연구

개인의 생물학적 데이터를 해석하는 모델을 연구합니다. 장기 목표는 개인별 반응을 예측하는 Digital Twin입니다.

01 · Bulk RNA → single cells

PBISC

혈액 샘플 하나의 bulk RNA에서 single-cell RNA profile을 생성합니다.

질문

널리 수집되는 혈액 bulk RNA에서 유용한 single-cell RNA profile을 얻을 수 있을까?

방법

확산 모델이 벌크 PBMC RNA-seq에서 세포 단위 카운트를 생성합니다. Inference에 같은 샘플의 single-cell 데이터는 필요하지 않습니다.

현황

BIBM에서 원고 심사 중.

02 · RNA → 토큰 하나

언어 모델이 전사체 전체를 토큰 하나로 읽게 합니다.

질문

수천 개의 유전자 값을 글자로 풀어 쓰지 않고도 언어 모델이 RNA에 대해 추론할 수 있을까?

방법

학습된 연결 모듈이 단일세포, 의사벌크, 벌크 프로필을 모델이 읽는 토큰 하나로 압축합니다.

현황

BIBM에서 원고 심사 중.

03 · 증례 보고 → 진단 환경

증례 보고를 단계별 진단 환경으로.

흐름

증례 PDF → 환경 설정 → 단계별 진단 → 보상·검토.

행동

문진 · 진찰 · 검사 요청 · 진단.

현황

초기 프로토타입: PDF 변환기, 진단 환경, 파일럿 실행 기록, 로컬 검토 UI.

다음: 다중 증례 검토, 보상 조정, RL 학습기 연동.

학습에 사용하지 않은 기증자와 연구 데이터로 성능을 평가합니다.

각 결과의 한계와 적용할 수 없는 범위를 함께 밝힙니다.

데이터 출처, 방법, 날짜가 붙은 정정 내역을 남깁니다. 연구 원칙

어느 것도 임상 도구가 아닙니다. VHL은 개인의 치료 결과를 예측하거나 의학적 조언을 제공하지 않습니다.