[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,87 +2,170 @@
|
||||
id: wiki-2026-0508-algorithmic-biology
|
||||
title: Algorithmic Biology
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AI-BIO]
|
||||
aliases: [알고리즘 생물학, computational biology, bioinformatics, algorithmic life]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.99
|
||||
tags: [Algorithmic Biology, AI, Bioinformatics, Simulation]
|
||||
source_trust_level: B
|
||||
confidence_score: 0.85
|
||||
verification_status: conceptual
|
||||
tags: [biology, bioinformatics, computational-biology, alphafold, sequence-alignment, cellular-automata, ml-bio]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Python / R / C++
|
||||
framework: BioPython / AlphaFold / Rosetta / Biopython
|
||||
---
|
||||
|
||||
# [[Algorithmic-Biology|Algorithmic-Biology]] (알고리즘 생물학)
|
||||
# Algorithmic Biology
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생명은 우주의 가장 복잡한 알고리즘이다." 유전자 서열 분석부터 단백질 구조 예측(AlphaFold)까지, 생명 현상을 계산 가능한 모델로 해석하는 초융합 분야다.
|
||||
## 📌 한 줄 통찰
|
||||
> **"생명 = 매 우주 의 가장 복잡한 algorithm"**. 매 DNA / RNA / protein 의 computable model. AlphaFold 의 protein folding 의 50 year problem 의 solve. 매 신약 개발 / disease research / synthetic biology 의 가속화.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Sequence [[Alignment|Alignment]]**:
|
||||
- 서로 다른 생물 종의 DNA/RNA 서열을 비교하여 진화적 관계를 밝히거나 질병 원인을 찾는 알고리즘.
|
||||
- **Protein Folding Simulation**:
|
||||
- AI를 이용해 단백질이 어떻게 3차원 구조로 접히는지 예측하여 신약 개발의 시간을 수십 년 단축한다.
|
||||
- **Cellular Automata**:
|
||||
- 단순한 규칙이 어떻게 복잡한 생명 패턴을 만들어내는지 시뮬레이션하는 수리 생물학적 접근.
|
||||
## 📖 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- 생물학적 데이터는 노이즈가 매우 심하고 복잡하다. 따라서 단순한 패턴 매칭을 넘어, 생체 내의 물리 법칙과 화학적 성질을 AI 모델에 주입하는 '[[Physics|Physics]]-informed Neural Networks'가 필수적이다.
|
||||
### 매 sub-domain
|
||||
1. **Sequence alignment**: 매 DNA / RNA / protein 의 evolutionary relation.
|
||||
2. **Protein folding**: 매 amino acid → 3D structure 의 예측.
|
||||
3. **Genome assembly**: 매 short read 의 puzzle 의 reconstruct.
|
||||
4. **Phylogenetics**: 매 species 의 evolutionary tree.
|
||||
5. **Systems biology**: 매 gene regulatory network / metabolic pathway.
|
||||
6. **Cellular automata**: 매 simple rule → 매 complex pattern (Conway's Life).
|
||||
7. **Synthetic biology**: 매 genetic circuit 의 design.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Bioinformatics , Computational-Neuroscience
|
||||
- Foundation: Computational Theory & Math/Information Theory
|
||||
### 매 ML 응용
|
||||
- **AlphaFold (DeepMind)**: 매 protein structure 의 atomic-accuracy 예측 (CASP14 win).
|
||||
- **ESMFold (Meta)**: 매 large protein language model.
|
||||
- **RoseTTAFold (Baker)**: 매 multi-track architecture.
|
||||
- **AlphaMissense**: 매 missense variant 의 pathogenic 예측.
|
||||
- **Geneformer / scGPT**: 매 single-cell transcriptomics 의 foundation model.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 algorithm 기초
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
#### Sequence alignment
|
||||
- **Needleman-Wunsch** (global): 매 dynamic programming.
|
||||
- **Smith-Waterman** (local): 매 local match.
|
||||
- **BLAST** (heuristic): 매 fast database search.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
#### Phylogenetics
|
||||
- **UPGMA / Neighbor-joining**: 매 distance-based.
|
||||
- **Maximum likelihood / Bayesian**: 매 model-based.
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
#### Folding
|
||||
- **Energy minimization**: 매 force field (Amber, Charmm).
|
||||
- **Molecular dynamics**: 매 atomic simulation.
|
||||
- **Deep learning**: 매 sequence → structure (AlphaFold).
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### 매 data 의 challenge
|
||||
- 매 noise (sequencing error, batch effect).
|
||||
- 매 high dimensionality (10K+ gene).
|
||||
- 매 small sample (rare disease).
|
||||
- 매 ground truth 없음 (in vivo 어려움).
|
||||
- 매 ethics (germline editing).
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
→ 매 PINN (Physics-informed Neural Networks) 의 prior 의 inject.
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
## 💻 패턴
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
### Sequence alignment (BioPython)
|
||||
```python
|
||||
from Bio import pairwise2
|
||||
from Bio.pairwise2 import format_alignment
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
alignments = pairwise2.align.globalxx('ACGTACGT', 'ACGTGCGT')
|
||||
print(format_alignment(*alignments[0]))
|
||||
# ACGTACGT
|
||||
# |||| |||
|
||||
# ACGT-GCGT
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### AlphaFold inference
|
||||
```python
|
||||
# 매 ColabFold (open-source AlphaFold2)
|
||||
from colabfold.batch import run
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
run(
|
||||
queries=[('my_protein', 'MKTAYIAKQRQISFVKSHFSRQ...', None)],
|
||||
result_dir='./results',
|
||||
use_templates=False,
|
||||
num_recycles=3,
|
||||
)
|
||||
# Output: PDB file + confidence (pLDDT).
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Genome assembly (de Bruijn graph)
|
||||
```python
|
||||
def build_de_bruijn(reads, k):
|
||||
graph = {}
|
||||
for read in reads:
|
||||
for i in range(len(read) - k + 1):
|
||||
kmer = read[i:i+k]
|
||||
prefix, suffix = kmer[:-1], kmer[1:]
|
||||
graph.setdefault(prefix, []).append(suffix)
|
||||
return graph
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### Cellular automata (Conway's Life)
|
||||
```python
|
||||
import numpy as np
|
||||
def step(grid):
|
||||
neighbors = sum(np.roll(grid, (i, j), (0, 1))
|
||||
for i in (-1, 0, 1) for j in (-1, 0, 1)
|
||||
if (i, j) != (0, 0))
|
||||
return ((grid & (neighbors == 2)) | (neighbors == 3)).astype(int)
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Single-cell analysis (scanpy)
|
||||
```python
|
||||
import scanpy as sc
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
adata = sc.read_h5ad('data.h5ad')
|
||||
sc.pp.normalize_total(adata)
|
||||
sc.pp.log1p(adata)
|
||||
sc.pp.neighbors(adata)
|
||||
sc.tl.umap(adata)
|
||||
sc.tl.leiden(adata)
|
||||
sc.pl.umap(adata, color='leiden')
|
||||
```
|
||||
|
||||
## 🤔 결정 기준
|
||||
| 문제 | Tool |
|
||||
|---|---|
|
||||
| Protein structure | AlphaFold / RoseTTAFold |
|
||||
| Sequence search | BLAST |
|
||||
| Genome assembly | SPAdes / Canu |
|
||||
| RNA-seq | DESeq2 / edgeR |
|
||||
| Single-cell | scanpy / Seurat |
|
||||
| Phylogenetics | RAxML / BEAST |
|
||||
| Synthetic biology | SBOL / Cello |
|
||||
|
||||
**기본값**: BioPython + scanpy + AlphaFold (Colab) 의 entry stack.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Bioinformatics]] · [[Computational-Biology]] · [[Systems-Biology]]
|
||||
- 변형: [[AlphaFold]] · [[Genomics]] · [[Proteomics]] · [[Synthetic-Biology]]
|
||||
- 응용: [[Drug-Discovery]] · [[Personalized-Medicine]] · [[Phylogenetics]]
|
||||
- Adjacent: [[Computational-Neuroscience]] · [[Cellular-Automata]] · [[Physics-Informed-Neural-Networks]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 biological data 의 ML 적용. 매 protein / sequence / genome analysis. 매 drug discovery pipeline.
|
||||
**언제 X**: 매 clinical diagnosis (FDA-approved tool only). 매 wet lab experiment 의 substitute.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Data leakage**: 매 train / test 의 sequence similarity → 매 fake performance.
|
||||
- **No biological prior**: 매 ML 의 black box 의 wet lab 의 reject.
|
||||
- **Single dataset overfitting**: 매 cross-population 의 generalize X.
|
||||
- **Ignoring batch effect**: 매 batch 가 confound.
|
||||
- **No reproducibility**: 매 seed / version 의 lock.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (concept-level).
|
||||
- 신뢰도 B (rapidly evolving field).
|
||||
- Related: [[Bioinformatics]] · [[AlphaFold]] · [[Synthetic-Biology]].
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — sub-domain + ML 응용 + algorithm + code |
|
||||
|
||||
Reference in New Issue
Block a user