장우석

✅ 오늘 한 것PPT 제작✏️ 오늘 배운 점PPT 제작T-cell: 적에게 직접 찾아가지 않고 항체(Antibody)를 생성하여 항원 무력화B-cell: 적(바이러스)이 숨어 있는 감염된 세포를 직접 찾아가서 제거구분B-cellT-cell핵심 역할항체(Antibody) 생산감염된 세포 직접 파괴 또는 면역 지휘면역 유형체액성 면역(혈액/체액 내 병원균 공격)세포성 면역(세포 내부 병원균 공격)항원 인식항원의 3차원 구조를 직접 인식MHC가 제시하는 선형 펩타이드 조각만 인식 Conformational Epitope: Linear Epitope: ✏️ 오늘의 질문 📌추가로 해야 할 점PPT 제작

✅ 오늘 한 것PPT 제작 & 대시보드 기능 구현✏️ 오늘 배운 점대시보드 기능 구현ESM-2 Attention MapAttention Map: 서열 내의 모든 아미노산 쌍 사이의 관계를 계산하여 각 아미노산이 다른 아미노산들에 주는 가중치를 N x N 행렬 형태로 나타낸 것제공되는 Antigen 서열에서 아미노산 간의 물리적인 상호작용에 의해 강한 어텐션을 형성하고 있다면 양성이라고 판단할 수 있을 안정적인 결합 부위라고 판단했다고 전달함.사용 이유: Attention Map은 에피토프 후보군 내에서 물리화학적 결합을 주도하는 핵심 잔기(Key Residues)들 사이의 네트워크를 알려주어 모델 판단의 생물학적 타당성을 입증하는 근거로 사용할 수 있다. In-silico Mutagenesis 실제 실..

✅ 오늘 한 것대시보드 기능 구현 & ESM-2 기반 임베딩 진행 후 머신러닝 최적화 & 피드백✏️ 오늘 배운 점피드백1. 프로젝트 선정 배경 설명 시 실제 백신 개발 현장에서 마주하는 허들(예: 구조적 에피토프의 비율 등)을 기획 단계에서 언급하면 주제의 깊이가 생길 것이다. → 최종 발표 시 조금 더 깊은 배경 설명을 위하여 관련 정보를 추가적으로 기재할 것2. 95%에 가까운 데이터 불균형이 있었는데 이를 수정하지 않을 경우 모델 평가 지표에 어떠한 영향을 미쳤을지에 대한 언급이 추가되면 좋을 것이다. 3. 대시보드 구축 시 임계값 변화에 따라 결과가 어떻게 달라지는지 확인할 수 있는 요소가 있다면 좋을 것이다.4. 대시보드에 SHAP 기반의 XAI을 도입할 때 특정 아미노산 서열 패턴이 예측 결과..

✅ 오늘 한 것대시보드 구현✏️ 오늘 배운 점Page 1 예시 Antigen 서열MGRLLSPRGKELHTPQEQFPQQQQFPQPQQFPQQQILQQHQIPQQPQQFPQQQQFLQQQQIPQQQIPQQHQIPQQPQQFPQQQFPQQQQFPQQHQSPQQQFPQQQFPQQQLPQQEFSQQQISQQPQQLPQQQQIPQQPQQFLQQQQFPQQQPPQQHQFPQQQLPQQQQIPQQQQIPQQPQQIPQQQQIPQQPKQFPQQQFPQQQFPQQQFPQQEFPQQQQFPQQQIAQQPQQLPQQQQIPQQPQLFPQQQQFPQQQSPQQQQFPQQQFPQQQQLPQQQFPQPQQIPQQQQIPQQPQQFPQQQFPQQQQFPQQQEFPQQQFPQQQFHQQQLPQQQPSGSDVISICGL 현재는 슬라..

✅ 오늘 한 것최종 프로젝트✏️ 오늘 배운 점오늘은 머신러닝 모델 최적화를 진행하고 데이터 분석 과정에서 진행된 코드들을 정리하여 어떻게 데이터 분석 과정이 이루어졌는지 확인하는 과정을 가졌다. 라이브러리 설치 & 설정라이브러리 설치#!pip install transformers sentencepiece accelerate#!pip install catboost#!pip install koreanize_matplotlib#!pip install pandas numpy tqdm라이브러리 설정import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport koreanize_matplotlibimport seaborn as snsimport..

✅ 오늘 한 것최종 프로젝트✏️ 오늘 배운 점머신러닝 모델을 돌릴 때 cpu로만 돌리면 한계점이 많다는 것을 확인할 수 있었다.상대적으로 Precision & MCC가 높은 것들을 우선적으로 선별하여 CatBoost, LightGBM, SVM을 1차 선별할 수 있었다.이후, CatBoost는 이전에도 1차 선별(High Recall)에 사용했던 앙상블 모델의 일부였기에 그대로 1차 선별에 활용하고 2차 선별은 Precision이 높았던 LightGBM과 SVM 중 하나를 택해야했다.하지만, SVM이 이 프로젝트에서 큰 도움이 된 레퍼런스(논문)에서 좋은 성능을 보였다는 것을 알고 있었기에 SVM을 진행하기 위해서 모델 학습을 돌렸으나 데이터 양이 많아서 돌리지를 못하면서 LightGBM로 2차 선별 모델..

데이터 불균형과 싸우며 최적의 모델을 찾기까지1. 프로젝트 개요 & 목표주제: 항원(Antigen) 데이터를 활용한 질병/상태 분류 예측 모델 개발핵심 목표: 단순 정확도가 아닌 실질적인 예측력을 나타내는 MCC가 0.3 이상 달성하는 모델 선정모델의 목적에 따라 High Recall 또는 High Precision을 선택적으로 최적화2. 주요 난관 및 애로사항 (The Struggle)🚨 1. "99%의 함정": 극심한 데이터 불균형 (Class Imbalance)문제 상황: Negative 데이터가 압도적으로 많아, 모델이 무조건 "Negative"로만 예측해도 정확도가 90% 이상 나오는 현상 발생. 정작 중요한 Positive(질병/상태)는 전혀 맞추지 못함.힘들었던 점:단순히 데이터를 늘릴 수..

✅ 오늘 한 것최종 프로젝트✏️ 오늘 배운 점1. 하이퍼 파라미터 튜닝이란?머신러닝 모델이 학습을 시작하기 전에 사용자가 직접 설정해야 하는 설정값(Hyperparameter)을 최적화하는 과정. 모델의 성능(정확도 등)을 극대화하기 위해 필수적인 단계이다.2. GridSearchCVScikit-learn에서 제공하는 가장 대표적인 튜닝 방법. 사용자가 지정한 파라미터의 모든 조합(Grid)을 시도하여 최적의 값을 찾는다.주요 특징교차 검증(Cross Validation) 지원: 단순히 데이터를 한 번 나누는 것이 아니라, 여러 번 나누어 검증하므로 신뢰도가 높다.전수 조사: 지정된 범위 내의 모든 경우의 수를 확인하므로, 범위 내 최적해를 보장한다. (단, 시간이 오래 걸릴 수 있음)3. 구현 코드 (..

✅ 오늘 한 것최종 프로젝트✏️ 오늘 배운 점1. 2-Stage Filtering 전략의 핵심 논리"왜 모델을 두 단계로 나누었는가?" 라는 질문에 대한 답변입니다.문제 의식: 데이터 불균형(20:1)이 심해 단일 모델로는 Recall(놓치지 않음)과 Precision(정확함)을 동시에 잡기 불가능했습니다.Funnel 구조:Stage 1 (거름망): Recall 극대화가 목표. 확실한 오답(Easy Negative)을 제거하여 불균형을 완화(20:1 → 5:1)합니다.Stage 2 (현미경): Precision 극대화가 목표. 남은 후보 중 진짜와 가짜(Hard Negative)를 정밀하게 구분합니다.2. 데이터 개념 정립Qualitative Binding: 정성적 판정 (O/X, 붙었나 안 붙었나).A..

✅ 오늘 한 것최종 프로젝트✏️ 오늘 배운 점Confusion MatrixTP: 진짜 양성(모델이 양성이라고 예측하고 실제로 양성인 경우)FN: 가짜 음성(모델이 음성이라고 예측했으나 실제로는 양성인 경우)FP: 가짜 양성(모델이 양성이라고 예측했으나 실제로는 음성인 경우)TN: 진짜 음성(모델이 음성이라고 예측하고 실제로 음성인 경우)1. 🎯 프로젝트 목표 및 시나리오 확정목표: 연구자가 입력한 항원 데이터를 기반으로 실험 성공 확률이 높은 후보를 추천해주는 대시보드 백엔드 구축.구조 (Funnel 방식):Stage 1 (High Recall): "생물학적 가능성 탐색"입력: Antigen(서열), Disease, State역할: 실험 방법과 무관하게, 반응할 가능성이 있는 후보를 넓게 확보 (Rec..