인컨텍스트 러닝 및 AI 기반 텐서 기법을 활용한 행동 신경과학적 발견의 혁신

Transforming Behavioral Neuroscience Discovery with In-Context Learning and AI-Enhanced Tensor Methods

과학적 발견 파이프라인은 일반적으로 데이터 준비부터 결과 분석 및 해석에 이르기까지 복잡하고 경직되어 있으며 시간이 많이 소요되는 과정을 수반한다. 최근 AI의 발전은 이러한 파이프라인을 혁신하여, 도메인 전문가들이 경직된 파이프라인을 디버깅하거나 데이터를 수동으로 주석 처리하는 대신 결과의 해석과 이해에 집중할 수 있게 해줄 잠재력을 지니고 있다. 데이터 과학 및 AI 연구자들과 행동 신경과학자들 간의 활발한 협력의 일환으로, 우리는 팀 내 도메인 전문가들이 실험 데이터로부터 통찰력을 얻는 방식을 혁신하고 가속화하도록 특별히 설계된 AI 기반 파이프라인의 사례를 제시한다. 본 연구의 적용 분야는 생쥐의 공포 일반화를 연구하는 행동 신경과학 분야로, 이는 외상후 스트레스 장애(PTSD)와 같이 임상적으로 중요하고 흔히 쇠약함을 유발하는 질환에 대한 이해를 증진시킬 수 있는 중요한 문제이다. 우리는 도메인 전문가들이 AI 모델 훈련이나 미세 조정(fine-tuning)에 대한 필요성이나 지식 없이도 파이프라인의 일부를 자동화할 수 있는 적합한 인터페이스로서 새롭게 떠오르는 패러다임인 '인컨텍스트 러닝(In-Context Learning, ICL)'을 식별하고, 데이터 준비 및 패턴 해석에 있어서 그 뛰어난 효능을 보여준다. 또한, 본 연구의 이질적인 데이터로부터 더욱 원활하게 패턴을 발견할 수 있게 해주는 텐서 분해 모델에 대한 새로운 AI 강화 기법을 도입한다. 우리는 제안된 파이프라인을 실험적으로 철저히 평가하여, 도메인 전문가를 위한 원활하고 사용하기 쉬운 인터페이스를 추구하는 과정에서 성능이 저하되지 않음을 보장하기 위해 해당 분야의 표준 관행뿐만 아니라 ICL 패러다임에 속하지 않는 합리적인 머신러닝 기준선(baseline)과 비교하여 우수한 성능을 입증한다. 마지막으로 팀 내 도메인 전문가들에 의해 검증된 결과를 바탕으로 효과적인 발견을 증명한다.

Scientific discovery pipelines typically involve complex, rigid, and time-consuming processes, from data preparation to analyzing and interpreting findings. Recent advances in AI have the potential to transform such pipelines in a way that domain experts can focus on interpreting and understanding findings, rather than debugging rigid pipelines or manually annotating data. As part of an active collaboration between data science/AI researchers and behavioral neuroscientists, we showcase an example AI-enhanced pipeline, specifically designed to transform and accelerate the way that the domain experts in the team are able to gain insights out of experimental data. The application at hand is in the domain of behavioral neuroscience, studying fear generalization in mice, an important problem whose progress can advance our understanding of clinically significant and often debilitating conditions such as PTSD (Post-Traumatic Stress Disorder). We identify the emerging paradigm of "In-Context Learning" (ICL) as a suitable interface for domain experts to automate parts of their pipeline without the need for or familiarity with AI model training and fine-tuning, and showcase its remarkable efficacy in data preparation and pattern interpretation. Also, we introduce novel AI-enhancements to tensor decomposition model, which allows for more seamless pattern discovery from the heterogeneous data in our application. We thoroughly evaluate our proposed pipeline experimentally, showcasing its superior performance compared to what is standard practice in the domain, as well as against reasonable ML baselines that do not fall under the ICL paradigm, to ensure that we are not compromising performance in our quest for a seamless and easy-to-use interface for domain experts. Finally, we demonstrate effective discovery, with results validated by the domain experts in the team.