프로젝트 리스트업

[fabxoe]

생성형 AI 프로젝트 어떤 형태로 하면 좋을까요?
코드, 데이터 개선 작업 아이디어도 좋습니다.
구체적인 아이디어가 없다면, 고민없이 다른 프로젝트나 캐글, 해커톤에서 사례를 찾아 이곳에 링크를 공유해주셔도 큰 도움이 될 것입니다.

[hojae-m-choi]

공개적으로(openly) contribution을 할 수 있는 open-source project 입니다. 여기에 기여해보는 프로젝트도 좋을것 같아. 공유 드립니다.

• boltz-1

또한 요새 제약 분야에 코드를 다루기 힘들어 하는 연구자가 아직 많기 때문에, 웹서비스 형태로 오픈된 모델을 "그대로" 구동가능하게만 해놓은 서비스( 심지어 회사의 형태로 )도 많이 있습니다.

• https://www.tamarind.bio/
• https://neurosnap.ai/
  저희도 이런 식으로 웹서비스를 올리고 서비스 유지 비용만 받거나 기부의 형태로 사용 비용을 받으면 좋을것 같습니다.
  돈이 외부로 흘러나가지 않게 non-profit하게만 운영한다면 non-profit, academical 하게만 쓸 수 있는 모델 (AlphaFold3, RosettaFold)을 다룰 수 있다는 점도 좋을 것 같습니다.

[hojae-m-choi]

저분자 설계 쪽은 오픈 contributing 프로젝트가 있는지 모르겠네요. 찾게되면 알려주세요!

[hojae-m-choi]

프로젝트 아이디어1: 저분자 설계를 위한 프레임워크 개발 프로젝트

• 기본적으로 gradio app 또는 다른 UI를 사용
• 사용자 input(원하는 특성, seed 가 될 저분자)을 받고, output(생성 모델로 설계된 저분자)을 3D로 시각화
• 생성모델, post processing tool 을 사용자가 고를 수 있게 하기

프로젝트 아이디어2: 생성모델을 평가하는 프레임워크 개발 프로젝트

• main reference: MolScore
• 위 프로젝트는 생성모델을 평가하는데 쓸 수 있는 여러 평가툴을 모아놓았으나,
• 코드 스타일이 가독성이 낮고, 모듈화가 어려워 보인다. 그리고 inactive한 외부 프로젝트에 대한 의존성이 쓸데 없이 높다.

[fabxoe]

https://www.kaggle.com/competitions/stanford-rna-3d-folding
마감일: May 23, 2025
상세:
RNA는 생명의 가장 필수적인 과정에 매우 중요하지만, 그 중요성에도 불구하고 3차원 구조를 예측하는 것은 여전히 어렵습니다. AlphaFold와 같은 딥러닝의 혁신은 단백질 구조 예측에 혁신을 가져왔지만, 제한된 데이터와 평가 방법으로 인해 RNA에서는 훨씬 더 느린 진전을 보였습니다.
이 대회는 이전 Kaggle 대회에서 탄생한 딥러닝 기반 모델인 RibonanzaNet과 같은 최근의 발전을 기반으로 합니다. 이제 여러분은 RNA의 전체 3차원 구조를 예측하는 다음 도전에 참여하게 됩니다.
여러분의 연구는 암 면역 요법 및 CRISPR 유전자 편집과 같은 치료법을 더 쉽게 접근하고 효과적으로 만들어 RNA 기반 의학을 발전시킬 수 있습니다. 더 근본적으로, 여러분의 연구는 '생물학의 암흑 물질'이라고 불리는 자연 RNA 분자의 접힘과 기능을 밝히는 핵심 단계가 될 수 있습니다.
이 대회는 주최측, 실험 RNA 구조 생물학자, CASP16 및 RNA-Puzzles 대회 예측가, Howard Hughes Medical Institute, Institute of Protein Design, Stanford University School of Medicine을 포함한 전 세계적인 협력을 통해 가능하게 되었습니다.

[fabxoe]

proteinAI
어느팀이 미국 해커톤 사이트에 소속해서 진행했던 프로젝트
포스팅: https://devpost.com/software/proteinai#updates
프로젝트 설명: https://youtu.be/tbqU_ipYe8M

단백질 ID(UniProt 또는 RCSB)가 주어지면 ProteinAI는 Meta의 ESM2 단백질 언어 모델과 AlphaFold의 임베딩을 사용하여 피드포워드 신경망을 실행하여 잠재적인 단백질-단백질 상호작용(PPI)을 예측합니다. 그러면 ProteinAI는 대상 단백질과 사용자가 선택한 상호작용 단백질을 나란히 3D로 시각화하여 생성합니다.

[만든 방법]

1. 데이터 준비
   우리는 HINT 데이터 세트를 사용하여 단백질-단백질 상호작용 목록을 얻었고, 각 단백질이 상호작용 벡터로 표현되는 원-핫 인코딩 포맷으로 데이터 세트를 사전 처리했습니다.
   UniProt ID를 사용하여 UniProt API를 통해 각 단백질의 아미노산 서열을 가져왔습니다.

2. 머신 러닝 모델
   우리의 주요 모델은 ESM2 시퀀스와 알파 폴드 구조적 임베딩을 통해 훈련된 피드포워드 신경망입니다.
   우리는 ESM2의 시퀀스 임베딩을 기반으로 PyTorch를 사용하여 학습하고 테스트하는 다운스트림 분류 문제로 작업을 처리했습니다.
   우리는 성능을 최적화하기 위해 다양한 은닉층 크기와 차원을 실험했고, 정밀도와 재현율 간의 균형을 맞췄습니다.

3. 3D 시각화
   우리는 단백질 구조를 3D로 시각화하면 단백질의 구조가 그 기능을 가장 잘 나타내기 때문에, 단순한 통계적 분석 이상으로 데이터를 더욱 유용하게 만들 수 있다는 것을 깨달았습니다.
   우리는 PDB 좌표 구조를 렌더링하는 웹 기반 분자 그래픽 도구인 NGL Viewer를 사용했습니다.

[fabxoe]

https://ericmjl.github.io/blog/
모더나에서 알파폴드를 리팩토링하고 사용했던 상세한 경험과 인사이트를 공유하고 있는 에릭 마의 깃블로그
참고할 오픈소스개발 기여자