DAYS IN BOSTON, 보스턴에서의 나날 16/20 : LIGHTNING TALKS IN HARVARD, 3RD ROUND
이제는 Biostatistics의 가장 큰 행사로 자리잡고 있는 Lightning Talk! 이번년의 마지막의 Lightning Talks는 Causal Inference guy인 Miguel 교수님을 필두로 엄청난 교수님들의 발표가 있었다.
<이전 Lightning Talks 모음>
-------------------------------------------------------------------------------------------
1. Miguel Herman 교수님
하버드 Epidemiology & Biostatistics를 대표하는 학자! Causal Guy! 하버드 챈 스쿨이 가장 자랑하는 Causal Inference 수업을 담당하시는, 그리고 Causal Inference를 개척해 나가시는 시대의 지성! Miguel 교수님의 발표가 있었다. Miguel 교수님의 DAG는 너무너무너무너무너무너무 하버드 챈스쿨에서 중요시한다. DAG란, Causal Inference를 돕기 위한 Graph representation으로서, Confounding, Selection Bias를 피하고 인과관계를 Visualize하는 아주 아주 좋은 방법론이다. HarvardX에서 수업을 하기도 하신다.
이번 Lightning Talk에서는 현재 연구에 대해서 이야기 해 주셨다.
Medical, Public health area에서는 주로 Causal Inference를 위해서 Clinical Trial을 진행하거나, Emulate clinical trial with observational data를 하는데, 최근에는 당연히 Observational data를 가지고 mimic the clinical trial한다고 했다. (ex) US Renal data system. 현재 교수님은 과거의 진행된 연구들 중 'Per-protocol Analyses'를 통해 재해석하고 있다고 하셨다. 그 중 과거에 발표된 'Influence of adherence to treatment and response of cholesterol on mortality in the coronary drug project' 논문을 예시로 들어서, 과거 이 논문의 결론은 "Placebo 그룹 역시 positive effect가 있다."였는데, 현재의 관점에서는 그것이 잘못된 것이었다는 결론을 냈다고 하셨다. 사족으로 이 데이터를 다시 보려고 author들에게 연락했는데, data는 다들 사라져버렸고 다만 한명의 author의 basement에 raw data가 남아있음을 발견했다고 한다.
"Per-protocol analysis"가 최근의 연구 주제였고, contribution은 예전에 발견이 안 되었던 것을 "Protocol effect"다시 정의 하여, adjust한다면, effect가 달라져서, 논문의 결론이 달라질 수 있다고 이야기하셨다. 예를 들면, 과거에는 y값이 dichotomous한 상황에서도 linear regression을 썼다고 한다... 뭐 이런 문제들을 다시 극복한다는 차원이었는 듯?!
연구에서 가장 큰 Challenge는 "Adherence vs Placebo"와 "Post randomization을 adjust"하는 것이 가장 큰 힘든 점이라고 하셨다.
---------------------------------------------------------------------------------------------
2. Shirley 교수님
엄청 젊은 교수님이었다! Dana-Farber에서 근무하시는 분 답게 Cancer와 특히 Genetics를 연구하시는 교수님이었다. 즉, 나에겐 너무나 먼 교수님이었다.
연구 주제는 'Molecular Profile', 'CRISPR', 'Computational genetics'를 통합하여 'Targeted Therapy'와 'Epigenetic theory' 및 'Cancer Immunology'를 발전시킨다는 것이 요지였던 것 같다.
1) Cancer Immunology:
- How to immuno therapy response
- Infiltration influence cancer patient outcome
(ex) Comprehensive analyses of tumor immunity: implications for cancer immunotherapy 의 논문
2) Cancer Epigenetics : 아직 발전이 덜 된 분야
- Epigenetic regulator
- CHIP-chip analysis, MAT, MACS, Cistrone, MAGeck 등의 프로그램이 사용되고 있다.
----------------------------------------------------------------------------------------
3. Judith 교수님
하버드 Biostat PhD Core 과목인 Statistical Inference 1 수업을 담당하시는 Judith 교수님! 굉장히 Theory based 교수님으로 알고 있었는데, 꽤 재미있는 연구를 진행하고 계셨다.
- 'Learn-as-you-go' : New type of adaptive design (There`s not many rigorous statistical methods to guide them')
- 위의 방법론을 활용하여 'Betterbirth Study'에서의 활용법에 대해 연구를 진행하고 계셨다.
- <Main assumption> : Adaptation should converge to a fixed recommended packages.
- Valid tests for the null : no effect of any of the package components. (역시나 통계학자는 null이 있어야 한다.)
- Intervention group vs Placebo group,
- Po : Success (ex) checklist been used, physician washed their hands, or bernoulli outcome)
---------------------------------------------------------------------------------------
4. Giovanni Parmigiani 교수님
과에서 수업을 안 하시는 교수님이라 잘 몰랐는데... 엄청 잘생기시고, 목소리도 중후하시고, 그리고 연구도 엄청 재미있어 보였다. 주제는 "Cross-Study Machine Learning' !
- 기존의 Machine Learning 방법들은 하나의 dataset만 가지고 machine learning 시키기 때문에 longitudinal한 상황에 대해 잘 반응하지 못했다.
- 예를 들면 하나의 X predictor는 study 1, study 2, study 3 등에서 각각 구해질 수 있다.그러나 실제 machine learning에서는 이 모든 경우의 수를 다 고려해야 더 정확한 y를 구할 수 있다.
- 교수님의 연구는
Training study subset -> Single study learners -> Ensemble -> Cross-Study learner를 통해 Y를 예측하는 연구를 진행하고 계셨다. 특히 Cross-Study learner의 경우 각각의 ensemble에 대한 최적의 weight를 계산한다고 하셨다.
- 역시나 Machine Learning을 하시는 분 답게 bayesian을 사용한다고 하셨다.
 |
| 겁나 멋있는 Giovanni 교수님. |
-----------------------------------------------------------------------------------
이렇게 총 세 번의 Lightning Talk가 끝났다! 너무너무너무 좋았던 시간들... 하지만 아직까지도 나는 딱 맞는 research를 구하지는 못했다. 아직은 내가 부족함을 많이 느꼈기 때문이다. 그러나 조급해하지 말자!!!
댓글
댓글 쓰기