| Contents | A quantitative understanding of host biomarkers induced by viral infection is crucial for both basic science and clinical decision-making. Yet clinical datasets often suffer from substantial temporal variability, inter-individual heterogeneity, and irregular sampling, which limit the utility of conventional analyses. Mathematical biology addresses these challenges with mechanistic models, and recent advances in computation have enabled powerful hybrid approaches that integrate statistics and machine learning with dynamical modeling. Once largely theoretical, these models have become practical tools thanks to improvements in measurement technologies, with broad applications including infectious diseases. In this talk, I will present recent works using a framework that combines mathematical modeling with optimization and machine learning. Focusing on COVID-19, I will discuss studies on viral evolution and vaccine-induced antibody dynamics, illustrating how model-based methods translate complex clinical data into interpretable quantities and, ultimately, how such analyses can inform public health policy.
바이러스 감염으로 유도되는 숙주 내 다양한 바이오마커를 정량적으로 이해하는 일은 기초과학적 통찰과 임상적 의사결정 모두에 핵심적입니다. 그러나 임상 데이터는 시간적 변동성, 개체 간 이질성, 불규칙한 표본 추출 등으로 인해 전통적 분석의 효용이 제한됩니다. 수리생물학은 이러한 역학을 설명하기 위해 수학적 모델을 활용해 왔고, 최근에는 계산 자원의 발전을 바탕으로 통계·머신러닝과의 결합을 통해 분석 기법이 크게 고도화되었습니다. 한때 이론적이던 모델은 측정 기술의 진보와 함께 실용적 도구로 자리 잡아 감염병을 비롯한 다양한 분야에서 쓰이고 있습니다. 본 강연에서는 수학적 모델과 최적화/머신러닝을 결합한 프레임워크를 활용한 최신 연구들를 소개합니다. 특히 COVID 19를 중심으로, 바이러스 진화와 백신 유도 항체 동역학 분석을 다루며, 이러한 방법론이 복잡한 임상 데이터를 해석 가능한 지표로 변환하는 과정과, 더 나아가 보건 정책에 기여할 수 있는 구체적 연결 고리를 논의합니다. |
