recurrent neural network > 통합검색 | BRIC

통합검색

한빛사

내가 찾은 검색어

1recurrent neural network

'recurrent neural network' 에 대한 통합검색결과 17건입니다.

한빛사17건

최신순
관련도순

- 손한샘(성균관대학교, IBS)
Dynamic tracking of objects in the macaque dorsomedial frontal cortex
- Nat. Commun. Jan 02 2025, 16 (1) 346 | https://doi.org/10.1038/s41467-024-54688-y
- 2025.01
- 바이오·의료융합
Deep Geometric Learning With Monotonicity Constraints for Alzheimer‘s Disease Progression
- IEEE Trans. Neural Netw. Learn. Syst. May 21 2024, PP | https://doi.org/10.1109/TNNLS.2024.3394598
- 2024.05
- 바이오·의료융합
H2Opred: a robust and efficient hybrid deep learning model for predicting 2‘-O-methylation sites in human RNA
- Brief. Bioinform. Nov 22 2023, 25 (1) bbad476 | https://doi.org/10.1093/bib/bbad476
- 2023.11
- 생명과학
이도훈

서울대학교

1. 논문관련 분야의 소개, 동향, 전망을 설명, 연구과정에서 생긴 에피소드 생물정보학 분야에서는 히스톤 단백질 꼬리의 화학적 변이의 조합이 유전자 발현을 조절한다는, 이른바 “히스톤 코드” 가설을 정량적으로 모델링하기 위한 많은 연구들이 있어왔습니다. 이 복잡한 문제를 과연 어떤 방식으로 접근했을까요? 물론 다양한 방법들이 제시되어 왔지만, 그 중에서도 유전체 상의 특정 위치에 대하여, 히스톤 ChIP-seq 실험으로 정량화된 여러 종류의 히스톤 변형 프로파일로부터 주변 유전자의 발현을 예측하는, 일종의 ‘기계 학습’ 문제로 변환하여 푸는 방법이 큰 성공을 거둬 왔습니다. 과거의 연구들은 주로 통계적인 방법론과 전통 기계학습 방법론을 주로 사용하여 좋은 예측 성능을 거두었지만, 이 성능을 월등히 뛰어넘은 것은 역시 AI 기반의 방법론이었습니다. 합성곱신경망(convolutional neural network; CNN) 기반 모델과, 순환신경망(recurrent neural network; RNN) 및 어텐션 기반 방법론이 차례로 성공을 거두면서 그 다음은 무엇일지 깊이 고민하던 참이었죠. 저는 사용하는 AI 모델의 종류와 학습에 사용하는 생물학적 특징의 두 가지 관점 모두에서 기존 방법론들을 개선해보고자 하였습니다. AI 모델 측면에서는 특히 자연어 처리 분야에서 좋은 성과를 보인 트랜스포머(transformer) 모델을 사용하여 모델 예측을 위해 전사 시작 부위에 집중하되, 이를 중심으로 한 넓은 유전체 지역 중 필요한 부분의 정보를 가져오는 방법을 모델이 학습하도록 하였습니다. 생물학적 측면에서는 전사 조절에 있어 중요한 요소인 염색질의 3차원 접힘 정보를 잘 반영하도록 모델 구조를 설계하였습니다. 그 결과 모델 성능의 유의미한 향상을 보일 수 있었습니다. 본 연구와 같은 AI Genomics (혹은 AI Epigenomics) 분야는 AI 기술 발전과 함께 비교적 새롭게 생겨난 분야로 볼 수 있지만, 그 잠재력은 어마어마합니다. 유전체 서열만으로부터 유전자 발현을 예측하는 모델 해석을 통해 개별 염기서열 변이의 효과와 프로모터-인핸서 상호작용을 밝힐 수 있음을 보인 Google DeepMind 사의 Enformer 모델이나, mRNA 서열로부터 스플라이싱의 형태를 예측하는 Illumina 사의 SpliceAI 모델의 예는 이 분야의 기대 가치가 그만큼 높다는 것을 의미합니다. 이러한 AI 기반 유전체 해석 방법론이 점차 개발됨에
- Nat. Commun.
- 2023.02.13
- Balachandran Manavalan(성균관대학교)
SiameseCPP: a sequence-based Siamese network to predict cell-penetrating peptides by contrastive learning
- Brief. Bioinform. 23 December 2022 | https://doi.org/10.1093/bib/bbac545
- 2022.12
- 생명과학
Development of a spontaneous pain indicator based on brain cellular calcium using deep learning
- Exp. Mol. Med. 2022 Aug;54(8):1179-1187. | doi: 10.1038/s12276-022-00828-7
- 2022.08
- 의약학
- 강병우(Stanford University)
Modularity and robustness of frontal cortical networks
- Cell Published:July 01, 2021 | DOI:https://doi.org/10.1016/j.cell.2021.05.026
- 2021.07
- 생명과학
- 김보연(Salk Institute for Biological Studies, University of California, San Diego)
Strong inhibitory signaling underlies stable temporal dynamics and working memory in spiking neural networks
- Nat. Neurosci. Published: 07 December 2020 | https://doi.org/10.1038/s41593-020-00753-w
- 2020.12
- 박형준(울산대학교 의과대학, 서울아산병원)
  Interview
- 최창민(울산대학교 의과대학, 서울아산병원)
Detection of Bacteremia in Surgical In-Patients Using Recurrent Neural Network Based on Time Series Records: Development and Validation Study
- J. Med. Internet Res. Published on 04.08.2020; 22(8):e19512 | doi:10.2196/19512
- 2020.08
- 의약학
박형준

울산대학교 의과대학, 서울아산병원

1. 논문관련 분야의 소개, 동향, 전망을 설명, 연구과정에서 생긴 에피소드 제가 처음 딥러닝을 접한 건, 한창 의료계에 접목되어 영상판독을 도와주는 솔루션이 많이 나오고 있을 때였습니다. 임상적으로는 영상보다는 매일같이 열심히 보는건 환자의 생체징후 그래프와 피검사 결과 였는데, 저와는 너무 동떨어진 것 같았습니다. 다만, 매일같이 피검사와 생체징후를 보면서 이 환자는 왠지 이쯤 되면 감염이 생길 것 같다는 뉘앙스가 들면 균배양 검사를 하고 항생제를 쓰는데 밤에 지쳐서 콜을 받게되면 놓쳤던 과거의 기억들이 떠올랐습니다. 최근 패혈증(sepsis)를 생체징후를 통해 예측하는 논문들이 많이 나와있었고, 이를 어떻게 자료를 가져오느냐에 따라서 굉장히 성능에서는 차이가 났었습니다. 그런데 빅데이터로 결과를 정의(define)하는데 있어 과연 현행상 사람들이 잘 쓰지 않는 진단기준(sepsis III criteria or SIRS)를 가지고 결과를 삼는게 과연 적절할까 싶었습니다. 임상적으로는 환자를 굉장히 감각적으로 보고, 변화과정을 봐서 균배양검사와 항생제를 쓰는데 말입니다. 그래서, 원론으로 돌아가자는 생각이 들었습니다. 저 패혈증이라는 것도 언젠가 균이 피에서 배양되는 환자들을 대상으로 만들어놓은 특징을 잘 살리기 위해 기준을 만든거라면, 오히려 기계한테는 균혈증(피에서 균이 자라는 상태)을 학습시키는 것이 뭔가 더 명확하고 학습시키기도 좋다고 생각했습니다. 그래서 이번 그 방법으로 결과를 정의하고, 모델을 설계했습니다. 딥러닝을 하려면 데이터를 다루는 법(data pre-processing) 부터 딥러닝에 필요한 코드짜기 (파이썬) 그리고 딥러닝이 돌아가는 수학적 모형을 이해해야 했습니다. 전혀 이런쪽에 관심이 없다가 처음 공부해가면서 하려니, 너무 막막했는데 군대에서 아무래도 시간이 많이 있다보니 하나씩 배워나갔고 학원도 다니면서 코딩실력을 키워갔습니다. 기초를 닦고나서 모델을 만들려고 하니 선행 연구들을 보고 따라서 모델을 만들어야 되는데, 선행연구들이 다 모델을 간략하게만 서술해 놓아서 따라하기가 너무 어려웠습니다. 그래서 각종 커뮤니티에 질문글을 올렸고, 이렇게 저렇게 평소에 이런걸 하고 있다고 공부하는 자세로 지내다보니 딥러닝으로 박사를 한 “정대연 박사님”을 만날수 있었고 (실제로는 교회 형동생이지만), 아산병원에서 웨이블
- J. Med. Internet Res.
- 2020.08.12
최규성

KAIST

뇌교종(glioma)은 가장 흔한 원발성 뇌종양이고, 그 중 조직병리학적으로 악성도가 가장 높은 고등급 (grade IV)에 해당하는 다형성 교모세포종(Glioblastoma multiforme)이라는 질병은 지난 20년간 환자의 median survival로 대변되는 치료 성적이 별반 나아지지 않는 매우 어려운 질환입니다. 2016년 뇌종양의 WHO classification이 바뀌면서 뇌교종의 분류 기준이 기존과 달리,
- Neuro-Oncology
- 2019.10.04
Prediction of IDH genotype in gliomas with dynamic susceptibility contrast perfusion MR imaging using an explainable recurrent neural network
- Neuro-Oncology Volume 21, Issue 9, September 2019, Pages 1197-1209 | https://doi.org/10.1093/neuonc/noz095
- 2019.09
- 의약학
- 손한샘(Massachusetts Institute of Technology)
Bayesian Computation through Cortical Latent Dynamics
- Neuron Volume 103, Issue 5, 4 September 2019, Pages 934-947.e5 | https://doi.org/10.1016/j.neuron.2019.06.012
- 2019.09
- 바이오·의료융합
- 조태호(Indiana University School of Medicine)
Deep Learning in Alzheimer‘s Disease: Diagnostic Classification and Prognostic Prediction Using Neuroimaging Data
- Front. Aging Neurosci. 20 August 2019 | https://doi.org/10.3389/fnagi.2019.00220
- 2019.08
- 생명과학
Deep Learning in Medical Imaging: General Overview
- Korean J. Radiol. Volume 18, Issue 4, 2017, Pages 570-584 | https://doi.org/10.3348/kjr.2017.18.4.570
- 2017.08
- 바이오·의료융합
- 이희경(Johns Hopkins University)
Neural Population Evidence of Functional Heterogeneity along the CA3 Transverse Axis: Pattern Completion versus Pattern Separation
- Neuron Volume 87, Issue 5, p1093-1105, 2 September 2015. Available online 19 August 2015 | doi:10.1016/j.neuron.2015.07.012
- 2015.08
- 김홍근(대구대학교)
Neural activity that predicts subsequent memory and forgetting: A meta-analysis of 74 fMRI studies
- Neuroimage Volume 54, Issue 3, 1 February 2011, Pages 2446–2461 | http://dx.doi.org/10.1016/j.neuroimage.2010.09.045
- 2011.02

1