ํฌ์ค์ผ์ด
AI ๋ชจ๋ธ์ ์๋ฃ ์ฐ๊ตฌ์ ์์ ์ ์ฉ์ ์์ธกํ ์ ์๋ค
생물의학 연구의 경우 매일 수백 건의 연구 논문이 발표되고 있다. 그러나 연구가 실험실 환경을 벗어나 임상 적용으로 이어질지 예측하기는 어렵다. 최근에 국립보건연구원(NIH)의 포트폴리오 분석 사무소(Office of Portfolio Analysis, OPA)에서 개발한 기계 학습 모델은 생물의학 연구 사례가 임상 시험 또는 지침에서 사용될 가능성을 결정할 수 있었다. OPA에 따르면, 임상 시험에서 연구 논문의 인용은 번역 진행 또는 질병 치료를 위한 연구 결과의 잠재적인 사용의 초기 지표이다.
AI Trends에 따르면, OPA의 연구자들은 기계 학습 모델에서 사용할 새로운 지표를 만들었는데, 번역 가능성 근사치(Approximate Potential to Translate, APT)라고 불린다. OPA 책임자 조지 산탄젤로(George Santangelo)에 따르면, 생물의학 번역은 연구 논문에 대한 과학적 커뮤니티의 반응에 따라 예측할 수 있다. 산탄젤로는 지식의 흐름에 대한 뚜렷한 궤적이 존재하며, 이는 임상 연구에 영향을 미치는 논문의 성공 또는 실패율을 예측할 수 있다고 말했다.
APT 지표의 생성은 NIH의 iCite 도구의 두 번째 버전이 출시됨에 따라 일치한다. iCite는 특정 분석 분야의 저널 출판에 대한 정보를 제공하는 브라우저 기반 응용 프로그램이다. 앞으로, iCite 도구는 쿼리 결과로 APT 값을 반환할 것이다.
실험실 연구를 임상 적용으로 바꾸는 과정은 복잡한 작업이며, 종종 수년이 걸린다. 이 과정을 가속화하기 위한 시도가 이루어졌지만, 과제에 포함된 많은 변수로 인해 번역 과정을 평가하기는 어렵다. 산탄젤로에 따르면, 기계 학습 알고리즘은 임상 연구에 유용한 연구 논문을 더 잘 이해할 수 있는 강력한 도구이다. 연구자들이 APT 지표를 실험하고 개선함에 따라, 유용한 예측 패턴이 나타나기 시작했다.
“나는 가장 중요한 것은 기본적인 연구에서 임상 연구까지의 축에 걸쳐 있는 관심의 다양성이라고 생각한다. 사람들이 그 축에 걸쳐서, 종종 같은 분야의 과학자들로부터 임상 연구자들까지, 관심을 보이는 경우, 즉 그 논문에서 인용이 있는 경우, 임상 시험 또는 지침에서 언급될 가능성이 rất 높다.”
산탄젤로에 따르면, 선택된 특징은 연구 논문에서 임상 방법으로의 번역을 예측하는 데真正한 약속을 보여준다. 출판일로부터 최소 2년 동안 수집된 출판물에 대한 데이터는 종종 임상 논문에서 언급될 논문의 최종 인용에 대한 정확한 예측을 제공한다.
산탄젤로는 새로운 지표와 기계 학습 알고리즘 덕분에 연구자들이 문헌에 대한 더 완전한 지식을 가지고 있으며, 이는 임상 과학자들에게 더 매력적인 연구 분야에 대한 더 나은 통찰력을 제공한다고 설명했다.
산탄젤로는 또한 그들의 알고리즘을 iCite 도구에 통합하는 것이 NIH의 오픈 시테이션 컬렉션 데이터베이스의 무료, 오픈 특성을 활용하기 위한 것이라고 설명했다.
NIH 오픈 시테이션 컬렉션 데이터베이스는 현재 4억 2천만 개 이상의 인용 링크로 구성되어 있으며, 계속 증가하고 있다. 산탄젤로 팀의 알고리즘은 iCite 2.0이 출시될 때 이러한 인용에 대한 APT 값을 표시할 것이다.
많은 데이터베이스는 제한적이고 사유적이며, 산탄젤로는 이러한 장벽이 협력 연구를 방해한다고 말했다. 산탄젤로는 데이터를 벽안에 두는 정당한 이유가 없으며, 그들의 알고리즘이 다른 사람들이 계산된 APT 값을 볼 수 있도록 허용하기 때문에, 사유 데이터 소스를 사용하는 것은 유익하지 않다고 생각한다.
