최종 프로젝트 13일차: [5] 데이터 전처리 기준 정제

프로젝트 3주차 타임라인 (Thur Jan 15 2026)

---

[5] 데이터 전처리 기준 정제

1. 학습에 불필요한 변수 제거

실험 결과를 직접·간접적으로 암시하는 정보 제거, reference 메타데이터 및 중복 변수 제거

(제거 컬럼: number_of_tested, number_of_responses, antigen_code, qualitative_label, reference_*)

 

2. 컬럼명 정규화

코드 가독성 향상, feature engineering 및 모델 입력 통일

 

3. Epitope 품질 및 실험 조건 정제

B-cell linear epitope의 일반적 길이 범위 반영, 극단적 noise 제거 (8 ≤ epitope_seq ≤ 16 aa)

위치 불일치 annotation 제거   epitope 길이 필터링 과정에서 함께 제거되어 별도 처리 단계 생략

 

4. Antigen 서열 길이 필터링

Epitope 주변 context가 충분히 포함된 항원만 유지, 임베딩 모델 입력 안정성 확보

(antigen_seq 길이: Epitope를 중심으로 ≥ 16 aa)

 

5. 메타데이터 대분류 태깅

텍스트 기반 메타데이터의 sparsity 완화, label noise 구조 분석을 위한 범주 단순화

(Method - Immunoassay, Inhibition, Biophysical / Structural, In Vivo / Cellular, High Throughput, Other)

(Disease - Disease, Healthy / Exposed, Induced / Medical, Naive, Other)

(State - Allergy, Infectious, Autoimmune, Cancer, Healthy, Other / Unknown)

 

6. Assay 유형 제한

항체-epitope 직접 결합 여부를 반영하는 실험만 선택

(유지 조건: antibody binding, qualitative binding)

 

7. Method 유형 제한

항체 결합 예측에 신뢰도가 높은 실험만 사용

(유지 조건: Immunoassay, High Throughput)

 

8. 결측치 처리 및 인덱스 정렬

disease_state 기준 결측치 제거 이후 임베딩 및 데이터 병합을 고려하여 인덱스 재정렬

 

9. Test 데이터 전처리 기준

Test 데이터에는 Train과 동일한 1~3차 전처리 기준을 적용해 평가 데이터로서 정보 손실을 최소화하기 위함

입력	출력
실험에 사용된 peptide 서열 (epitope_seq) 항원의 전체 아미노산 서열 (antigen_seq) 실험 및 질병 관련 메타데이터 (assay 정보, disease 정보 등)	해당 peptide 내부에 B-cell epitope가 존재할 확률 (0: Negative, 1: Positive)

Summary
서열 품질, 실험 신뢰도, 임상적 맥락을 단계적으로 정제하여 B-cell linear epitope 예측을 위한 고신뢰 학습 데이터셋을 구축하고
이를 기반으로 모델링 전 최종 데이터 전처리를 완료

---

문제 설명

solution.py

#120 가로 길이가 Wcm, 세로 길이가 Hcm인 직사각형 종이가 있습니다. 종이에는 가로, 세로 방향과 평행하게 격자 형태로 선이 그어져 있으며, 모든 격자칸은 1cm x 1cm 크기입니다. 이 종이를 격자 선을 따라 1cm × 1cm의 정사각형으로 잘라 사용할 예정이었는데, 누군가가 이 종이를 대각선 꼭지점 2개를 잇는 방향으로 잘라 놓았습니다. 그러므로 현재 직사각형 종이는 크기가 같은 직각삼각형 2개로 나누어진 상태입니다. 새로운 종이를 구할 수 없는 상태이기 때문에, 이 종이에서 원래 종이의 가로, 세로 방향과 평행하게 1cm × 1cm로 잘라 사용할 수 있는 만큼만 사용하기로 하였습니다. 가로의 길이 W와 세로의 길이 H가 주어질 때, 사용할 수 있는 정사각형의 개수를 구하는 solution 함수를 완성해 주세요.

from math import gcd def solution(w,h):      return w * h - (w / gcd(w, h) + h / gcd(w, h) - 1)                     * gcd(w, h)