펩타이드 우선 후보 발굴 가이드

• 데이터 기반: 프로젝트, 후보, 검증 결과, 좋아요 표시, 화면 활동 기록.
• 처리 방식: start 상태의 프로젝트를 기준으로 후보 생성 상태와 검증 진행률을 계속 갱신합니다.

• 데이터 기반: project_id, sequence, peptide_smiles, readiness, evidence_gate, safety, novelty, 출처, validation status.
• 처리 방식: 대시보드는 unique 후보 수를 기준으로 표시하고, 같은 SMILES가 반복 생성되면 새 후보처럼 과장하지 않습니다.

• 데이터 기반: CXXC5-Dvl, Osteopontin, P144, GHK-Cu, Thymosin beta4, ARA-290, DAP-7, CAMP factor 1 seed와 각 seed의 anchor 위치.
• 처리 방식: 관용 위치 치환, conservative scan, D-아미노산/N-메틸화/말단 보호/head-to-tail 고리화/지질화·PEG화 등 검증된 펩타이드 엔지니어링으로 후보를 확장합니다.
• 격하 표시: REINVENT4(SMILES 생성)는 별도 소분자 트랙이며, 펩타이드 후보 판단에는 사용하지 않습니다.

• 데이터 기반: sequence, amino acid composition, charge, hydrophobic fraction, cysteine count.
• 처리 방식: 산화(Met/Cys/Trp), 탈아미드(NG/NS) 모티프, 프롤린 과다, free Cys, cationic irritation, instability, aggregation risk를 점검합니다.

• 데이터 기반: amino acid sequence.
• 처리 방식: length, MW, pI, net charge, hydrophobic moment, Boman index, instability를 계산해 synthesis feasibility와 local delivery/stability 판단에 넣습니다.

• 데이터 기반: 후보 peptide sequence.
• 처리 방식: residue를 이어 초기 3D backbone을 만들고 Bio.PDB PDBIO로 저장합니다. 이 구조는 복합체 예측/MD의 입력이며 최종 pose가 아닙니다.

• 데이터 기반: 후보 peptide SMILES, 수식 정보(고리화 / D-아미노산 / N-메틸화 / 지질화 / PEG).
• 처리 방식: RDKit ETKDGv3로 3D conformer를 생성하며 매크로사이클(고리형)에 대응합니다. 표준 residue로 표현되지 않는 후보도 SMILES 원천 3D로 복합체 예측/QC 입력을 만듭니다. 이 구조는 초기 입력이며 최종 pose가 아닙니다.

• 데이터 기반: receptor 구조, peptide sequence, complex prediction 설정, MSA/모델 weight.
• 처리 방식: receptor-peptide 복합체를 예측하고 ipTM 계열 confidence를 산출합니다. 첫 실행, MSA 서버, GPU/CPU 상태에 따라 수 분 이상 걸릴 수 있습니다.
• 해석 기준: peptide는 protein chain으로 취급합니다. Boltz의 ligand affinity property는 소분자용이므로 peptide chain에는 요청하지 않습니다. 결합력 숫자가 아니라 complex pose와 interface confidence로 해석합니다.
• 판정 반영: ipTM은 evidence_gate 걸러내기의 핵심 입력이고, readiness에는 약 12% 보조 가중치로만 반영합니다. 0.70 이상 배치 지지, 0.50-0.70 중립, 0.35 미만은 “타깃 근거 부족”.

• 데이터 기반: 후보 sequence, 서열 기반 결합 사전점수, Boltz 대기열 상태.
• 처리 방식: 서열 기반 사전점수로 후보를 정렬해 상위 K개(기본 약 15개, 환경변수로 조절)만 Boltz-2 복합체 예측 큐에 넣습니다. 나머지는 폐기가 아니라 대기로 남겨 필요할 때 추가 계산합니다.
• 출처: 사전필터 점수 자체는 추정(참고)이며 결합 결론이 아닙니다. 실제 결합 근거는 Boltz-2 ipTM / PRODIGY ΔG가 만듭니다.

• 데이터 기반: receptor-peptide 복합체 PDB.
• 처리 방식: 인터페이스 접촉/H-bond/clash를 파싱합니다. 분석 파일이 실제로 파싱된 경우에만 확정값으로 보고, 없으면 0이 아니라 미확정(근거없음)으로 표시합니다.

• 데이터 기반: receptor-peptide 복합체 구조, 인터페이스 contact.
• 처리 방식: 인터페이스 접촉 기반으로 결합 자유에너지 ΔG(kcal/mol)를 추정합니다. 더 음수일수록 유리하게 해석하며, evidence_gate 결합 근거로 사용합니다.

• 데이터 기반: receptor 구조, peptide sequence.
• 처리 방식: flexible peptide docking으로 결합 pose 후보를 만들고 Boltz/PLIP/PRODIGY 해석과 함께 봅니다. 단독 결론으로 쓰지 않습니다.

• 데이터 기반: AlphaFold DB의 2억 개 이상 예측 단백질 구조, UniProt의 2억 개 이상 protein sequence record, target sequence, pLDDT, PAE.
• 처리 방식: sequence residue를 클릭하면 구조에서 강조합니다. pLDDT는 높을수록, PAE는 낮을수록 신뢰가 높습니다.

• 데이터 기반: 후보 PDB, receptor/pose PDB, force field 준비 상태.
• 처리 방식: 구조를 정리하고 짧은 relaxation으로 potential energy 전후값(kJ/mol)을 저장합니다. 후보끼리 절대값을 비교하지 않고 같은 pose의 QC로만 봅니다.
• Energy or force at minimization starting point is infinite or NaN은 효능/독성 실패가 아니라 초기 pose 좌표 QC 경고입니다. 원자 충돌·비정상 좌표를 확인한 뒤 후보 PDB 재생성 또는 재예측 후 다시 봅니다.

• 데이터 기반: 복합체 PDB(사슬 A=수용체, B=펩타이드), Amber14 힘 필드, 암시적 물모델(GBN2), 310K(체온 37°C), 1 ns(기본).
• 처리 방식: PDBFixer 정리 → 에너지 최소화 → production MD(궤적 traj.dcd) → 단일 궤적 MM-GBSA ΔG = E(복합체) − E(수용체) − E(펩타이드).
• 한계(중요): 단일 궤적 근사이고 엔트로피 항이 빠져 ΔG 절대값이 실제보다 크게(더 음수로) 나옵니다. 실제 펩타이드 결합은 대략 −8~−15 kcal/mol 수준이므로, 이 값은 절대값이 아니라 후보 간 상대 순위로만 해석하세요. 1 ns는 짧아 conformational sampling이 제한적입니다(상위 1~2개는 더 긴 MD·반복 권장). 출처는 예측(동적).

• 데이터 기반: MD 궤적 프레임(펩타이드 CA·중원자, 수용체 CA·중원자).
• 처리 방식: 프레임마다 (a) 수용체 정렬 후 펩타이드 RMSD, (b) 초기 접촉(4.5Å) 유지율, (c) 펩타이드-수용체 중심거리 이탈을 계산해 종합 → 안정(≥0.7)/부분 안정/불안정(이탈). numpy만 사용.
• 한계: 기준 프레임이 MD 시작(최소화 직후) pose라 처음 pose가 나쁘면 그 pose 기준의 이탈을 봅니다. 1 ns 기준이라 장시간 이탈은 못 볼 수 있습니다. 출처는 예측(동적).

• 데이터 기반: complex_md.pdb(구조) + traj.dcd(궤적). 수용체 리본 + 펩타이드 원자·잔기 라벨.
• 처리 방식: 실시간 뷰어는 궤적을 반복 재생, mp4는 PyMOL 레이트레이싱 → FFmpeg. 자동 MD 루프는 상위 후보(기본 100개)를 하나씩 천천히 돌려 결과·영상을 저장(멱등).
• 해석: 열운동으로 인한 미세한 떨림은 정상이며, 표적에서 떨어지지 않고 유지되면 결합 안정 신호입니다.

• 데이터 기반: receptor PDB, 후보 PDB/PDBQT, pocket center, box size.
• 처리 방식: 지정 pocket 안에서 pose와 score를 계산(Vina/AutoDock-GPU), GNINA는 CNN scoring, Open Babel은 PDBQT 등 형식 변환을 담당합니다. score가 더 음수여도 펩타이드에서는 참고값일 뿐입니다.
• 격하 이유: 짧은 펩타이드를 소분자 ligand처럼 rigid pocket에 억지로 dock하는 방식은 펩타이드 결합을 대표하지 못합니다.

• 데이터 기반: peptide sequence, ToxinPred3 ML/Hybrid score, IEDB MHC-I/MHC-II percentile(T-cell epitope), HemoPI wrapper 결과.
• 처리 방식: ToxinPred3는 Stage 2에서 먼저 실행하고, Stage 3에서 점수가 없으면 후보 단위로 재실행합니다. IEDB/HemoPI는 Stage 3 safety card에 병합합니다. 출처는 예측(검증엔진).
• 해석 기준: ToxinPred3 non-toxic이면 통과권, IEDB는 낮은 percentile epitope가 많을수록 면역원성 검토 필요, HemoPI는 용혈 가능성이 낮을수록 유리합니다.

• 데이터 기반: peptide sequence, peptides 라이브러리 지표(불안정성 지수(Guruprasad), Boman index, 소수성 모멘트, 지방족 지수).
• 처리 방식: 검증된 생물리 지표로 응집/용해도 경향을 계산해 개발성 판단에 넣습니다. 출처는 예측(검증엔진)이며, 라이브러리 미설치 시 내장 근사식(참고)으로 자동 대체합니다.

• 데이터 기반: peptide sequence, 수식 정보(고리형/D-AA/N-메틸/지질화/PEG).
• 처리 방식: 프로테아제 절단 위치(트립신·키모트립신·엘라스타제·펩신 규칙), N-end rule 반감기, 혈장 안정성, 막 투과성을 계산. 수식은 저항성·투과성 보정에 반영.
• 한계: 검증된 ML이 아니라 규칙 기반 스크리닝 플래그입니다. 절단 규칙(특히 엘라스타제)은 넓게 잡히고 반감기는 시간이 아니라 등급입니다. 실측이 아니며 출처는 예측(규칙 기반)입니다.

• 데이터 기반: peptide sequence(양전하 밀도·양친매성·소수성·길이), 수식.
• 처리 방식: 비특이 결합 인자를 종합해 선택성 추정/위험 등급과 위험 요인 목록을 냅니다.
• 한계: 서열 기반 사전 스크리닝이며 실제 off-target 구조 도킹이 아닙니다. 관련 단백질 패널 도킹(교차결합 비교)은 향후 확장 항목입니다. 출처는 예측(서열 기반).

• 데이터 기반: 후보 peptide sequence, 3-letter sequence, 후보명.
• 처리 방식: 후보 직접 언급 기준으로 문헌을 조회하고 query와 링크를 저장합니다.

• 데이터 기반: 후보 peptide sequence, 3-letter sequence, 분자식.
• 처리 방식: Lens Patent/Scholarly를 직접 언급 기준으로 조회합니다. quota 보호를 위해 Stage 3에서 후보를 열거나 직접 조회할 때만 실행합니다.

• 데이터 기반: peptide 1-letter/3-letter sequence, 분자식 compact/spaced 표기.
• 처리 방식: 월 호출 제한 보호를 위해 자동 대량 호출하지 않고 Stage 3 조회 버튼을 눌렀을 때만 API를 호출합니다. 결과/링크/query/조회일을 DB에 저장합니다.

• 데이터 기반: 후보 서열, reference 서열, 공개 펩타이드 서열.
• 처리 방식: 서열 정렬/유사도로 신규성을 평가하고, 유사도가 높으면 특허/문헌 review 대상으로 표시합니다.

• 데이터 기반: peptide SMILES.
• 처리 방식: 펩타이드에서는 2D 구조/SMILES 시각화와 MW 계산 용도로만 씁니다. drug-likeness 판정에는 사용하지 않습니다.
• 격하 이유: Lipinski/Veber/PAINS/QED/Tanimoto는 소분자 drug-likeness 규칙이며 펩타이드 후보의 우열 판단 근거가 아닙니다.

• 데이터 기반: UniProt/GO 기능 annotation, Open Targets disease-target association, Human Protein Atlas 조직/세포 발현(피부·모낭 포함).
• 처리 방식: 질환 관련성, 피부/모낭/상처 조직 발현, 기능 annotation을 target rationale에 붙입니다.

• 데이터 기반: Geneformer는 약 3천만 개 단일세포 전사체로 사전학습된 foundation model 계열, GEO는 수백만 단위 공개 발현 sample/series metadata 저장소입니다.
• 처리 방식: 피부, 모낭, 염증, 상처, 노화 관련 발현 신호를 target rationale과 assay fit 근거에 붙입니다.

• 데이터 기반: project, candidate, target, mechanism, evidence relationship.
• 처리 방식: 후보와 근거의 연결망을 만들어 어떤 후보가 어떤 타깃, assay, novelty 근거와 이어지는지 추적합니다.

• 입력 데이터: 후보명, peptide sequence, peptide SMILES, 2D 구조, 후보 3D PDB, 목표 적응증, 타깃 receptor.
• 처리 방식: 직접 넣은 후보를 reference analog 후보와 같은 기준으로 MW, pI, charge, hydrophobicity, synthesis feasibility, safety risk, novelty similarity, docking, MD relaxation까지 비교합니다.
• 화면 결과: 자동 생성 후보와 직접 추가 후보가 같은 프로젝트 안에서 한 순위으로 보이고, 어떤 후보가 왜 더 실험 우선순위가 높은지 점수 분해로 확인합니다.

• 입력 데이터: 프로젝트 내 여러 target receptor, pocket center/box size, target별 assay endpoint, 후보 sequence/SMILES.
• 처리 방식: 같은 후보를 여러 target 조건에 각각 docking/novelty/safety 검증하고, target별 점수와 전체 종합점수를 따로 계산합니다.
• 화면 결과: SPP1, CXXC5, TGF-beta1 같은 target별 검증 카드가 분리되어 보이고, target을 바꾸면 새로운 조건 카드가 추가됩니다.

• 입력 데이터: 후보 A/B의 sequence, SMILES, 결합 motif, linker 후보, 예상 투여 방식, target별 assay 목적.
• 처리 방식: 두 후보를 연결하거나 병용하는 경우 길이, MW, charge, hydrophobicity, aggregation, cationic irritation, immunogenicity, novelty risk를 다시 계산합니다.
• 화면 결과: 단일 후보 점수와 복합 후보 점수가 분리되어 보이고, 독성/자극성 상승 가능성이나 합성 난이도 상승 여부가 별도 항목으로 표시됩니다.

tmux new -s v1_1
cd /var/www/html/tech
conda activate longevity_ai
python3 longen.py

• python3 longen.py가 시작되면 v4 generation loop가 같이 올라갑니다.
• 정상 로그는 [v1_1 generation loop] started와 Uvicorn running on http://0.0.0.0:8888입니다. (tmux 세션·로그 토큰 v1_1은 서버의 실제 프로세스 식별자이며 제품 버전과 별개입니다.)
• base 환경에서는 uvicorn/chemistry dependency가 맞지 않을 수 있어 실행하지 않습니다.

• Boltz-2는 BOLTZ_CMD 또는 boltz_env가 있으면 연결되어 펩타이드 후보의 복합체 예측을 백그라운드로 채웁니다.
• ToxinPred3는 toxinpred3_env가 있으면 wrapper를 통해 실행합니다.
• IEDB, HemoPI, PLIP, PRODIGY, CABS-dock은 wrapper 또는 CLI가 발견되면 자동으로 command template을 설정합니다.
• Lens/KIPRIS key는 shell export 또는 .env.validation에 저장된 값을 사용합니다. 토큰은 코드에 하드코딩하지 않습니다.

• Boltz-2는 complex prediction이므로 수 분 이상 소요될 수 있습니다. GPU 사용 여부는 nvidia-smi와 worker log로 확인합니다.
• GNINA/AutoDock-GPU는 GPU 빌드와 CUDA가 맞으면 빠르게 끝나지만, peptide chain의 복합체 결합을 설명하는 1순위 엔진이 아니라 fallback입니다.
• Boltz-2 펩타이드 경로는 affinity 계산을 기본 요청하지 않습니다. worker log에 Chain B is not a ligand가 보이면 peptide chain에 ligand affinity를 요청한 설정이므로 BOLTZ_PREDICT_AFFINITY를 끄고 재실행합니다.
• Boltz-2/CABS-dock 경로는 pocket center/box size가 필요 없습니다. 이 값은 소분자 fallback docking에만 쓰이며, 비어 있어도 펩타이드 결합 예측은 진행됩니다.

ps aux | egrep "boltz|gnina|vina|run_boltz|run_gnina" | grep -v grep
nvidia-smi
tail -n 80 /var/www/html/tech/v4/data/exports/docking/<project>/<candidate>/worker.log

• Boltz process가 보이면 고정밀 complex prediction이 실행 중인 것입니다.
• GNINA process가 보이고 GPU 메모리 사용이 보이면 GPU 도킹 경로가 작동 중입니다.
• worker log에 --center 오류가 있으면 pocket center 값 전달 또는 저장 상태를 확인합니다.