최진희 교수 AI 독성예측 WC13 기조강연을 찾고 계시죠? 학회 녹화·슬라이드 부재와 기술적 재현성 걱정으로 답답하실 페르소나를 이해합니다. 아래에서 강연 핵심, 찾아야 할 기술적 항목, 자료 확보·재현 체크리스트를 먼저 정리해 드립니다.
글의 목차
강연 개요 및 한눈 요약
최진희 교수는 8월 31일~9월 4일 브라질 리우데자네이루에서 열린 제13차 WC에서 One Health 관점의 AI 기반 독성예측을 주제로 기조강연을 진행했습니다. 강연 핵심은 AI·AOP 통합으로 인간·환경을 아우르는 차세대 위해성 평가 체계를 제안하는 것입니다.
최진희 교수 AI 독성예측 WC13 기조강연 자세히 보기
이 강연은 WC13의 One Health·3R 논의 맥락에서 AI·AOP 결합의 국제적 필요성을 제시했다는 점에서 의미가 큽니다. 언론 보도(자료제공: 서울시립대)는 개요와 메시지를 전했으나 기술적 세부자료는 미공개 상태입니다.
기조강연의 핵심 주장과 핵심 발언
강연의 주된 주장: AI 기반 모델과 AOP(Adverse Outcome Pathways)를 결합하면 인간 보건과 생태계 종 간의 위해성 연계를 설명 가능하게 확장할 수 있다는 것입니다. 최 교수는 국제협력과 표준화된 데이터 공유가 필수적이라고 강조했습니다.
- 핵심 요지(요약형): AI는 독성 경로의 잠재적 바이오마커·메커니즘을 탐지해 AOP를 보완하고, 이를 통해 NGRA(Next-Generation Risk Assessment)의 해석성과 확장성을 높일 수 있다.
최진희 교수 AI 독성예측 WC13 기조강연 자세히 보기
기술적 세부사항: 모델·데이터·성능에서 꼭 확인할 항목
발표 보도는 개념을 전달했지만, 실무자들이 재현·검증하려면 다음 기술적 항목의 공개 여부를 먼저 확인해야 합니다. 핵심은 "모델명/아키텍처, 데이터 출처·규모, 전처리, 성능 지표, 공개 코드"입니다.
| 항목 | 확인 포인트 |
|---|---|
| 모델 | 모델명(예: GNN, Transformer), 아키텍처/하이퍼파라미터 |
| 데이터셋 | 출처(공개 DB명), 샘플 수·종(species), 라벨링 기준 |
| 성능 지표 | AUROC, F1, 민감도·특이도(교차검증 결과 포함) |
| 재현성 정보 | 코드 리포지토리, 환경(라이브러리·버전·GPU), 랜덤시드 |
최진희 교수 AI 독성예측 WC13 기조강연 자세히 보기
위 항목 중 특히 모델의 설명가능성(XAI) 기법과 AOP 매핑 절차가 공개되어 있는지 여부가 재현성과 규제수용성에 결정적입니다.
재현성·자료 확보 가이드(슬라이드·녹화·코드 찾기)
현재 공개된 언론 자료는 개요 중심이므로 녹화·슬라이드·부록(코드·데이터)은 직접 확인해야 합니다. 학회·저자·소속 기관을 통한 요청이 가장 효율적입니다.
- 우선 검색 순서: (1) WC13 공식 페이지(프로그램·녹화), (2) 서울시립대학교/연구실 공지, (3) 최진희 교수 개인·연구실 페이지 및 GitHub, (4) 관련 preprint/논문·학술 DB(예: scholar) 순으로 확인하세요.
최진희 교수 AI 독성예측 WC13 기조강연 자세히 보기
재현성 요청 시 제공받아야 할 구체 항목(예: 코드 링크, 데이터 접근 절차, 실행 환경 파일)을 이메일로 목록화해 문의하면 응답률이 높아집니다.
실무적 시사점: 규제·산업 적용 관점에서 해야 할 일
AI 독성예측을 규제환경에 도입하려면 검증 데이터셋(독립 검증·외부 밴치마크), 임계 성능 기준(예: AUROC 임계값), 투명한 설명성 요구사항이 필요합니다. 또한 데이터 편향·프라이버시 문제에 대한 정책적 가이드라인 정비도 병행해야 합니다.
최진희 교수 AI 독성예측 WC13 기조강연 자세히 보기
산업계 권장 실무 절차: 내부 검증→외부 벤치마크(공개 데이터)→규제 기관 협의(검증 프로토콜 합의)→공개 보고서 발행 순으로 진행해 신뢰도를 확보하세요.
결론 및 권고(연구자·규제자·산업계용 체크리스트)
요약: 강연은 개념적 비전과 국제적 협력 필요성을 분명히 했으나, 기술적 재현성과 데이터 공개가 선행되어야 합니다. 실무팀은 다음을 우선 추진하세요.
- 권고(단계적): 1) 녹화·슬라이드·논문 확보, 2) 코드·데이터 공개 요청 및 독립 검증 데이터 확보, 3) 규제 적용을 위한 성능·설명성 기준 합의.
최진희 교수 AI 독성예측 WC13 기조강연 자세히 보기
자주하는 질문
최진희 교수의 AI 독성예측 WC13 기조강연의 핵심 내용은 무엇인가요?
해당 강연의 기술적 세부사항(모델·데이터·성능·재현성)에서 무엇을 꼭 확인해야 하나요?
– 모델: 모델명(예: GNN, Transformer), 아키텍처 다이어그램, 하이퍼파라미터, 학습 절차.
– 데이터셋: 출처(공개 DB 명시), 샘플 수와 대상 종(species), 라벨링 기준·주석 방식, 전처리 파이프라인.
– 성능 지표: AUROC, F1, 민감도·특이도 등과 교차검증·외부 검증 결과 및 기준(임계값).
– 재현성 정보: 코드 리포지토리 링크, 실행 환경(라이브러리·버전·GPU), 랜덤시드, 재현용 예제 실행 스크립트.
특히 설명가능성(XAI) 기법과 AOP 매핑 절차(어떤 분자·세포 수준 신호를 어떤 AOP 노드에 대응시켰는지)는 규제 승인과 해석에 결정적입니다.
녹화·슬라이드·코드 등 자료는 어디서 어떻게 얻고 재현성 확인은 어떻게 진행하나요?
– 검색·요청 순서: (1) WC13 공식 페이지(프로그램·녹화) → (2) 서울시립대·연구실 공지 → (3) 최진희 교수 개인 페이지·연구실 GitHub → (4) preprint/학술 DB(예: Google Scholar).
– 요청 시 명시할 항목(이메일로 목록화): 강연 녹화·슬라이드, 관련 논문·preprint, 코드 리포지토리 링크, 데이터 접근 방법(공개 URL 또는 접근 절차), 환경 파일(requirements.txt/conda.yml, Docker), 랜덤시드 및 실행 예제, AOP 매핑표·주석 메타데이터.
– 재현성 체크리스트: 코드로 동일한 성능(논문 표기 지표) 재현, 외부 독립 데이터로 벤치마크, XAI 출력(중요 변수·바이오마커)이 AOP 노드와 일관되는지 검증.
실무적으로는 요청 이메일에 위 항목을 명확히 적어 보내면 응답률이 높고, 확보 후 내부 검증→외부 벤치마크→규제 기관 협의 순으로 진행해 신뢰성을 확보하세요.