이 연구 주제는 DNA와 RNA 서열로부터 단백질 결합 부위를 예측하고, 분자 수준의 상호작용을 계산적으로 해석하는 데 초점을 둔다. 연구실의 논문과 특허를 보면 DNA 내 단백질 결합 부위 예측, RNA 뉴클레오타이드의 단백질 결합 여부 예측, 그리고 표적 단백질과 결합하는 후보 RNA 압타머 생성까지 폭넓게 다루고 있다. 이는 실험적으로 많은 시간과 비용이 드는 생체분자 상호작용 분석을 기계학습으로 보완하려는 전형적인 생물정보학 연구 흐름에 해당한다. 구체적인 방법론으로는 서열 프로파일, 염기 조성, 위치가중 정보, 결합 파트너 정보와 같은 특징을 추출하고, 이를 서포트 벡터 머신이나 랜덤 포레스트 같은 지도학습 모델에 적용하는 방식이 중심을 이룬다. 연구실은 단순히 서열 자체만 보는 것이 아니라, 결합 상대의 특성이나 서열 주변 문맥을 함께 고려해 예측 성능을 높이는 접근을 수행해 왔다. 이러한 방식은 생체분자의 결합 특이성을 더 정밀하게 설명하고, 제한된 실험 데이터에서도 유의미한 예측을 가능하게 한다. 이 연구의 활용 가능성은 기초생명과학을 넘어 신약 개발과 바이오소재 설계로 확장된다. 예를 들어 RNA 압타머 후보를 빠르게 선별하면 특정 단백질을 표적하는 진단용 또는 치료용 분자를 효율적으로 찾을 수 있다. 또한 단백질-핵산 상호작용 메커니즘을 예측적으로 규명함으로써 유전자 발현 조절, 질병 관련 돌연변이 해석, 차세대 바이오의약 개발을 위한 계산 도구로 기여할 수 있다.

연구실은 생물정보학뿐 아니라 의료 데이터를 활용한 질병 분류와 조기 진단 문제에도 관심을 보여 왔다. 대표적으로 확산 텐서 영상 데이터를 이용해 알츠하이머병을 조기에 탐지하는 연구는, 뇌 영상으로부터 질병 관련 패턴을 찾아내는 계산적 진단 모델 개발의 방향성을 잘 보여준다. 이는 생명과학 데이터 처리 역량을 의료 응용으로 확장한 사례로 볼 수 있다. 이 분야에서는 영상으로부터 추출된 정량적 특징과 통계적 패턴을 바탕으로 분류 모델을 학습시키는 과정이 핵심이다. 특히 보셀 단위 정보, 분획 비등방성과 같은 영상 기반 바이오마커를 활용해 환자군과 대조군을 구분하고, 조기 단계에서 질환 가능성을 판별하는 접근이 중요하다. 연구실의 기존 성과는 패턴 인식과 인공지능 기법을 의생명 데이터에 적용하여 의료적 의사결정을 지원하는 데 초점을 두고 있다고 해석할 수 있다. 이러한 연구는 임상 현장에서의 조기 발견과 정밀 진단에 실질적인 기여를 할 수 있다. 알츠하이머병과 같이 조기 개입이 중요한 질환에서 계산 기반 진단 도구는 진단의 객관성과 재현성을 높이는 데 도움이 된다. 더 나아가 의료영상, 유전체, 임상정보를 통합 분석하는 방향으로 발전하면, 환자 맞춤형 예측 모델과 디지털 헬스케어 기술로 이어질 가능성이 크다.

연구실의 최근 연구 흐름 중 하나는 유전자 발현 데이터로부터 환자 맞춤형 유전자 상관 네트워크를 구성하고, 이를 암 예후 분석에 활용하는 것이다. GeneCoNet과 같은 연구는 단순히 개별 유전자의 발현량만 보는 것이 아니라, 유전자들 사이의 상관관계와 네트워크 구조를 통해 질병의 분자적 특성을 이해하려는 시도이다. 이는 복잡한 암 생물학을 시스템 수준에서 해석하려는 현대 생물정보학의 중요한 방향과 맞닿아 있다. 방법론적으로는 유전자 발현 데이터에서 환자별 또는 집단별 상관 구조를 계산하고, 예후와 관련된 유전자 쌍이나 서브네트워크를 도출하는 접근이 핵심이다. 여기에 생존분석이나 위험도 추정 기법을 결합하면, 특정 네트워크 패턴이 임상 결과와 어떻게 연결되는지 정량적으로 평가할 수 있다. 연구실은 계산 도구와 웹 기반 응용 서버 형태의 구현까지 포함하여, 실제 연구자와 임상의가 활용할 수 있는 분석 환경을 제공하는 데도 강점을 보인다. 이 연구는 정밀의료와 데이터 기반 항암 연구에 직접적으로 기여할 수 있다. 환자마다 다른 분자 네트워크 특성을 반영하면 획일적인 바이오마커보다 더 정교한 예후 예측이 가능하며, 잠재적인 치료 표적 탐색에도 도움이 된다. 장기적으로는 유전체 데이터, 임상 데이터, 약물 반응 정보를 통합해 개인 맞춤형 치료 전략을 설계하는 기반 기술로 발전할 수 있다.