배경 ChatGPT는 GPT-3.5 아키텍처를 기반으로 강화학습을 통해 학습한 자연어 텍스트를 처리하는 인공지능 챗봇이다. 자연어처리 모델은 다양한 분야에서 사용되고 있으며 점차 의료 분야로의 활용이 확대되고 있다. 목적 본 연구는 ChatGPT가 어깨 충돌 증후군(SIS)에 대해 제공할 수 있는 의학적 정보와 치료 옵션을 조사하고자 하였다. 연구 설계 기술 연구(서술 연구) 방법 무료 베타 테스트로 제공되는 ChatGPT에 SIS와 관련된 메시지를 입력하고, 의학적 정보 및 치료 옵션에 대한 응답을 수집하여 분석하였다. 결과 ChatGPT는 SIS의 정의, 유병률, 위험 요인에 대한 답변뿐 아니라, 입력된 메시지에 따라 증상, 유사 증상을 보이는 질환, 정형외과적 검사까지 제공하였다. 또한 치료 옵션과 운동의 목록도 제시되었다. 결론 ChatGPT는 SIS에 익숙하지 않은 환자에게 전반적으로 유용한 의학적 정보와 치료 옵션을 제공할 수 있을 것이다. 다만 SIS 환자에게 편향되었거나 부적절할 수 있는 정보를 포함할 수 있으므로 주의가 필요하다. 그럼에도 불구하고 자연어처리 기술이 더 발전한다면, 보다 상세한 의학적 정보와 치료 옵션을 표현할 수 있을 것으로 기대된다.

본 논문에서는 2차원 셀 공간인 셀 우주(Celluar Cosmos)상에서 인공개체의 주화성이 진화적으로 발현하는지를 시뮬레이션 하였다. 이를 위하여 인공개체가 좋아하는 먹이가 셀 우주 공간상에 이동하며 확산하도록 하였다. 초기 인공개체는 행동결정로직이 무작위라서 제대로 먹이를 따라가지 못하지만 먹이를 먹어서 죽지 않은 개체가 번식을 함으로써 점점 더 먹이를 잘 먹는 개체로 진화할 수 있었다. 먹이환경을 변화시키면서 다양한 환경에서 실험한 결과 자연계에 존재하는 대장균과 같은 생물의 주화성과 유사한 특성을 보이도록 진화하는 것을 확인하였다. 이러한 결과는 실제 생물체의 다양한 주화성 특징을 연구하는 데 사용되거나 인공개체의 행동발현 연구에 이용하거나 공학적 문제에서 최적화 특성을 찾는 곳에 응용될 수 있다.

본 논문에서는 블리자드 회사에서 제작한 게임 중 하나인 오버워치(Overwatch)에서 불완전한 게임결과데이터를 이용하여 학습데이터를 만들고 이를 학습한 인공신경망을 통하여 사용자에게 유리한 영웅캐릭터를 추천하는 시스템을 제안한다. 인터넷 상에 존재하는 오버워치 게임결과 데이터는 그 형태가 대부분 다르고 비정형적이며 필요한 정보가 일부만 있는 등 불완전한 데이터이다. 이러한 불완전한 데이터들을 모아서 게임 상황에 따라서 적절한 영웅캐릭터를 추천할 수 있는 데이터 셋을 만들었다. 그러나 이렇게 변경된 데이터 셋은 전체 게임 상황에 비교하여 매우 작은 일부분의 결과만을 갖고 있기 때문에 그 정확도가 부족하다. 이를 해결하기 위해 변경된 데이터 셋을 학습데이터로 만들어 인공신경망에 학습을 하고 게임결과가 나오면 지속적으로 학습할 수 있는 인공신경망기반 영웅캐릭터 추천시스템을 개발하였다. 실험결과 초급자 및 중급자들의 경우 스스로 선택한 영웅의 경우보다 추천시스템이 추천한 영웅을 선택했을 때 승률이 향상되는 것을 볼 수 있었다.

단백질 p53은 종양 억제인자로 기능하며 DNA 손상에 반응하여 세포주기 정지 또는 세포사멸 중 어느 쪽이든 유발할 수 있다. 우리는 부울 네트워크 모델링과 어트랙터(Attractor) 풍경 분석을 사용하여, 분자들의 특정 활성 상태 조합이 특정 세포 결과에 해당하는 단순화된 p53 네트워크의 상태 전이 동역학을 분석하였다. 그 결과, 우리는 DNA 손상에 대한 세포의 반응을 결정하는 네트워크 내의 5가지 핵심 상호작용을 확인하였으며, 이 상호작용들 중 어느 하나라도 결여된 시뮬레이션은 지속적인 p53 활성과 연관된 상태를 생성했고, 이는 세포사멸 반응에 해당하였다. 유방암 세포주 MCF7의 DNA 손상에 대한 세포 반응과 Mdm2 (murine double minute 2) 억제제인 nutlin-3의 효과에 대해 어트랙터 풍경 분석을 수행한 결과, nutlin-3는 세포사멸을 유발하는 데 제한적인 효능을 보일 것임을 시사하였다. 즉, nutlin-3를 포함한 시뮬레이션에서 세포사멸 상태가 큰 정도로 유도되지 않았고, 대신 진동성 p53 동역학 및 세포주기 정지에 부합하는 상태가 나타났기 때문이다. 또한 어트랙터 풍경 분석은 nutlin-3을 Wip1 억제와 병용하면 지속적인 p53 활성 증가를 자극하여 p53 매개 세포사멸을 촉진하는 방향으로 상승(시너지) 효과를 낼 것임을 시사하였다. 우리는 MCF7 세포에서 형광 p53 리포터를 이용한 단일세포 영상(싱글-셀 이미징)으로 p53 활성의 상승효과 및 세포사멸 유발을 검증하였다. 따라서 p53 네트워크 동역학과 그 조절에 대한 어트랙터 풍경 분석은 암 치료를 위한 잠재적 치료 전략을 파악하는 데 기여할 수 있다.

생체 진동은 세포 내에서 어디에나 널리 존재하며, 매우 다양한 양상으로 나타난다. 진동의 주기는 수 밀리초에서 수개월까지 다양하며, 하위세포 수준의 구성요소부터 큰 규모의 생물 집단에 이르기까지 다양한 스케일을 포괄한다. 흥미롭게도 서로 다른 세포에서 유래한 독립적인 진동자들이 외부 조절자에 의한 결과가 아님에도 불구하고 동기화를 보이는 경우가 흔하다. 이러한 동기화된 진동의 근본적인 설계 원리가 무엇인지, 그리고 모델링을 통해 진동자들 사이의 단순한 분자적 또는 기타 상호작용에서 복잡한 결과가 발생함을 보일 수 있는지에 대한 질문이 제기된다. 생체 진동자들을 서로 결합했을 때, 양의 되먹임 루프를 통해 연결되어 있을 경우 동기화가 유도됨을 발견하였다. 두 개의 독립 진동자의 결합 강도를 증가시키면, 몇 번의 주기 내에 동기화가 일어나는 임계값과, 그 후 진동이 중단되는 두 번째 임계값이 나타난다. 양의 되먹임 루프는 두 개의 진동 네트워크 각각의 노드 사이에서 이중양(positive) 상호작용(PP) 또는 이중음(negative) 상호작용(NN)으로 구성될 수 있다. 서로 다른 결합 구조는 상반된 특성을 보인다. 특히, 국소 진동자들이 짧은 시간 지연을 두고 결합될 때 PP 결합은 주기 및 진폭의 안정성 측면에서 유리한 반면, NN 결합은 긴 시간 지연에서 유리하다. 또한 PP 결합은 NN 결합과 비교하여 진폭 변동에 대해 동기화된 진동을 보다 견고하게 만들지만 주기에서는 그렇지 않다. 적용된 잡음 교란에 대해 PP 결합은 결과로 나타나는 동기화된 진동의 진폭과 주기에 큰 변동을 유발할 수 있는 반면, NN 결합은 결합 강도와 무관하게 거의 일정한 진폭과 주기를 보장한다. 더욱이 우리는 무작위 디지털 진동자 회로의 인공적 진화 또한 동일한 설계 원리를 따른다는 점을 관찰하였다. 결론적으로, 서로 다른 결합 전략이 서로 다른 진화적 요구에 따라 선택되었을 가능성이 있음을 시사한다.

동기: 유전자 조절 네트워크(GRNs)는 세포 분화 과정을 지배하며, 단일 세포로부터 다세포 생명체를 구성할 수 있게 한다. 이러한 네트워크는 복잡하지만, 단순 모듈로부터 복잡성이 점진적으로 축적되며 네트워크를 현재의 형태로 형성하는 진화적 설계 원리가 존재해야 한다. 결과: 특정 설계 원리를 규명하기 위해, 우리는 히스테리시스(현재 상태에 따라 전환 임계값이 달라지는 현상) 또는 다중정상상태성(multistationarity, 여러 개의 정상 상태를 갖는 현상) 중 어느 쪽을 결과로 내도록 하는 선호를 두고 임의의 조절 네트워크를 컴퓨팅적으로 진화시켰다. 이 두 가지는 분화 과정과 관련하여 GRN에서 흔히 관찰되는 두 가지 역동적 특징이다. 우리는 그 결과로 얻어진 진화 네트워크를 분석하고, 실험에서 보고된 실제 GRN과 그 구조 및 특성을 비교하였다. 결론: 우리는 인위적으로 진화된 네트워크가 특정한 토폴로지를 갖는다는 것을 발견하였으며, 특히 이러한 토폴로지들이 양(+) 피드백 루프와 음(-) 피드백 루프의 대비되는 성질에 관한 중요한 특징과 유사성을 공유한다는 점이 주목할 만하였다. 우리는 실제 GRN의 구조가 다중정상상태성 또는 히스테리시스 중 어느 한 가지 역동적 특징을 선호하도록 하는 선택과 일관성이 있음을 결론으로 내린다. 보충 정보: 보충 데이터는 Bioinformatics 온라인에서 이용 가능하다.

상호 억제 양성 피드백(Mutual inhibitory positive feedback, MIPF), 또는 이중 음성 피드백(double-negative feedback)은 전이된 상태를 일시적 자극에 대해 유지할 수 있는 세포 기억의 핵심 조절 모티프로 알려져 있다. 이러한 MIPF는 단일 MIPF만으로도 이러한 기억 효과를 구현할 수 있음에도 불구하고, 많은 경우 서로 연계되어 있는 다양한 생물학적 시스템에서 발견된다. 그렇다면 기억 효과를 구현하기 위해 고립된 단일 MIPF를 활용하는 대신, MIPF를 상호 연계하는 것이 어떤 이점을 갖는지에 대한 흥미로운 질문이 제기된다. 우리는 수학적 모델링과 컴퓨터 시뮬레이션을 통해 연계된 MIPF 시스템의 이점을 조사하였다. 그 결과, MIPF를 연계하면 기억 효과를 달성하는 매개변수 범위, 즉 기억 영역이 확장되어 시스템이 매개변수 섭동에 더 강건해짐을 확인하였다. 또한 외부 자극이 off-to-on 상태 전이를 일으키는 데 필요한 최소 지속 시간과 진폭이 증가하며, 그 결과 외부 잡음을 보다 효과적으로 걸러낼 수 있다. 따라서 연계된 MIPF 시스템은 매개변수 섭동과 외부 잡음에 대해 모두 보다 강건한 세포 기억을 구현할 수 있다. 본 연구는 연계된 MIPF 시스템이 잡음이 있는 세포 환경에 대한 강건성을 향상시켜 더 신뢰할 수 있는 기억 효과를 얻기 위한 진화적 결과로 획득되었을 가능성을 시사한다.

본 논문에서는 DNA 마이크로어레이 실험을 통해 얻은 유전자 발현 프로파일로부터 신경-퍼지 추론 시스템(NFIS)을 이용하여 유전자 조절 네트워크(GRN)를 재구성하는 새로운 방법을 제안한다. GRN을 재구성하는 데 있어 주요 어려움 중 하나는 DNA 마이크로어레이 실험이나 원시 데이터의 전처리 과정에서 유입되는 유전자 발현 프로파일의 잡음과 불확실성 정보에 의해 발생한다. 제안된 방법에서는 먼저 유전자 발현 프로파일을 매핑 형태로 변환한 다음, 변환된 데이터를 NFIS에 매핑한다. 마지막으로, 도출된 퍼지 규칙을 사용하여 관계를 추론한다. 관계가 퍼지 규칙으로 표현되므로, 제안된 방법은 잡음과 불확실성 정보에 대해 강인하다. 제안된 방법은 선형 모델로 표현된 GRN을 통해 설명한다. 그 결과, NFIS는 GRN 재구성을 위한 유용한 프레임워크임이 밝혀진다.