 안전한 시스템 운영을 위해 중요합니다. 우리는 센서 데이터와 다양한 관측 정보를 기반으로 시스템의 상태를 이해하고 미래 변화를 예측하기 위한 계산 알고리즘과 인공지능 기술을 개발합니다.

주요 연구 분야는 지능형 센싱, 센서 데이터 분석, 시스템 상태 모니터링, 이상 탐지, 예측 모델링 및 AI 기반 의사결정 지원 시스템 개발을 포함합니다. 이러한 연구를 통해 제조, 환경, 모빌리티, 스마트 시스템 등 다양한 산업 및 응용 분야에서 발생하는 문제를 해결하기 위한 강건하고 지능적인 AI 시스템 개발을 수행합니다.