<aside> 📌 목차

</aside>

개요

1. 프로젝트 목적
   1. 본 프로젝트는 백신 및 면역치료제 개발의 효율성을 극대화하기 위해 항원–항체 반응을 유발하는 B-cell linear epitope를 예측하는 인공지능 모델을 개발하는 것을 목표로 한다.
2. 기술적 배경 및 필요
   1. 면역 반응의 핵심: 항원(Antigen)이 항체(Antibody)와 결합 가능한 특정 아미노산 서열(Epitope)을 포함하는지 여부는 백신 설계의 핵심 요소다.
   2. 프로세스 효율화: 실험 단계 이전에 컴퓨터를 활용한 예측을 통해 백신 후보군 및 치료제 타겟을 선별함으로써 연구 개발 과정의 시간과 비용을 획기적으로 절감할 수 있다.
3. 연구 방법 및 도전 과제
   1. 최신 기술 스택 활용: Protein Language Model(ProtT5)을 통해 단백질 서열 임베딩을 추출하고 이를 입력으로 하는 서열 기반 딥러닝 분류 모델을 적용하여 생물학적 맥락을 반영한 이진 예측을 수행한다.
   2. 데이터 한계 극복: 실험적으로 검증된 데이터가 가진 불확실성(Uncertainty)과 노이즈를 고려하여 실제 임상/실험 환경에 근접한 고난도 이진 분류 문제를 해결한다.

배경

• B-cell Epitope와 백신 개발의 핵심성

  • 면역 기전의 중심: B세포는 항원을 인식하여 중화 항체를 생성하는 면역 반응의 핵심이다.
  • Epitope의 역할: 항체가 결합하는 항원의 특정 부위인 B-cell Epitope는 백신 및 항체 치료제 설계의 최소 단위다.
  • Linear Epitope의 전략적 가치: 연속된 아미노산 서열로 구성되어 있어 Peptide 백신 개발, 합성 항원 설계, 대규모 스크리닝에 즉각적이고 직접적인 활용이 가능하다.

• 기존 문제점 및 기술적 도전 과제

  • 실험 중심 접근의 한계 (High Cost)
    • Epitope Mapping은 막대한 비용과 시간이 소요되는 실험에 의존하며, 이는 백신 개발 속도의 병목 구간이 된다.
  • 라벨의 불확실성 (Label Noise)
    • 동일한 펩타이드 서열이라도 실험 조건(Assay, Method, Disease, State)에 따라 P/N 결과가 상이하게 나타나는 노이즈가 존재한다.
  • 국소적 정보와 전역적 맥락의 충돌 (Long-range Dependency)
    • Epitope는 8~25자의 국소적 영역이지만, 실제 결합 여부는 항원 전체 서열이 형성하는 구조적/화학적 맥락에 의해 결정된다.

주제

• “B-cell Linear Epitope 존재 여부 예측 모델 개발”
  • 실험적으로 검증된 Epitope 데이터를 활용하여 특정 Peptide 서열이 항체와 결합 가능한 Epitope를 포함하고 있는지 예측하는 고신뢰도 이진 분류 AI 모델 구축

설명

• 문제 정의 및 해결 전략

1. 데이터 모델링 (Input & Output)
   1. 입력(Input): 다각적 정보를 포함하는 데이터
      1. 서열 정보: 실험에 사용된 Peptide 서열 및 항원 전체 서열
      2. 메타 데이터: 실험 기법(Assay), 측정 방법(Method), 질병 정보, 시료 상태
   2. 출력(Output): 이진 분류 결과
      1. 해당 Peptide가 주어진 실험 조건 하에서 B-cell Epitope로 작용하여 항체와 반응을 보일 확률 (Label 0: Negative, 1: Positive)