동국대학교 약학대학 생약학연구실
건강기능식품 기능성 가상 스크리닝
결과 요약
세포주별 모델을 5겹 교차검증으로 평가하고(Ishikawa AUROC 0.888), SMILES를 넣으면 예측을 돌려주는 API와 웹 화면으로 연결했습니다.
식약처 기능성 평가 가이드라인과 PubChem BioAssay 데이터를 바탕으로, 화합물 구조로부터 세포주별 활성 여부를 예측하는 머신러닝 모델과 REST API를 만든 학부 연구입니다.
- 역할
- 학부인턴연구생
- 기간
- 2026.01부터
- 사용 기술
- Morgan Fingerprint, SMOTE, XGBoost, REST API
문제
이 연구는 세포 실험(Wet Lab) 이전 단계에서 검토할 후보를 좁히는 계산적 스크리닝을 목표로 했습니다. 약학에서 배운 기능성 평가의 기준을 데이터 문제로 옮겨 본 작업입니다.
핵심 기여와 선택
생약학연구실 학부인턴연구생으로 데이터 기준 정리부터 모델, 서비스 연결까지 진행했습니다.
1단계
가이드라인 정리
식약처 기능성 평가 가이드라인에서 기능성별 세포주와 바이오마커 정리
2단계
데이터 수집
PubChem BioAssay에서 세포주별 화합물 SMILES와 활성 여부 수집
3단계
특성 표현
Morgan Fingerprint로 분자 구조 벡터화, SMOTE로 불균형 보정
4단계
모델 선택
8개 모델을 비교·평가한 뒤 XGBoost로 세포주별 모델 학습
5단계
서비스 연결
SMILES를 넣으면 세포주별 예측과 확률을 돌려주는 REST API·웹
위 흐름도는 연구에서 실제로 거친 단계를 정리한 것입니다.
검증된 결과
공개 BioAssay 데이터에 대해 세포주별 5겹 교차검증으로 평가했습니다.
- Ishikawa(에스트로겐) — AUROC 0.888, F1 0.869
- C2C12(근육) — AUC 약 0.730
- HaCaT(피부) — AUC 약 0.812
예측 결과는 실험 후보를 고를 때 참고하기 위한 것이며, 건강기능식품의 기능성이나 효능을 입증하지 않습니다.
한계와 배운 점
데이터 불균형과 2차원 분자 표현의 한계를 검토하며, 성능 수치가 무엇을 뜻하고 무엇을 뜻하지 않는지 살폈습니다. 전공 지식을 데이터 수집 기준과 모델 해석에 연결하는 경험이었습니다.