---
title: "생명과 의학 · 시뮬레이션 · 시뮬레이션 가설"
url: https://simulation-hypothesis.com/ko/simulations/life-medicine
description: "단백질, 세포, 장기, 환자, 유행병: 분자 규모에서 집단까지의 생물학. 사람들이 실제로 돌리는 시뮬레이션 분류의 일부예요."
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, 시뮬레이션 가설(simulation-hypothesis.com)"
---

[시뮬레이션](https://simulation-hypothesis.com/ko/simulations)영역 18개 중 5번째

# 생명과 의학

단백질, 세포, 장기, 환자, 유행병: 분자 규모에서 집단까지의 생물학.

생물학은 조직의 모든 수준에서 시뮬레이션돼요. 단백질 속 원자, 세포 속 반응, 조직 속 세포, 몸속 장기, 개체군 속 몸이에요. 수준마다 쓰는 방법이 달라요. 수준들을 하나로 묶는 것은 아직 열린 문제예요.

## 생명의 분자

### 단백질 접힘과 동역학

단백질을 수만 개의 원자로 보고, 물속에서 흔들리고, 접히고, 모양이 바뀌는 모습을 봐요.

답하는 질문: 이 아미노산 사슬은 어떻게 접혀서 기능하는 3차원 구조가 될까요?

빠진 것: 긴 실행도 많아야 마이크로초를 다루는데, 이는 실제 접힘 시간의 상당수에 한참 못 미쳐요.

돌아가는 곳: 약 10^16 FLOPS 대략 마이크로초 분량의 전원자 동역학을 돌리는 GPU 클러스터 처음 등장: 1977 맥캐먼, 줄랭, 카플러스의 최초의 단백질 동역학 시뮬레이션 시뮬레이션 트리에서: [단백질 동역학](https://simulation-hypothesis.com/ko/trees/simulations?n=life-protein)

[분자동역학](https://simulation-hypothesis.com/ko/simulations/methods#m-molecular-dynamics)해상도: 원자

### 분자 도킹과 약물 결합

표적 단백질의 포켓에 넣어 본 후보 약물 분자.

답하는 질문: 분자 백만 개 가운데 어느 것이 이 표적에 달라붙을까?

빠진 것: 도킹 점수는 근사치이고, 예측된 결합체 대부분은 실험실에서 통하지 않아요.

돌아가는 곳: 약 10^15 FLOPS 대략 후보 분자 수백만 개를 도킹하는 대학 클러스터 처음 등장: 1982 Kuntz와 동료들의 DOCK, 최초의 자동 분자 도킹 프로그램

[분자동역학](https://simulation-hypothesis.com/ko/simulations/methods#m-molecular-dynamics)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 원자

### 막과 이온 통로

세포의 지방질 피부와, 그곳으로 이온을 통과시키는 단백질 문.

답하는 질문: 신경 세포는 이온 통로를 어떻게 열고 닫을까요?

빠진 것: 실제 통로는 몇 밀리초에 걸쳐 열고 닫히는데, 이는 대부분의 시뮬레이션이 닿는 시간보다 훨씬 길어요.

돌아가는 곳: 약 10^16 FLOPS 대략 지질 이중층과 그 채널을 시뮬레이션하는 GPU 클러스터 처음 등장: 1982 판 데르 플뢰흐와 베렌센의 지질 이중층 동역학

[분자동역학](https://simulation-hypothesis.com/ko/simulations/methods#m-molecular-dynamics)해상도: 원자

### 바이러스 입자 전체

바이러스 껍질의 원자를, 때로는 1억 개 전부를, 한꺼번에 시뮬레이션해요.

답하는 질문: 바이러스는 어떻게 형태를 유지하고, 세포 안에서 어떻게 풀어질까요?

빠진 것: 실행은 나노초에서 마이크로초에 걸쳐 있어서, 실제 감염 주기에는 한참 못 미쳐요.

돌아가는 곳: 약 10^17 FLOPS 대략 1억 개 원자 규모의 껍질을 시뮬레이션하는 국가 슈퍼컴퓨터 처음 등장: 2006 Freddolino와 Schulten의 위성 담배 모자이크 바이러스 시뮬레이션

[분자동역학](https://simulation-hypothesis.com/ko/simulations/methods#m-molecular-dynamics)해상도: 원자

### RNA 접힘과 구조

RNA 가닥이 스스로 짝을 짓는 염기의 사슬로, DNA의 곧은 이중 나선이 아니라 특정한 3차원 모양으로 접혀요.

답하는 질문: RNA 가닥은 어떻게 촉매나 조절 스위치로 작동하는 모양으로 자리 잡을까요?

빠진 것: 예측된 구조는 실험적 보정이 필요한 경우가 많고, 기능이 모양에서 저절로 따라 나오지는 않아요.

돌아가는 곳: 약 10^12 FLOPS 대략 자유 에너지 접힘 소프트웨어를 돌리는 데스크톱 워크스테이션 처음 등장: 1981 주커와 스티글러의 최소 자유 에너지 RNA 접힘 알고리즘

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 분자

### 효소 촉매

효소의 활성 부위와 기질, 주변 단백질을 모델링해요. 결합이 끊어지는 곳은 양자역학으로, 나머지는 고전역학으로 계산해요.

답하는 질문: 이 효소는 어떻게 반응 속도를 10억 배나 높일까요?

빠진 것: 단백질의 작은 부분에만 비싼 양자 처리를 하고, 그 선을 어디에 그을지는 모델링 선택이에요.

돌아가는 곳: 약 10^15 FLOPS 대략 양자 계산과 고전 계산을 함께 돌리는 대학 클러스터 처음 등장: 1976 워셸과 르빗의 효소 반응에 대한 양자-고전 결합 모델

[제일원리](https://simulation-hypothesis.com/ko/simulations/methods#m-first-principles)[분자동역학](https://simulation-hypothesis.com/ko/simulations/methods#m-molecular-dynamics)해상도: 원자

### 조대 입자 DNA와 RNA 모델

각 뉴클레오타이드를 상호작용 자리가 몇 개 있는 강체로 보아, 접힘, 혼성화, 나노 구조를 시뮬레이션해요.

답하는 질문: 가닥은 어떻게 짝을 짓고 접혀서 설계된 구조로 조립될까요?

빠진 것: 원자 수준의 세부와 이온은 유효 상호작용으로 대체돼요.

돌아가는 곳: 약 10^14 FLOPS 대략 GPU에서 수백만 개의 뉴클레오타이드 처음 등장: 2011 oxDNA, a coarse-grained DNA model (2011) [출처](https://doi.org/10.1063/1.3552946)

[분자동역학](https://simulation-hypothesis.com/ko/simulations/methods#m-molecular-dynamics)해상도: 분자

### 학습된 단백질 구조 예측

알려진 구조와 진화 데이터로 훈련한 신경망이 서열에서 단백질이 접힌 모양을 예측해요.

답하는 질문: 이 아미노산 사슬은 어떤 3차원 모양으로 접힐까?

빠진 것: 정적인 구조를 주며, 접힘 경로나 동역학은 주지 않아요.

돌아가는 곳: 약 10^18 FLOPS 대략 대규모 학습, 예측 하나에 몇 분 처음 등장: 2018 Improved protein structure prediction using potentials from deep learning (2020, CASP13 entry 2018) [출처](https://doi.org/10.1038/s41586-019-1923-7)

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 분자

### 생성형 단백질 앙상블

구조와 시뮬레이션으로 훈련한 생성 모델이 단백질을 하나의 모양이 아니라 여러 입체 구조로 만들어 내요.

답하는 질문: 단백질은 어떤 다른 모양을 취할 수 있을까?

빠진 것: 상태의 개체군은 훈련 시뮬레이션만큼만 쓸 만해요.

돌아가는 곳: 약 10^16 FLOPS 대략 학습과 저렴한 표집 처음 등장: 2024 AlphaFold meets flow matching for generating protein ensembles (2024) [출처](https://arxiv.org/abs/2402.04845)

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 분자

### 자원자가 계산하는 분자 동역학

분자 하나의 독립적인 짧은 궤적 수천 개를 기부받은 가정용 컴퓨터에서 돌리고, 합쳐서 접힘 사건을 살펴봐요.

답하는 질문: 짧은 실행 여러 개를 합치면 느린 분자 과정을 드러낼 수 있을까요?

빠진 것: 궤적은 짧고 독립적이라서 통계를 이어 붙여야 해요.

돌아가는 곳: 약 10^17 FLOPS 대략 자원봉사 기계의 집합 처음 등장: 2000 Screen savers of the world unite! (2000), the distributed folding project [출처](https://doi.org/10.1126/science.290.5498.1903)

[분자동역학](https://simulation-hypothesis.com/ko/simulations/methods#m-molecular-dynamics)해상도: 분자

## 세포

### 확률론적 생화학

세포 안의 반응이 무작위로 한 번에 하나씩 일어나요. 평균을 내기에는 분자가 너무 적기 때문이에요.

답하는 질문: 유전적으로 똑같은 세포가 왜 다르게 행동할까?

빠진 것: 보통 세포 내부가 잘 섞여 있다고 가정하는데, 그렇지 않은 경우가 많아요.

돌아가는 곳: 약 10^12 FLOPS 대략 확률적 반응 시뮬레이션을 돌리는 데스크톱 워크스테이션 처음 등장: 1977 Gillespie의 화학 반응 속도를 위한 정확한 확률적 시뮬레이션 알고리즘

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 분자

### 유전자 조절 네트워크

유전자가 서로를 켜고 끄며, 상호작용의 네트워크를 이뤄요.

답하는 질문: 세포는 어떤 세포가 될지 어떻게 정할까요?

빠진 것: 실제 조절 네트워크 대부분은 일부만 알려져 있어서, 연결을 추론하는 경우가 많아요.

돌아가는 곳: 약 10^12 FLOPS 대략 유전자 네트워크의 동역학을 시뮬레이션하는 데스크톱 워크스테이션 처음 등장: 1969 카우프만의 유전자 조절 무작위 불리언 네트워크

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 분자

### 대사 네트워크

세포가 음식을 에너지와 부품으로 바꾸는 데 쓰는 모든 화학 반응을 플럭스 네트워크로 균형 맞춰요.

답하는 질문: 이 미생물이 쓸모 있는 화합물을 더 많이 만들게 하려면 어떤 유전자를 꺼야 할까?

빠진 것: 정상 상태와 실제 세포가 추구하지 않을 수 있는 최적 목표를 가정해요.

돌아가는 곳: 약 10^12 FLOPS 대략 게놈 규모 플럭스 균형 모델을 푸는 데스크톱 워크스테이션 처음 등장: 1986 세포 대사 네트워크의 초기 플럭스 균형 분석

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 분자

### 전세포 모델

세균 하나의 모든 유전자와 모든 분자 종류를 분열 주기 한 번 동안 따라가요.

답하는 질문: 살아 있는 세포를 부품 목록만으로 예측할 수 있을까요?

빠진 것: 이만큼 완전하게 모델링된 단순한 세균은 지금까지 하나뿐이에요.

돌아가는 곳: 약 10^14 FLOPS 대략 세균의 분열 주기 한 번을 돌리는 대학 클러스터 처음 등장: 2012 Karr와 동료들의 마이코플라스마 제니탈리움 전세포 모델

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 분자

### 패턴 형성

화학 물질이 자라는 조직을 가로질러 확산하고 반응해요. 앨런 튜링이 줄무늬와 얼룩의 기작으로 제안한 것이에요.

답하는 질문: 반응-확산 메커니즘은 동물의 털가죽 무늬와 팔다리의 손가락 형성을 어떻게 설명할까요?

빠진 것: 실제 조직은 두 가지 화학 물질 모델보다 기계적 힘과 더 많은 신호를 써요.

돌아가는 곳: 약 10^12 FLOPS 대략 격자 위의 반응-확산 방정식을 푸는 데스크톱 워크스테이션 처음 등장: 1952 튜링이 The Chemical Basis of Morphogenesis를 위해 한 반응-확산 계산 시뮬레이션 트리에서: [튜링의 반응-확산](https://simulation-hypothesis.com/ko/trees/simulations?n=life-turing)

[상호작용 모델 실행하기](https://simulation-hypothesis.com/ko/simulations/run#toy-patterns)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 세포

### 조직과 종양 성장

개별 세포가 분열하고, 움직이고, 산소를 두고 경쟁하다가 죽어요.

답하는 질문: 종양은 어떻게 자라고, 치료 일정은 어떻게 그것을 멈출 수 있을까요?

빠진 것: 실제 종양 안의 분열률과 사망률은 직접 재기 어려워요.

돌아가는 곳: 약 10^13 FLOPS 대략 분열하는 개별 세포 수천 개를 추적하는 대학 클러스터 처음 등장: 1993 고형 종양 성장의 초기 세포 자동자 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[세포 자동자](https://simulation-hypothesis.com/ko/simulations/methods#m-cellular-automata)해상도: 세포

### 세포 교란-반응 모델

단일 세포 데이터로 훈련한 모델이, 측정한 적 없는 약물이나 유전자 편집 뒤에 세포의 유전자 발현이 어떻게 바뀔지 예측해요.

답하는 질문: 아직 아무도 시도하지 않은 개입 뒤에 세포는 어떻게 될까?

빠진 것: 상관관계에 기반해서, 훈련 데이터와 먼 세포 유형이나 약물에는 외삽이 잘 안 돼요.

돌아가는 곳: 약 10^16 FLOPS 대략 대규모 단일 세포 훈련 집합 처음 등장: 2019 scGen predicts single-cell perturbation responses (2019) [출처](https://doi.org/10.1038/s41592-019-0494-8)

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 세포

### 종양 진화 행위자 기반 모델

격자 위의 개별 암세포가 산소와 산이 변하는 미세 환경에서 분열하고, 돌연변이를 일으키고, 경쟁해요.

답하는 질문: 종양의 모양과 공격적인 특성은 선택압에서 어떻게 생겨날까요?

빠진 것: 규칙은 단순화되어 있고, 혈액 공급과 면역 세포는 없는 경우가 많아요.

돌아가는 곳: 약 10^11 FLOPS 대략 노드 한 대에서 수백만 개의 세포 처음 등장: 2006 Tumor morphology and phenotypic evolution driven by selective pressure from the microenvironment (2006) [출처](https://doi.org/10.1016/j.cell.2006.09.042)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[세포 자동자](https://simulation-hypothesis.com/ko/simulations/methods#m-cellular-automata)해상도: 세포

### 미생물 군집 대사 모델

여러 종의 게놈 규모 대사 네트워크를 이어서, 한 종의 노폐물이 다른 종의 먹이가 돼요.

답하는 질문: 장내나 토양의 미생물은 어떻게 영양분을 나누고 함께 안정될까요?

빠진 것: 정상 상태와 최적 성장을 가정하며 조절과 공간은 무시해요.

돌아가는 곳: 약 10^11 FLOPS 대략 여러 종에 걸친 선형 계획법 처음 등장: 2007 Metabolic modeling of a mutualistic microbial community (2007) [출처](https://doi.org/10.1038/msb4100131)

[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 세포

### 종양 성장과 치료 반응

고형 종양을 확산하는 산소와 영양분을 받는 덩어리로 보고, 증식하며 자라는 가장자리와 굶주린 괴사 중심부를 둔 채 방사선이나 약물에 노출시켜요.

답하는 질문: 종양은 얼마나 빨리 자라고, 주어진 용량은 그것을 얼마나 줄일까요?

빠진 것: 실제 종양은 환자마다, 또 한 종양 안에서도 달라요. 모델은 평균 매개변수와 단순화한 기하를 써요.

돌아가는 곳: 약 10^12 FLOPS 대략 시뮬레이션 시간 몇 주에 걸친 치료 일정이 있는 3차원 반응-확산 모델. 처음 등장: 1972 Greenspan, models for the growth of a solid tumour by diffusion. [출처](https://doi.org/10.1002/sapm1972514317)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 세포

### 종양 미세환경 진화

격자 위의 개별 암세포가 산소와 공간을 두고 경쟁하고 산성도의 기울기가 새로운 표현형을 선택해서, 종양이 자라면서 진화해요.

답하는 질문: 주변 조직이 종양을 더 침습적인 세포 쪽으로 밀까요?

빠진 것: 세포 규칙은 단순화돼 있고, 살아 있는 종양에서는 매개변수를 재기 어려워요.

돌아가는 곳: 약 10^12 FLOPS 대략 워크스테이션이나 소형 클러스터에서 몇 달 치를 시뮬레이션하는 하이브리드 행위자-연속체 실행. 처음 등장: 2006 앤더슨과 동료들의 미세환경이 이끄는 표현형 진화의 혼합 이산-연속체 모델. [출처](https://doi.org/10.1016/j.cell.2006.09.042)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[세포 자동자](https://simulation-hypothesis.com/ko/simulations/methods#m-cellular-automata)[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)해상도: 세포

### 종양이 유도하는 혈관 성장

내피 세포가 종양이 내보내는 화학 기울기를 따라 싹을 틔우고 이동해, 종양을 먹여 살리는 가지 뻗은 혈관망을 이뤄요.

답하는 질문: 종양은 어떻게 혈액 공급을 끌어오고, 그 신호가 막히면 어떻게 될까요?

빠진 것: 혈관 속 흐름, 재형성, 신호 전달의 실제 화학은 크게 단순화돼 있어요.

돌아가는 곳: 약 10^11 FLOPS 대략 워크스테이션에서 도는 2차원 또는 3차원 발아 계산. 처음 등장: 1998 앤더슨과 채플린의 종양 유발 혈관 신생 연속 및 이산 모델. [출처](https://doi.org/10.1006/bulm.1998.0042)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 세포

### 암 약물 반응과 내성의 동역학

정상, 민감, 내성 암세포의 집단이 약물 치료 아래서 변해서, 환자가 처음에는 좋아지다가 재발할 수 있어요.

답하는 질문: 내성이 나타나기 전까지 약은 얼마나 오래 병을 억제할까요?

빠진 것: 측정할 수 있는 구획만 모델링하고, 줄기세포의 행동은 추론한 거예요.

돌아가는 곳: 약 10^8 FLOPS 대략 환자 혈액 측정에 맞춘 상미분 방정식. 처음 등장: 2005 Michor and colleagues, dynamics of chronic myeloid leukaemia. [출처](https://doi.org/10.1038/nature03669)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 세포

### 혈구 생성 역학

줄기세포, 전구세포, 성숙한 혈액세포가 지연이 있는 되먹임으로 이어져 있어서, 개수가 안정적으로 유지되거나 조절이 무너지면 진동해요.

답하는 질문: 어떤 혈액 질환은 왜 주기적으로 오르내리고, 무엇이 정상적인 생산을 되돌려 줄까?

빠진 것: 실제 골수에는 공간 구조와 뭉뚱그려진 많은 세포 유형이 있어요.

돌아가는 곳: 약 10^6 FLOPS 대략 노트북에서 지연 미분방정식. 처음 등장: 1978 Mackey, a unified hypothesis for aplastic anaemia and periodic haematopoiesis. [출처](https://doi.org/10.1182/blood.v51.5.941.941)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 세포

### 세균 군집 성장과 바이오필름

세균 세포 하나하나를 자기 크기, 성장, 위치를 가진 개체로 시뮬레이션하며, 군집이나 바이오필름 안에서 확산하는 영양분을 먹어요.

답하는 질문: 군집은 어떻게 모양을 갖추고, 안쪽의 세포는 어떻게 살아남을까요?

빠진 것: 세포 행동은 단순화돼 있고, 실제 바이오필름 기질의 화학은 담지 못해요.

돌아가는 곳: 약 10^11 FLOPS 대략 클러스터에서 수백만 개 세포의 개체 기반 성장. 처음 등장: 1998 Kreft, Booth and Wimpenny, BacSim, a simulator for individual-based modelling of bacterial colony growth. [출처](https://doi.org/10.1099/00221287-144-12-3275)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)해상도: 세포

## 몸

### 심장

심장 근육을 가로지르는 전기 파동과 그것이 일으키는 수축과 혈류.

답하는 질문: 이 약이나 이 기기는 불규칙한 심장 박동을 악화시킬까?

빠진 것: 실제 심장들 사이의 개체 변이를 하나의 모델에 담아내기는 아직 어려워요.

돌아가는 곳: 약 10^16 FLOPS 대략 심장 전체의 전기역학적 박동 한 번을 돌리는 대학 클러스터 처음 등장: 1960 노블의 단일 푸르킨예 섬유 세포 활동 전위 컴퓨터 모델. 심장 전체 모델은 나중에 나왔어요 [출처](https://www.nature.com/articles/188495b0) 시뮬레이션 트리에서: [심장 세포 모델](https://simulation-hypothesis.com/ko/trees/simulations?n=life-noble)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 장

### 혈류

동맥, 정맥, 스텐트와 판막 같은 기구를 지나는 피의 움직임.

답하는 질문: 이 동맥은 어디가 약해지거나 막히기 쉬울까?

빠진 것: 혈관벽은 흔히 단단하다고 다루기 때문에, 실제 탄성을 놓쳐요.

돌아가는 곳: 약 10^15 FLOPS 대략 환자별 동맥 흐름 시뮬레이션을 돌리는 대학 클러스터 처음 등장: 1989 Perktold와 동료들의 경동맥 흐름 유한 요소 모델

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)해상도: 장

### 호흡과 기도

가지 뻗은 기도를 지나는 공기와 거기에 실린 입자.

답하는 질문: 들이마신 약이나 오염 물질은 어디에 이를까?

빠진 것: 대부분의 모델은 특정인이 아니라 이상화된 하나의 기도 트리를 써요.

돌아가는 곳: 약 10^14 FLOPS 대략 가지 뻗은 기도 나무를 통한 공기 흐름을 시뮬레이션하는 대학 클러스터 처음 등장: 1993 기관지 나무의 공기 흐름에 대한 초기 유체 동역학 모델

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)해상도: 장

### 근골격 생체역학

뼈, 관절, 근육을 서로 이어진 기계 시스템으로 보고, 걷고, 들고, 넘어지는 모습을 다뤄요.

답하는 질문: 어떤 근육이 하중을 받고, 이 임플란트는 어떤 모양이어야 할까?

빠진 것: 실제 팔다리 안의 힘은 측정한 것이 아니라 간접적으로 추정한 거예요.

돌아가는 곳: 약 10^12 FLOPS 대략 한 동작의 근골격 모델을 푸는 데스크톱 워크스테이션 처음 등장: 1990 Delp와 동료들의 근골격 운동 컴퓨터 모델

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

### 면역 반응

면역 세포와 병원체가 몸속에서 만나고, 증식하고, 신호를 주고받아요.

답하는 질문: 어떤 감염은 왜 낫고 어떤 감염은 만성이 될까?

빠진 것: 실제 면역 신호는 어떤 모델이 전부 추적하는 것보다 훨씬 복잡해요.

돌아가는 곳: 약 10^13 FLOPS 대략 에이전트 기반 면역 시뮬레이션을 돌리는 대학 클러스터 처음 등장: 1992 Celada와 Seiden의 면역 반응 세포 자동자 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 세포

### 약동학

약물이 흡수되어 몸의 구획으로 퍼지고, 분해되고, 배출돼요.

답하는 질문: 이 나이와 몸무게의 사람에게는 어느 정도를, 얼마나 자주?

빠진 것: 집단 평균 모델은 특정 환자가 약물을 어떻게 다루는지를 놓칠 수 있어요.

돌아가는 곳: 약 10^10 FLOPS 대략 구획 약물 모델을 푸는 데스크톱 워크스테이션 처음 등장: 1937 테오렐의 약물 분포 이구획 모델

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

### 인실리코 임상시험

현실적인 변이를 가진 가상 환자 집단에게 실제 시험 전이나 시험과 함께 치료를 해 봐요.

답하는 질문: 이 치료는 누구를 도울 가능성이 크고, 누구에게는 해가 될 수 있을까?

빠진 것: 규제 당국은 여전히 실제 시험을 함께 요구해요. 가상 환자가 그것을 완전히 대신할 수는 없어요.

돌아가는 곳: 약 10^14 FLOPS 대략 가상 환자 수천 명을 돌리는 대학 클러스터 처음 등장: 2011 2011년까지, 의료기기의 증거와 함께 제출된 초기 인실리코 시험

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

### 심장 디지털 트윈

한 환자의 스캔과 신호에 맞춘 심장 모델로, 그 심장이 치료에 어떻게 반응할지 예측해요.

답하는 질문: 이 환자의 심장은 특정한 치료에 어떻게 반응할까요?

빠진 것: 맞춤의 질은 영상 데이터에 달려 있고, 조직 특성은 추정한 거예요.

돌아가는 곳: 약 10^15 FLOPS 대략 개인 맞춤 전기기계 실행과 피팅 처음 등장: 2020 The 'Digital Twin' to enable the vision of precision cardiology (2020) [출처](https://doi.org/10.1093/eurheartj/ehaa159)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 몸

### 감각 뇌 영역의 신경 예측 모델

기록된 반응으로 훈련한 신경망이 뇌 영역의 대역이 되어, 연구자가 뉴런을 가장 크게 흥분시키는 자극을 컴퓨터 안에서 시험하게 해요.

답하는 질문: 어떤 자극이 한 뉴런을 가장 세게 움직일까?

빠진 것: 예측은 실제 조직에서 검증해야 하고, 시험한 동물에만 해당해요.

돌아가는 곳: 약 10^16 FLOPS 대략 기록 자료로 학습한 뒤 무제한 가상 시험 처음 등장: 2019 Inception loops discover what excites neurons most using deep predictive models (2019) [출처](https://doi.org/10.1038/s41593-019-0517-x)

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 세포

### 뇌 자극 전기장 모델

유한 요소 머리 모델로, 전극이나 코일에서 나온 전류가 두피, 두개골, 뇌 조직을 통해 어떻게 퍼지는지 추적해요.

답하는 질문: 자극기에서 나온 전기장은 뇌의 어디에 닿을까?

빠진 것: 조직의 전도도는 불확실하고, 신경 반응은 시뮬레이션하지 않아요.

돌아가는 곳: 약 10^12 FLOPS 대략 개별 머리 메시에 대한 유한 요소 풀이 처음 등장: 2009 Gyri-precise head model of transcranial direct current stimulation (2009) [출처](https://doi.org/10.1016/j.brs.2009.03.005)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

### 가상 집단 약물 노출 모델

나이, 유전자, 장기 기능이 제각각인 합성 집단 전체에 대해 온몸의 약물 이동 모델을 돌려요.

답하는 질문: 약물 농도는 어린이, 노인, 장기 질환 환자에게서 얼마나 다를까요?

빠진 것: 측정된 효소와 수송체 데이터에 달려 있어요.

돌아가는 곳: 약 10^11 FLOPS 대략 워크스테이션 한 대에서 수천 명의 가상 피험자 처음 등장: 2009 The Simcyp population-based ADME simulator (2009) [출처](https://doi.org/10.1517/17425250802691074)

[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 몸

### 장내 미생물 군집 모델

장 속 수십 종의 세균이 경쟁과 교차 먹이 공급으로 상호작용하며, 식단이나 항생제 교란 아래 시간에 따른 개체 수를 추적해요.

답하는 질문: 장 속에서 어떤 종은 안정적으로 남고, 어떤 교란이 군집을 무너뜨릴 수 있을까?

빠진 것: 상호작용의 세기는 잡음이 있는 데이터에서 추정한 것이어서, 표본이 된 조건 밖에서는 성립하지 않을 수 있어요.

돌아가는 곳: 약 10^10 FLOPS 대략 워크스테이션에서 일반화된 로트카-볼테라 맞춤과 대사 군집 시뮬레이션. 처음 등장: 2013 Stein and colleagues, ecological modelling from time-series inference of intestinal microbiota. [출처](https://doi.org/10.1371/journal.pcbi.1003388)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 세포

### 환자 맞춤 모델을 이용한 수술 계획

스캔으로 개인 맞춤 해부 모델을 만들고, 수술 방법을 가상으로 적용해 흐름이나 응력을 계산해, 수술 전에 결과를 비교해요.

답하는 질문: 어떤 수술 방법이 이 환자에게 가장 좋은 결과를 줄까?

빠진 것: 조직의 성질은 평균값으로 가정하고, 수술 뒤의 회복은 모델링하지 않아요.

돌아가는 곳: 약 10^14 FLOPS 대략 후보 계획마다 흐름이나 응력 풀이 한 번, 클러스터로 몇 시간. 처음 등장: 1999 Taylor and colleagues, predictive medicine using computational techniques for therapeutic decision-making. [출처](https://doi.org/10.1002/%28sici%291097-0150%281999%294:5<231::aid-igs1>3.0.co;2-z)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

### 심장 판막 유체-구조 상호작용

유연한 판막 잎과 그 둘레를 흐르는 피를 함께 계산해요. 잎은 자신이 제어하는 흐름에 밀려 열리고 쾅 닫혀요.

답하는 질문: 판막은 어떻게 열리고 닫히며, 대체 판막은 흐름을 어떻게 바꿀까요?

빠진 것: 판막 소엽의 재료 물성과 주변 근육의 움직임은 단순화되어 있어요.

돌아가는 곳: 약 10^15 FLOPS 대략 클러스터에서 움직이는 경계의 유체 풀이. 처음 등장: 1972 Peskin, flow patterns around heart valves, introducing the immersed boundary method. [출처](https://doi.org/10.1016/0021-9991%2872%2990065-4)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

### 뼈 적응과 임플란트 재형성

응력이 높은 곳에는 조직을 더하고 낮은 곳에서는 덜어 내는 뼈의 유한 요소 모델로, 몇 달과 몇 해에 걸쳐요.

답하는 질문: 임플란트 주변의 뼈는 시간이 지나면서 어떻게 변할까요?

빠진 것: 재형성 규칙은 현상론적 법칙이고 환자마다 달라요.

돌아가는 곳: 약 10^11 FLOPS 대략 워크스테이션에서 반복하는 유한 요소 풀이. 처음 등장: 1987 Huiskes and colleagues, adaptive bone-remodelling theory applied to prosthetic design. [출처](https://doi.org/10.1016/0021-9290%2887%2990030-3)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

### 수술을 위한 근골격 모델

다리나 팔의 뼈, 관절, 근육-힘줄 작동기를 모델링해, 힘줄 이식 같은 수술적 변화가 움직임에 미치는 효과를 시험할 수 있어요.

답하는 질문: 이 힘줄을 옮겨 붙이면 환자의 걸음이 나아질까?

빠진 것: 근육 활성화는 측정한 것이 아니라 추정한 것이고, 신경 제어는 모델링하지 않아요.

돌아가는 곳: 약 10^9 FLOPS 대략 노트북으로 하는 역동역학과 근육 최적화. 처음 등장: 1990 Delp와 동료들, 정형외과 수술을 연구하기 위한 하지의 대화형 그래픽 기반 모델. [출처](https://doi.org/10.1109/10.102791)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

### 방사선 치료 선량 계산

환자 스캔을 따라 광자나 양성자를 몬테카를로 수송으로 추적해서, 종양과 건강한 조직에 들어가는 방사선량을 계산해요.

답하는 질문: 계획한 빔이 주변 장기를 아끼면서 종양에 선량을 전달할까요?

빠진 것: 스캔은 한순간의 모습이라서, 치료 중 환자의 움직임과 해부 구조의 변화는 근사로 다뤄요.

돌아가는 곳: 약 10^13 FLOPS 대략 클러스터나 GPU에서 계획 하나당 수백만에서 수십억 번의 이력. 처음 등장: 1988 Mackie and colleagues, photon energy deposition kernels generated with the EGS Monte Carlo code. [출처](https://doi.org/10.1088/0031-9155/33/1/001)

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)[입자와 N체](https://simulation-hypothesis.com/ko/simulations/methods#m-particles)해상도: 몸

### 영상용 가상 해부 팬텀

세밀한 장기와 뛰거나 숨 쉬는 움직임을 갖춘 디지털 인체로, 시뮬레이션 스캔의 대상으로 써서 영상 방법을 알려진 진실에 대고 시험해요.

답하는 질문: 이 스캐너와 알고리즘이 알려진 이상을 복원할 수 있을까요?

빠진 것: 팬텀은 몇 명의 대상에 맞춰 만든 형상 모델이라서, 해부 구조의 전체 범위를 담지 못해요.

돌아가는 곳: 약 10^11 FLOPS 대략 워크스테이션에서 스캔마다 하는 광선 추적이나 수송 시뮬레이션. 처음 등장: 2010 Segars and colleagues, the 4D XCAT phantom for multimodality imaging research. [출처](https://doi.org/10.1118/1.3480985)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 몸

### 자기 공명 영상 시뮬레이션

자기장 속 핵스핀의 물리를 펄스 시퀀스로 시뮬레이션해서, 가상의 몸에 대한 합성 스캔을 만들어요.

답하는 질문: 이 시퀀스는 이 조직에 대해 어떤 영상을 만들어 낼까?

빠진 것: 조직의 이완 값은 평균이고, 움직임과 하드웨어의 불완전함은 일부만 모델링해요.

돌아가는 곳: 약 10^12 FLOPS 대략 GPU로 부피 전체의 블로흐 방정식 시뮬레이션. 처음 등장: 2005 브누아-카탱과 동료들의 SIMRI 대화형 MRI 시뮬레이터. [출처](https://doi.org/10.1016/j.jmr.2004.09.027)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)해상도: 몸

### 골절 치유 시뮬레이션

뼈가 부러진 뒤 아물어 가는 틈의 기계적 변형률이 조직이 연골이 될지, 새 뼈가 될지, 섬유성 흉터가 될지 정해요.

답하는 질문: 이 골절 고정은 뼈가 붙도록 해 줄까?

빠진 것: 조직 분화 규칙은 경험적이고, 혈액 공급은 단순화했어요.

돌아가는 곳: 약 10^10 FLOPS 대략 워크스테이션에서 시뮬레이션 몇 주에 걸친 유한 요소 풀이. 처음 등장: 1999 Claes와 Heigele, 뼈 표면을 따른 국소 응력과 변형률이 골절 치유의 경과와 유형을 예측함. [출처](https://doi.org/10.1016/s0021-9290%2898%2900153-5)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

### 숙주 내 바이러스 동역학

환자 한 명 안의 자유 바이러스, 감염 세포, 표적 세포를 추적해, 치료 시작 뒤의 변화로 바이러스가 얼마나 빨리 만들어지고 제거되는지 알아내요.

답하는 질문: 바이러스는 사람 몸 안에서 얼마나 빨리 복제되고, 치료는 무엇을 바꿀까요?

빠진 것: 조직 구조와 혈액 이외의 감염 부위는 나타내지 않아요.

돌아가는 곳: 약 10^7 FLOPS 대략 환자 시계열에 맞춘 몇 개의 연립 미분방정식. 처음 등장: 1996 Perelson and colleagues, HIV-1 dynamics in vivo. [출처](https://doi.org/10.1126/science.271.5255.1582)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 세포

### 스캔으로 구하는 관상동맥 혈류 예비력

심장 스캔으로 관상동맥을 흐르는 혈류를 계산해, 좁아진 곳이 스텐트가 필요할 만큼 흐름을 막는지 추정해요.

답하는 질문: 이 협착은 심장 근육에 피가 가지 않을 만큼 좁을까요?

빠진 것: 작은 혈관의 경계 조건은 측정한 것이 아니라 환자에게서 추정해요.

돌아가는 곳: 약 10^14 FLOPS 대략 클러스터에서 스캔마다 환자 맞춤 흐름 풀이 한 번. 처음 등장: 2013 Taylor and colleagues, CFD applied to cardiac CT for noninvasive quantification of fractional flow reserve. [출처](https://doi.org/10.1016/j.jacc.2012.11.083)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

### 달팽이관 역학

속귀 유체 속의 음파가 달팽이관 안에서 진동하는 막과 맞물려, 음높이를 가려내는 진행파를 만들어요.

답하는 질문: 귀는 소리를 어떻게 위치로 부호화된 신호로 바꿀까요?

빠진 것: 유모세포의 능동 증폭은 근사한 되먹임으로 표현해요.

돌아가는 곳: 약 10^10 FLOPS 대략 워크스테이션에서 달팽이관 액체의 유한 차분 풀이. 처음 등장: 1981 Neely, a finite-difference solution of a two-dimensional model of the cochlea. [출처](https://doi.org/10.1121/1.385820)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

### 온몸 통합 생리학

혈압, 신장, 체액 균형, 호르몬을 순환과 그 조절을 아우르는 하나의 모델로 연결해요.

답하는 질문: 몸은 혈압을 어떻게 조절하고, 장기 하나가 망가지면 어떻게 될까요?

빠진 것: 각 장기는 한 덩어리 구획이고 세포 수준의 세부는 없어요.

돌아가는 곳: 약 10^6 FLOPS 대략 노트북으로 수백 개의 미분 방정식. 처음 등장: 1972 Guyton, Coleman and Granger, circulation: overall regulation. [출처](https://doi.org/10.1146/annurev.ph.34.030172.000305)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)해상도: 몸

### 생체열 전달과 온열 치료

혈류가 열을 실어 나르는 조직 속의 열전도로, 발열, 열 스트레스, 열을 이용한 암 치료 중의 온도를 예측하는 데 써요.

답하는 질문: 조직은 얼마나 뜨거워지고, 열은 얼마나 깊이 들어갈까요?

빠진 것: 혈액 관류를 균일한 열 흡수원으로 다뤄요.

돌아가는 곳: 약 10^9 FLOPS 대략 워크스테이션에서 유한 요소 열 풀이. 처음 등장: 1948 Pennes, analysis of tissue and arterial blood temperatures in the resting human forearm. [출처](https://doi.org/10.1152/jappl.1948.1.2.93)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

### 신장 네프론 수송 모델

물, 염분, 요소가 신장의 고리와 세뇨관을 지나 움직이는 과정을 서로 맞물린 흐름으로 풀어서, 소변이 어떻게 농축되는지 보여 줘요.

답하는 질문: 세뇨관의 역류 배열은 어떻게 신장이 소변을 농축하게 할까요?

빠진 것: 세뇨관의 성질과 3차원 배치는 몇몇 종에서만 측정돼 있어서, 매개변수는 동물 실험에서 외삽해요.

돌아가는 곳: 약 10^9 FLOPS 대략 워크스테이션으로 몇 분에서 몇 시간. 처음 등장: 1966 스티븐슨의 신장 역류 시스템 농축 분석이에요. [출처](https://doi.org/10.1016/s0006-3495%2866%2986676-6)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

### 성대와 발성 모델

용수철에 매달린 질량 같은 성대가 폐에서 오는 공기에 움직여서 목과 입의 모양과 맞물리며 유성음을 만들어요.

답하는 질문: 성대 주름의 어떤 물리적 설정이 맑은 소리, 숨 섞인 소리, 거친 소리를 낼까?

빠진 것: 성대 주름은 몇 개의 질량으로 줄여서, 조직 층과 완전한 3차원 공기 흐름은 담지 못해요.

돌아가는 곳: 약 10^8 FLOPS 대략 유성음 한 문장당 몇 초에서 몇 분. 처음 등장: 1972 이시자카와 플래너건의 유성음 합성용 성대 2질량 모델 [출처](https://doi.org/10.1002/j.1538-7305.1972.tb02651.x)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)해상도: 몸

### 생체 시계 모델

몸 시계를 뜻하는 결합 진동자가 빛과 휴식 타이밍에 반응해, 일정이나 여행이 바뀔 때 수면과 각성이 어떻게 달라지는지 예측해요.

답하는 질문: 비행이나 근무 교대 뒤에 생체 시계가 적응하는 데 얼마나 걸릴까요?

빠진 것: 진동자 몇 개가 뉴런 네트워크 전체를 대신하고, 사람마다 시계 주기와 빛 민감도가 크게 달라요.

돌아가는 곳: 약 10^5 FLOPS 대략 노트북으로 몇 초. 처음 등장: 1982 Kronauer and colleagues' mathematical model of the human circadian system with two interacting oscillators. [출처](https://doi.org/10.1152/ajpregu.1982.242.1.r3)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 몸

## 공중 보건

### 구획 전염병 모델

집단을 감수성자, 감염자, 회복자로 나누고 그 사이로 비율이 흐르게 해요.

답하는 질문: 이 유행은 얼마나 커지고, 언제 정점에 이를까요?

빠진 것: 균일 혼합을 가정해 모든 사람이 다른 모든 사람을 같은 비율로 만난다고 보는데, 실제 접촉 양상은 그렇지 않아요.

돌아가는 곳: 약 10^9 FLOPS 대략 서로 연결된 전염병 방정식 몇 개를 푸는 노트북 처음 등장: 1927 커맥과 맥켄드릭의 닫힌 유행 방정식

[상호작용 모델 실행하기](https://simulation-hypothesis.com/ko/simulations/run#toy-epidemic)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

### 에이전트 기반 감염병

도시나 나라 전체의 합성 인구로, 각 사람에게 가구, 학교나 직장, 질병이 퍼지는 접촉 관계가 있어요.

답하는 질문: 어떤 조치가 가장 적은 비용으로 확산을 가장 많이 늦출까?

빠진 것: 많은 나라에 없는 자세한 가구, 학교, 직장 데이터가 필요해요.

돌아가는 곳: 약 10^16 FLOPS 대략 나라 규모의 합성 인구를 시뮬레이션하는 대학 클러스터 처음 등장: 2005 롱기니, 퍼거슨과 동료들의 행위자 기반 인플루엔자 대유행 모델

[상호작용 모델 실행하기](https://simulation-hypothesis.com/ko/simulations/run#toy-epidemic)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 몸

### 병원체 진화

바이러스나 세균이 숙주 사이를 옮겨 다니는 동안 돌연변이가 생기고 퍼져요.

답하는 질문: 이 약에 대한 내성은 얼마나 빨리 진화할 수 있을까요?

빠진 것: 실제 돌연변이와 적합도 지형은 몇 개의 유전자 자리보다 훨씬 복잡해요.

돌아가는 곳: 약 10^12 FLOPS 대략 약물 내성의 진화를 시뮬레이션하는 데스크톱 워크스테이션 처음 등장: 1990 HIV 약물 내성 진화의 초기 확률 모델

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)해상도: 개체군

### 질병 부담과 보건 경제 모델링

질병과 치료를 질병, 장애, 비용, 사망의 확률로 따라가며, 어떤 보건 개입이 1파운드당 가장 큰 효과를 내는지 비교해요.

답하는 질문: 같은 비용으로 어떤 치료나 프로그램이 건강한 삶의 햇수를 가장 많이 늘려 줄까?

빠진 것: 삶이나 고통의 한 해에 숫자를 매기는 것은 산술로 포장한 가치 판단이에요.

돌아가는 곳: 약 10^11 FLOPS 대략 코호트 비용 효과 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 1993 세계은행의 전 세계 질병 부담 연구(장애보정생존연수)

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

### 유행 병원체 유전체 역학

유행 중에 채취한 병원체 유전체로 감염의 가계도를 만들어서, 누가 누구를 감염시켰을 가능성이 가장 높은지와 얼마나 빨리 퍼지고 있는지를 추론해요.

답하는 질문: 이 유행은 접촉자 추적만으로는 보이지 않는 곳에서 실제로 어떻게 퍼지고 있을까요?

빠진 것: 염기서열이 분석된 사례만 계통수에 나타나서, 빈약하거나 치우친 표본은 오해를 부를 수 있어요.

돌아가는 곳: 약 10^13 FLOPS 대략 수천 개의 게놈으로 계통수를 만드는 대학 클러스터 처음 등장: 2013 서아프리카 에볼라 유행의 실시간 유전체 추적

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 개체군

### 환경과 화학 물질 노출 위험 평가

인구가 오염 물질, 식품 오염, 방사선량에 노출될 때 해를 입을 확률이 어떻게 달라지는지를, 데이터의 불확실성 범위 전체에 걸쳐 계산해요.

답하는 질문: 이 화학 물질은 전체 인구가 노출되어도 안전한 양이 얼마일까요?

빠진 것: 동물에게 준 높은 시험 용량에서 사람의 낮은 용량으로 외삽하는 일은 계속 따라붙는 판단의 문제예요.

돌아가는 곳: 약 10^11 FLOPS 대략 몬테카를로 용량-반응 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 1983 미국 국립연구회의의 화학물질 위해성 평가 틀

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

### 이동 네트워크 유행 모델

통근과 항공 이동 데이터로 이어진 전 지구 도시 네트워크 전반에 질병의 확산을 시뮬레이션해요.

답하는 질문: 유행은 다른 지역과 나라에 얼마나 빨리 닿을까요?

빠진 것: 각 도시 안의 혼합은 단순화되어 있고, 행동 변화는 모델링하지 않아요.

돌아가는 곳: 약 10^12 FLOPS 대략 수천 개 하위 집단에 걸친 확률론적 실행 처음 등장: 2009 Multiscale mobility networks and the spatial spreading of infectious diseases (2009) [출처](https://doi.org/10.1073/pnas.0906910106)

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 개체군

### 개체 기반 말라리아 모델

시뮬레이션된 사람, 모기, 기생충이 숙주 안 감염과 전파를 따라가며 통제 전략을 시험해요.

답하는 질문: 모기장, 약, 백신을 어떻게 섞어야 말라리아 전파를 줄일 수 있을까?

빠진 것: 모기 생태와 지역 보건 체계는 거칠게 모델링해요.

돌아가는 곳: 약 10^13 FLOPS 대략 시뮬레이션된 마을의 많은 확률적 실행 처음 등장: 2008 Towards a comprehensive simulation model of malaria epidemiology and control (2008) [출처](https://doi.org/10.1017/S0031182008000371)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 개체군

### 시나리오 모델링 허브

여러 모델링 팀이 백신이나 변이에 대한 같은 가정으로 모델을 돌리고, 그 전망을 하나의 앙상블로 합쳐요.

답하는 질문: 정책이나 변이 가정마다 어떤 범위의 미래가 뒤따를까?

빠진 것: 시나리오는 조건부이고, 일어날 일에 대한 예측이 아니에요.

돌아가는 곳: 약 10^12 FLOPS 대략 여러 팀의 유행 모델 앙상블 처음 등장: 2020 미국 COVID-19 시나리오 모델링 허브, 2020년 12월부터 [출처](https://doi.org/10.1016/j.epidem.2023.100738)

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)해상도: 개체군

### 디지털 접촉 추적 모델

앱 기반 접촉 추적 단계가 들어간 전파 모델로, 확산을 막으려면 추적과 격리가 얼마나 빨라야 하는지 추정해요.

답하는 질문: 유행을 통제하려면 접촉자를 얼마나 빨리 추적해야 할까요?

빠진 것: 참여율과 준수율은 가정한 값이에요.

돌아가는 곳: 약 10^9 FLOPS 대략 분기 과정 또는 에이전트 실행 처음 등장: 2020 Quantifying SARS-CoV-2 transmission suggests epidemic control with digital contact tracing (2020) [출처](https://doi.org/10.1126/science.abb6936)

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 개체군

### 항균제 내성 확산

감수성 세균과 내성 세균이 환자 몸속에서 경쟁하고 환자들 사이로 퍼져요. 항생제를 돌려 쓰기, 섞어 쓰기, 병용 같은 여러 정책에서 어떻게 되는지 봐요.

답하는 질문: 어떤 치료 정책이 내성 감염의 증가를 늦출까?

빠진 것: 내성 비용과 전파 속도는 제대로 측정되지 않았고, 결과는 그에 좌우돼요.

돌아가는 곳: 약 10^9 FLOPS 대략 노트북에서 구획 및 개체 기반 병원 모델. 처음 등장: 1997 보네푀퍼, 립시치, 레빈, 항생제 내성을 막는 치료 프로토콜 평가. [출처](https://doi.org/10.1073/pnas.94.22.12106)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 개체군

### 말라리아 전파 및 개입 모델

모기의 흡혈, 기생충의 발달, 사람의 면역, 모기장이나 백신 같은 개입을 한 마을이나 한 나라에서 함께 시뮬레이션해요.

답하는 질문: 어떤 방제 조합이 말라리아를 줄이거나 없앨 수 있을까?

빠진 것: 모기 생태와 지역 주민의 행동은 제대로 측정되지 않았어요.

돌아가는 곳: 약 10^11 FLOPS 대략 클러스터에서 수십 년에 걸친 한 나라의 개체 기반 시뮬레이션. 처음 등장: 2008 Smith and colleagues, towards a comprehensive simulation model of malaria epidemiology and control. [출처](https://doi.org/10.1017/s0031182008000371)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 개체군

### 실내 공기 전파 시뮬레이션

숨 쉬기, 기침, 말하기가 비말과 에어로졸을 방 안에 내보내면, 유체역학이 그것이 어디로 가고 두 번째 사람이 얼마나 들이마시는지 추적해요.

답하는 질문: 내쉰 바이러스는 얼마나 멀리 가고, 마스크나 환기는 노출을 얼마나 줄여 줄까요?

빠진 것: 감염 용량과 실제 실내 조건은 어떤 시뮬레이션 설정이 가정하는 것보다 훨씬 폭넓게 달라요.

돌아가는 곳: 약 10^14 FLOPS 대략 클러스터에서 입자 추적을 곁들인 방 하나의 큰 에디 시뮬레이션. 처음 등장: 2020 Mittal, Ni and Seo, the flow physics of COVID-19, reviewing computational studies of respiratory flows. [출처](https://doi.org/10.1017/jfm.2020.330)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[입자와 N체](https://simulation-hypothesis.com/ko/simulations/methods#m-particles)해상도: 장

### 담배 규제 정책 시뮬레이션

한 나라의 흡연 시작, 금연, 사망을 세금, 금지, 캠페인에 따라 예측해서 흡연율의 변화와 살린 생명의 수를 구해요.

답하는 질문: 세금이나 금연법은 몇 명의 목숨을 구할까요?

빠진 것: 정책 효과는 과거의 증거에서 가져온 것이어서, 새로운 환경에는 적용되지 않을 수 있어요.

돌아가는 곳: 약 10^6 FLOPS 대략 노트북으로 하는 인구 추계 모델. 처음 등장: 2000 Levy, Cummings and Hyland, a simulation of the effects of youth initiation policies on overall cigarette use. [출처](https://doi.org/10.2105/ajph.90.8.1311)

[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

### 백신 배분 최적화

전염병 모델을 최적화 도구와 결합해, 어떤 연령이나 위험 집단이 부족한 백신을 먼저 맞을지 정해요.

답하는 질문: 가장 많은 생명을 살리려면 누구부터 백신을 맞아야 할까?

빠진 것: 접촉 양상과 백신 효과는 불확실하고, 가장 좋은 집단은 목적에 따라 달라요.

돌아가는 곳: 약 10^8 FLOPS 대략 워크스테이션에서 많은 유행 실행에 걸친 최적화. 처음 등장: 2009 Medlock and Galvani, optimising influenza vaccine distribution. [출처](https://doi.org/10.1126/science.1175570)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

### 가상 영상 시험

시뮬레이션된 환자, 촬영 장치, 판독자를 써서, 실제 사람을 모집하지 않고 영상 기술을 비교해요.

답하는 질문: 새 영상 장비가 지금 장비만큼 암을 잘 찾을까요?

빠진 것: 가상 병변과 판독자는 모델이라서 실제 임상의 다양성을 놓칠 수 있어요.

돌아가는 곳: 약 10^13 FLOPS 대략 클러스터에서 수천 장의 시뮬레이션 이미지. 처음 등장: 2018 바다노와 동료들의 디지털 유방 단층 합성과 전장 유방 촬영의 인실리코 영상 시험. [출처](https://doi.org/10.1001/jamanetworkopen.2018.5474)

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

### 접촉 네트워크 위의 전염병

질병이 연결 수 분포가 매우 고르지 않을 수 있는 네트워크의 노드 사이로 퍼지고, 결과는 허브에 달려 있어요.

답하는 질문: 허브가 있는 네트워크에서 전염병은 전염성이 어느 수준이면 폭발할까?

빠진 것: 실제 접촉 네트워크는 시간에 따라 변하고 일부만 관찰돼요.

돌아가는 곳: 약 10^7 FLOPS 대략 워크스테이션에서 100만 노드 네트워크의 몬테카를로 확산. 처음 등장: 2001 Pastor-Satorras and Vespignani, epidemic spreading in scale-free networks. [출처](https://doi.org/10.1103/physrevlett.86.3200)

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 개체군

### 모기 개체군 동역학

병을 옮기는 모기의 알, 애벌레, 번데기, 성충이 용기 속에서 지역의 기온과 강수에 따라 발달해, 사람을 무는 수를 알려 줘요.

답하는 질문: 다음 계절에 모기는 얼마나 많아지고, 번식지를 없애면 어떻게 될까요?

빠진 것: 번식지는 세기 어렵고 거리마다 달라요.

돌아가는 곳: 약 10^7 FLOPS 대략 노트북으로 하는 생명표 시뮬레이션. 처음 등장: 1993 Focks와 동료들, 이집트숲모기의 동적 생명표 모델. [출처](https://doi.org/10.1093/jmedent/30.6.1003)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 개체군

### 암 검진 마이크로시뮬레이션

암의 자연 경과를 따른 개인별 생애 이력을 검진이 있을 때와 없을 때로 시뮬레이션해서, 발견되는 환자 수와 막을 수 있는 사망자 수를 추정해요.

답하는 질문: 검진 프로그램은 몇 명의 사망을 막고, 그 대가로 과잉 진단은 얼마나 생길까요?

빠진 것: 관찰되지 않은 암의 초기 경과는 가정해야 해요.

돌아가는 곳: 약 10^9 FLOPS 대략 워크스테이션에서 수백만 명의 시뮬레이션된 삶. 처음 등장: 1985 Habbema and colleagues, the MISCAN simulation program for the evaluation of screening. [출처](https://doi.org/10.1016/0169-2607%2885%2990048-3)

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### 비만과 식이 행위자 기반 모델

몸무게, 소득, 이웃이 있는 에이전트가 먹고 움직이며, 식품 가격이나 정책이 바뀌면 인구의 체중 분포가 달라져요.

답하는 질문: 어떤 개입이 수십 년에 걸쳐 인구의 체중을 바꿀까?

빠진 것: 행동은 몇 가지 규칙으로 줄어 있고 장기 증거는 빈약해요.

돌아가는 곳: 약 10^8 FLOPS 대략 워크스테이션에서 하는 인구 행위자 기반 시뮬레이션. 처음 등장: 2007 Hammond and Epstein, exploring price-independent mechanisms in the obesity epidemic. [출처](https://doi.org/10.2139/ssrn.1024287)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)해상도: 개체군

### 장기 배분 정책 시뮬레이션

이식 대기 명단의 환자, 들어오는 기증 장기, 배분 규칙을 시뮬레이션해서 대기 시간과 생존율을 비교해요.

답하는 질문: 어떤 배분 규칙이 가장 많은 생존 연수와 가장 공정한 대기를 낳을까?

빠진 것: 장기의 질과 환자와 센터의 결정은 단순화되어 있어요.

돌아가는 곳: 약 10^8 FLOPS 대략 노트북에서 몇 년 치 대기자 명단의 사건 시뮬레이션. 처음 등장: 2000 Zenios, Chertow and Wein, dynamic allocation of kidneys to candidates on the transplant waiting list. [출처](https://doi.org/10.1287/opre.48.4.549.12418)

[이산 사건](https://simulation-hypothesis.com/ko/simulations/methods#m-discrete-event)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 개체군

### 구급차와 소방서 배치 모델

긴급 신고가 무작위로 들어오고 출동 부대가 배치되며, 대기행렬 모델이 위치와 관할 구역 배치마다 대응 시간을 알려 줘요.

답하는 질문: 대응 시간을 줄이려면 기지와 부대를 어디에 둬야 할까?

빠진 것: 이동 시간과 수요의 실제 분포는 가정해요.

돌아가는 곳: 약 10^7 FLOPS 대략 노트북으로 하는 대기행렬과 몬테카를로. 처음 등장: 1974 Larson, a hypercube queueing model for facility location and redistricting in urban emergency services. [출처](https://doi.org/10.1016/0305-0548%2874%2990076-8)

[이산 사건](https://simulation-hypothesis.com/ko/simulations/methods#m-discrete-event)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 개체군

### 합성 환자 기록 생성

인공 인물에게 발표된 임상 규칙에 따라 질병, 치료, 진료를 주어, 실제 사람이 한 명도 들어 있지 않은 현실적인 건강 기록을 만들어요.

답하는 질문: 소프트웨어와 분석을 누구의 데이터도 노출하지 않고 현실적인 기록으로 시험할 수 있을까요?

빠진 것: 기록에는 생성기에 넣은 패턴만 담겨 있어서, 희귀 질환과 실제 진료 경로는 드물게만 나타나요.

돌아가는 곳: 약 10^10 FLOPS 대략 환자 100만 명 규모를 노트북으로 실행. 처음 등장: 2010 Buczak과 동료들의 합성 전자 의료 기록을 만드는 데이터 기반 접근. [출처](https://doi.org/10.1186/1472-6947-10-59)

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[규칙과 상태](https://simulation-hypothesis.com/ko/simulations/methods#m-rules)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 개체군

## 신약 개발과 약리학

### 예측 독성학

후보 약물의 구조를 합성하기 전에 알려진 독성 분자 데이터베이스와 비교하거나, 실험실과 동물 데이터로 훈련한 모델에 넣어 봐요.

답하는 질문: 이 분자는 만들기 전에 간, 심장, 유전자를 해칠 가능성이 있을까요?

빠진 것: 예측은 모델을 훈련한 과거의 독성 분자만큼만 믿을 만하고, 생물학적 예외는 계속 나타나요.

돌아가는 곳: 약 10^13 FLOPS 대략 훈련된 독성 예측 모델을 돌리는 대학 클러스터 처음 등장: 2000 약물의 독성을 선별하는 데 쓰인 초기 구조-활성 관계 모델

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 분자

### 약력학 모델링

표적에서의 약물 농도가 수용체 결합부터 측정된 증상이나 바이오마커까지 몸에 미치는 효과로 어떻게 이어지는지를 다뤄요.

답하는 질문: 주어진 용량은 실제로 얼마나 큰 효과를 내고, 얼마나 오래 갈까요?

빠진 것: 깔끔한 농도-효과 관계를 가정하는데, 내성과 질병의 진행이 이를 흐트러뜨릴 수 있어요.

돌아가는 곳: 약 10^10 FLOPS 대략 서로 연결된 효과 방정식 몇 개를 푸는 데스크톱 워크스테이션 처음 등장: 1968 약물 농도를 효과와 연결하는 초기 수용체 점유 모델

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

### 임상 시험 설계 시뮬레이션

가정한 환자 변이와 약효에 따라 수천 번의 가상 임상시험을 돌려서, 시험의 규모, 기간, 조기 중단 규칙을 정해요.

답하는 질문: 이 시험에는 환자가 실제로 몇 명이나 필요하고, 언제 안전하게 멈출 수 있을까요?

빠진 것: 시뮬레이션한 임상시험은 거기에 넣어 준 환자 반응 가정만큼만 현실적이에요.

돌아가는 곳: 약 10^12 FLOPS 대략 시험 반복 수천 번을 시뮬레이션하는 소형 클러스터 처음 등장: 1994 적응형 임상 시험 설계를 계획하는 데 쓰인 초기 시뮬레이션 연구

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 개체군

### 약물 재창출 네트워크 모델

약물, 유전자, 단백질, 질병을 하나의 큰 네트워크로 엮어, 알려진 연결이 예상치 못한 새 용도를 시사하는 기존 약물을 찾아요.

답하는 질문: 한 질병에 이미 승인된 약이 다른 질병도 치료할 수 있을까요?

빠진 것: 네트워크 연결은 힌트일 뿐 증거가 아니에요. 제안된 용도 변경은 대부분 시험하면 여전히 실패해요.

돌아가는 곳: 약 10^12 FLOPS 대략 방대한 약물-유전자-질병 네트워크를 탐색하는 데스크톱 워크스테이션 처음 등장: 2011 약물 재창출 후보를 찾는 초기 네트워크 기반 선별

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 분자

### 약물 제형과 전달 모델링

알약이 녹고, 패치가 약을 방출하고, 나노입자가 약물을 몸속으로 나르는 과정을 몇 분에서 며칠에 걸친 확산과 반응으로 따라가요.

답하는 질문: 이 약은 삼키거나 주사한 뒤 실제로 얼마나 빨리, 어디에서 표적에 닿을까요?

빠진 것: 실험실의 용출 장치와 실제 소화는 항상 일치하지는 않아요.

돌아가는 곳: 약 10^11 FLOPS 대략 확산과 방출 방정식을 푸는 데스크톱 워크스테이션 처음 등장: 1961 히구치의 고체 기질에서의 약물 방출 수학 모델

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 분자

### 백신 항원 설계

병원체 단백질의 표면을 원자 수준으로 시뮬레이션해서, 면역계가 가장 잘 알아보고 기억할 모양을 찾거나 설계해요.

답하는 질문: 이 병원체의 어느 부분이 백신의 가장 좋은 표적일까?

빠진 것: 화면에서는 좋은 표적처럼 보이는 모양도 실제 면역계에서 작동해야 해요.

돌아가는 곳: 약 10^15 FLOPS 대략 후보 항원의 원자 시뮬레이션을 돌리는 대학 클러스터 처음 등장: 2013 안정화한 호흡기 바이러스 항원의 구조 기반 설계

[분자동역학](https://simulation-hypothesis.com/ko/simulations/methods#m-molecular-dynamics)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 원자

### 폐루프 당뇨 제어 인실리코

제1형 당뇨병을 가진 가상 인구에 식사와 포도당-인슐린 동역학을 넣어, 사람 대상 시험 전에 투여 제어 알고리즘을 시험해요.

답하는 질문: 이 제어 알고리즘은 아주 다양한 사람들에게서 혈당을 안전하게 유지할까?

빠진 것: 스트레스, 질병, 센서 고장 같은 실제 행동은 일부만 담겨 있어요.

돌아가는 곳: 약 10^9 FLOPS 대략 노트북으로 수백 명을 대상으로 한 가상의 긴 하루 시뮬레이션. 처음 등장: 2009 Kovatchev and colleagues, in silico preclinical trials of closed-loop control of type 1 diabetes. [출처](https://doi.org/10.1177/193229680900300106)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 몸

[◂ 화학과 재료](https://simulation-hypothesis.com/ko/simulations/chemistry-materials)[생태, 진화, 동물 행동 ▸](https://simulation-hypothesis.com/ko/simulations/ecology-behaviour)