Biomedical

Recent study

• TranscriptFormer: A generative cell atlas across 1.5 billion years of evolution (Pearce et al., Science, 2026)
  • 12개 종, 약 1억 1천만 개의 single-cell transcriptome을 학습한 대규모 전사체 foundation model입니다. 서로 다른 종의 세포를 하나의 representation 안에서 학습하고, 세포 상태와 발생 과정, 진화적 관계를 포착합니다.
  • 단순한 cell-type classification을 넘어, single-cell foundation model이 생물학적 구조를 얼마나 일반화할 수 있는지를 보여주는 최신 연구입니다.
  • 추천: single-cell RNA-seq, transcriptomics, foundation model, evolutionary biology에 관심 있는 사람
• Advancing regulatory variant effect prediction with AlphaGenome (Avsec et al., Nature, 2026)
  • 긴 DNA sequence를 입력받아 gene expression, chromatin accessibility, transcription factor binding, splicing 등 다양한 genomic feature를 동시에 예측하는 모델입니다.
  • DNA 서열만으로 regulatory function을 얼마나 정확하게 예측할 수 있는지를 다루며, non-coding variant interpretation과 functional genomics에서 활용 가능성이 큽니다.
  • 추천: genomics, sequence modeling, gene regulation, genetic variant prediction에 관심 있는 사람
• Simulating 500 million years of evolution with a language model (Hayes et al., Science, 2025)
  • 단백질의 sequence, structure, function을 함께 학습하는 multimodal protein language model인 ESM3를 소개합니다.
  • 모델이 새로운 단백질 서열을 생성하고, 실제 실험을 통해 기능을 확인했다는 점에서 prediction을 넘어 protein design으로 확장된 사례입니다.
  • 추천: protein language model, generative AI, protein engineering, synthetic biology에 관심 있는 사람
• Learning single-cell perturbation responses using neural optimal transport (Bunne et al., Nature Methods, 2023)
  • 약물 처리 전과 후의 서로 다른 세포 집단을 연결하여, 개별 세포가 perturbation에 어떻게 반응할지를 예측하는 CellOT 모델을 제안합니다.
  • optimal transport를 single-cell perturbation 문제에 적용했다는 점이 특징이며, 수학과 생명과학의 연결이 매우 직접적입니다.
  • 추천: optimal transport, single-cell biology, drug response, computational biology에 관심 있는 사람
• Deep-learning-based gene perturbation effect prediction does not yet outperform simple linear baselines (Ahlmann-Eltze et al., Nature Methods, 2025)
  • 다양한 deep learning 기반 gene perturbation prediction 모델을 단순한 linear baseline과 비교한 연구입니다.
  • 복잡한 모델이 항상 더 좋은 성능을 보이는 것은 아니라는 점을 보여주며, single-cell foundation model과 perturbation benchmark의 한계를 토론하기 좋습니다.
  • 추천: single-cell perturbation, benchmark design, foundation model의 한계와 평가에 관심 있는 사람

Classical study

• Effective gene expression prediction from sequence by integrating long-range interactions (Avsec et al., Nature Methods, 2021)
  • Enformer를 제안한 논문으로, 긴 DNA sequence에서 gene expression과 다양한 regulatory signal을 예측합니다.
  • distant enhancer와 promoter 사이의 관계를 학습했다는 점에서 이후 sequence-to-function 모델의 중요한 출발점이 되었습니다.
  • 추천: genomics, Transformer, gene regulation, sequence-to-function modeling에 관심 있는 사람

Mathematics

• Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators (Lu et al., Nature Machine Intelligence, 2021)
  • 함수 하나를 예측하는 것이 아니라, 입력 함수와 출력 함수 사이의 관계 자체를 학습하는 neural operator를 제안한 대표적인 논문입니다.
  • PDE solution, dynamical system, physical system surrogate modeling 등 다양한 scientific computing 문제에 적용할 수 있습니다.
  • 발표에서는 **Fourier Neural Operator (FNO)**를 함께 소개하면 좋습니다. DeepONet이 입력 함수와 출력 위치를 따로 표현하는 반면, FNO는 Fourier transform을 이용해 operator를 학습합니다.
  • 추천: PDE, functional analysis, numerical analysis, scientific machine learning에 관심 있는 사람
• Physics-Informed Neural Operator for Learning Partial Differential Equations (Li et al., 2024)
  • neural operator에 물리 법칙을 직접 반영한 Physics-Informed Neural Operator(PINO)를 제안한 연구입니다.
  • simulation data뿐 아니라 PDE constraint까지 함께 사용하여 학습하며, 적은 데이터에서도 물리적으로 일관된 solution operator를 얻는 것을 목표로 합니다.
  • 추천: PDE, neural operator, PINN 계열 방법론, numerical simulation에 관심 있는 사람
• The Deep Ritz Method: A Deep Learning-Based Numerical Algorithm for Solving Variational Problems (E & Yu, Communications in Mathematics and Statistics, 2018)
  • 미분방정식을 직접 푸는 대신, 관련된 energy functional을 neural network로 최소화하여 해를 구하는 방법입니다.
  • calculus of variations, weak solution, finite element method와 deep learning 사이의 연결이 명확합니다.
  • 추천: 해석학, calculus of variations, PDE, numerical analysis를 좋아하는 사람
• Solving high-dimensional partial differential equations using deep learning (Han, Jentzen & E, PNAS, 2018)
  • 기존 grid-based method로 계산하기 어려운 고차원 PDE를 deep learning과 stochastic differential equation을 이용해 푸는 연구입니다.
  • dimension이 커질수록 계산량이 급격하게 증가하는 기존 numerical method의 한계를 AI로 해결하려는 초기 대표 연구입니다.
  • 추천: probability, stochastic process, PDE, high-dimensional numerical methods에 관심 있는 사람

Physics

• A foundation model for the Earth system (Bodnar et al., Nature, 2025)
  • Microsoft의 Aurora 모델을 소개한 연구로, 대규모 기상·기후 데이터를 사전학습한 뒤 다양한 Earth system prediction task에 적용합니다.
  • weather forecasting뿐 아니라 air pollution, ocean wave, tropical cyclone 등 서로 다른 물리 현상에 하나의 foundation model을 활용한다는 점이 특징입니다.
  • 추천: climate science, weather prediction, foundation model, geophysical modeling에 관심 있는 사람
• Learning to Simulate Complex Physics with Graph Networks (Sanchez-Gonzalez et al., ICML, 2020)
  • 입자와 물체 사이의 상호작용을 graph neural network로 학습하여 fluid, rigid body, deformable material 등의 dynamics를 시뮬레이션합니다.
  • 물리 방정식을 직접 설계하지 않고도 데이터에서 interaction rule을 학습해 simulator를 만들 수 있다는 점을 보여줍니다.
  • 추천: graph neural network, physics simulation, particle system, computational physics에 관심 있는 사람

Chemistry / Materials Science

• A generative model for inorganic materials design (Zeni et al., Nature, 2025)
  • MatterGen을 소개한 논문으로, diffusion model을 이용해 새로운 inorganic crystal structure를 직접 생성합니다.
  • 기존 물질 중 좋은 후보를 찾는 screening을 넘어, 원하는 물성을 조건으로 새로운 material을 생성하는 inverse design 문제를 다룹니다.
  • 추천: materials science, diffusion model, crystal structure, generative design에 관심 있는 사람
• DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking (Corso et al., ICLR, 2023)
  • protein과 ligand가 어떤 위치와 방향으로 결합하는지를 diffusion model로 예측하는 molecular docking 연구입니다.
  • ligand의 translation, rotation, torsion을 함께 다루며, 전통적인 docking problem을 generative modeling 문제로 바꾼 것이 특징입니다.
  • 추천: molecular modeling, drug discovery, geometric deep learning, diffusion model에 관심 있는 사람