광주과학기술원(GIST) 환경·에너지공학부 윤진호 교수 연구팀이 한·미 국제 공동연구를 통해 기후변화에 따른 북반구 겨울철 대기순환 증폭 현상의 핵심 메커니즘을 규명했다. 이 연구는 IPCC 6차 보고서의 시나리오를 바탕으로, 지구 평균기온이 1도, 2도, 3도 상승했을 때의 겨울철 대기 변화를 시뮬레이션한 결과를 담고 있다. 연구 결과, 북극 해빙 감소와 적도 서태평양의 온난화로 인한 대류 강화가 중위도 서풍의 강화 및 확장을 유도하며, 이는 북반구 대기의 대규모 흐름을 증폭시키는 주요 요인으로 작용하는 것으로 나타났다.
특히 이 같은 변화는 미국 서부의 고기압 발달과 동부의 기압골 형성을 야기하며, 최근 잦아진 산불, 가뭄, 폭설, 혹한 등의 이상기후 현상과 밀접한 관련이 있음이 확인됐다. 윤 교수는 “이번 연구는 기후모델을 기반으로 대기 순환 증폭의 인과관계를 통합적으로 설명한 성과”라며 “미래에는 이 현상이 더욱 심각해질 수 있어 대비가 시급하다.”고 강조했다.
이번 연구는 과학기술정보통신부와 한국연구재단, 한국환경산업기술원의 지원을 받아 수행됐으며, 유타주립대·서울대·세종대·KAIST 연구진이 함께 참여했다. 연구 결과는 네이처(Nature) 자매지 《npj Climate and Atmospheric Science》에 2025년 1월 17일자로 게재됐다.

광주과학기술원(GIST) 전기전자컴퓨터공학과 남호정 교수 연구팀이 인공지능(AI)을 활용해 암세포에 최적화된 항암제 조합과 투여 농도를 예측할 수 있는 복합 항암제 예측 모델 ‘DD-PRiSM’을 개발했다. 이번 연구는 기존 모델의 한계를 극복하고, 환자 맞춤형 정밀 항암 치료를 실현할 수 있는 핵심 기술로 주목받고 있다.
복합 항암제 치료는 두 가지 이상의 항암제를 병용해 시너지 효과를 극대화하고, 독성과 내성 문제를 줄이는 전략이다. 하지만 항암제 간 길항작용과 농도 의존적 반응 변수 때문에 최적 조합을 찾기란 쉽지 않다. DD-PRiSM은 이 복잡한 문제에 대한 해결책으로, 암세포의 유전자 발현량과 단일 약물의 구조 정보를 딥러닝 기반으로 통합 분석해 항암제 간의 시너지 효과와 개별 약물의 기여도를 정량적으로 예측한다. 특히 이 모델은 실험 데이터에 포함되지 않은 조합이나 농도 조건에서도 피어슨 상관계수 0.9063의 높은 예측 정확도를 보였고, 기존의 IDACombo 모델 대비 평균 제곱근 오차(RMSE)를 8.37% 줄이는 성과를 냈다. 연구팀은 이를 통해 총 2,556쌍의 유망한 복합 항암제 조합을 제시했으며, 다발성 골수종 세포에 대해 보르테조밉-아자시티딘 조합이 탁월한 시너지 효과를 보였다고 밝혔다.
남호정 교수는 “정밀한 항암제 조합과 투여 농도 예측은 임상 적용 가능성을 높이는 결정적 요인”이라며, “향후 정밀 의료의 발전에 크게 기여할 것”이라고 밝혔다.

DNA 기반 데이터 저장 기술이 차세대 저장 매체로 주목받는 가운데, 국내 연구진이 데이터 센터 수준의 효율과 확장성을 확보할 수 있는 혁신 기술을 선보였다. 광주과학기술원(GIST) 신소재공학과 최영재 교수 연구팀은 서울대 권성훈 교수, ㈜에이티지라이프텍과 공동으로 ‘순환적 DNA 합성 및 선택(Cyclic DNA Synthesis and Selection)’ 방식을 개발했다.
이 기술은 기존 PCR 기반 접근법에서 필수였던 20개 염기 이상의 프라이머 없이도 단 4개의 염기 바코드로 DNA 파일에 선택적으로 접근할 수 있게 한다. 합성과 선택 과정을 반복해 목표 서열만 남기는 방식으로, 프라이머 설계 부담을 줄이고 다양한 DNA 파일을 구분할 수 있다.
연구진은 이 방식을 통해 4,000억 개 이상 DNA 파일에 자유롭게 접근할 수 있으며, 기존 방식 대비 데이터 집적도가 7,400만 배 이상 증가했다고 밝혔다. 또한 파일 삭제 및 삽입도 가능해 일반적인 파일 시스템처럼 유연한 데이터 처리 구조를 구현했다.
해당 연구는 DNA 저장 시스템의 구조적 한계를 극복하고, 실리콘 반도체 메모리의 물리적 한계를 보완할 수 있는 잠재력을 보여준다. 이번 성과는 국제학술지 《Nature Communications》에 게재되었으며, DNA 기반 차세대 메모리 상용화를 위한 결정적 돌파구로 주목받고 있다.

정교한 물체 파지는 로봇이 인간과 협업하거나 실제 산업 환경에 투입되기 위한 핵심 기술 중 하나다. 하지만 기존의 파지 모델들은 물체 종류나 환경 변화에 따라 반복 학습이 필요하고, 데이터셋 의존도가 높아 실사용에 한계를 보였다.
단순한 자동화를 넘어, 작업자와의 협업을 고려한 세계 최고 성능의 혁신적인 로봇 파지 모델 ‘GraspSAM’을 개발했다. 이 모델은 점, 박스, 텍스트 등 다양한 입력 프롬프트를 지원하며, 단 한 번의 연산만으로 파지점을 정확히 예측할 수 있다.
GraspSAM은 메타(Meta)의 범용 이미지 분할 모델 SAM(Segment Anything Model)을 파지 문제에 도입한 최초 사례다. 연구팀은 어댑터(adapter)와 학습 가능한 토큰(learnable tokens) 기법을 통해 SAM을 최소한의 수정으로 파지 특화 모델로 전환했다. 이를 통해 복잡한 환경에서도 미학습된 물체를 안정적으로 집을 수 있는 기능을 구현했다.
특히 눈동자 추적 기술과 결합해 사용자의 시선에 따라 파지 작업을 수행하는 직관적 협업 기능도 지원한다. GraspSAM은 ‘Grasp-anything’과 ‘Jacquard’ 벤치마크에서 최고 수준 성능을 입증했고, 2025년 5월 IEEE ICRA에서 발표될 예정이다. 본 연구는 산업통상자원부와 과학기술정보통신부의 지원을 받아 수행됐다.