Cellect_Epitope.py

import streamlit as st
import base64

# =====================================================
# 0. 페이지 설정 및 상단 헤더
# =====================================================
st.set_page_config(
    page_title="Cellect Epitope",
    page_icon="assets/team_icon.png",
    layout="wide",
    initial_sidebar_state="expanded"
)

st.image("assets/team_icon.png", width=150)
st.title("Cellect Epitope")
st.markdown("""
본 플랫폼은 **단백질 언어 모델(PLM) 기반 2단계 파이프라인**을 통해, 실험 전 단계에서 최적의 **B-cell epitope 후보**를 선별합니다.  
실제 실험 환경에서 발생하는 **높은 비용 대비 낮은 성공률 문제**를 완화하고, **데이터 기반 합리적 실험 의사결정**을 지원하도록 설계되었습니다.
""")

# =====================================================
# 1. 예측 파이프라인 카드 (3단계)
# =====================================================
images = ["assets/method1.png", "assets/method2.png", "assets/method3.png"]
titles = [
    "1. 데이터 전처리 및 특징 추출",
    "2. PLM 모델을 통한 맥락 정보 학습",
    "3. 최종 후보 선별 및 결과 제공"
]
details = [
    "항원 서열을 16자로 잘라 에피토프 생성",
    "ProtT5/ESM-2 임베딩 모델 적용",
    "Epitope 후보군 결합 가능성 계산"
]

st.markdown("""
<div style="margin:auto; min-width:2500px; max-width:2500px; text-align:center;">
""", unsafe_allow_html=True)

col1, col2, col3 = st.columns(3, gap="large")
for i, col in enumerate([col1, col2, col3]):
    with col:
        with st.container():
            st.image(images[i], width=300)
            st.markdown(
                f'''
                <div style="text-align:center; margin-top:5px;">
                    <strong>{titles[i]}</strong>
                    <p style="margin:0;">{details[i]}</p>
                </div>
                ''',
                unsafe_allow_html=True
            )

st.markdown("</div>", unsafe_allow_html=True)

st.markdown("""

""")

st.markdown(
    """
    <div style="text-align:center; color:#9aa0a6; font-size:0.85rem; margin-top:8px;">
        <strong>💡 Tip:<strong> 원활한 대시보드 사용을 위해 상단 카드가 균형 있게 표시되도록 브라우저 창을 적절히 맞춰 사용해 주세요.
    </div>
    """,
    unsafe_allow_html=True
)
st.divider()

# =====================================================
# 2. 연구 배경 및 동기
# =====================================================
st.header("연구 중요성")
st.markdown("""
B-cell 에피토프 실험은 **성공 확률이 낮고 비용이 많이 소요**됩니다.  
일반적인 실험 워크플로우에서는 결합 가능성이 낮은 후보와 높은 후보가 동일한 비용과 시간으로 처리되어 **자원 낭비**가 심각합니다.
""")

st.markdown(
    '<p style="background-color:#d4edda; color:#000000; font-weight:bold; '
    'padding:1px 3px; border-radius:1px; display:inline-block; font-size:17px;">주요 문제점</p>',
    unsafe_allow_html=True
)
st.markdown("""
- 실제 에피토프 비율이 전체 서열의 1% 미만 → 극단적 데이터 불균형
- 무작위 실험 시 99% 이상 자원 비효율적 소모
""")

st.markdown(
    '<p style="background-color:#d4edda; color:#000000; font-weight:bold; '
    'padding:1px 3px; border-radius:1px; display:inline-block; font-size:17px;">현실적 요구</p>',
    unsafe_allow_html=True
)
st.markdown("""
- 중요한 epitope는 놓치지 않으면서 **실험 비용과 시간을 최소화**할 수 있는 사전 필터링 전략 필요
""")

st.divider()

# =====================================================
# 3. 시스템 작동 원리
# =====================================================
st.header("파이프라인 설계")

st.markdown("""
> **연구 가설**: “1차 모델로 노이즈 90% 제거 후, 2차 모델로 결합 확신도 검증 → 실험 성공률 극대화”
""")

st.markdown("단백질 서열을 입력받아 2-stage 파이프라인에 따라 **B-cell epitope 후보를 단계적으로 선별**합니다.")

st.markdown(
    '<p style="background-color:#d4edda; color:#000000; font-weight:bold; '
    'padding:1px 3px; border-radius:1px; display:inline-block; font-size:17px;">Step 1. 구조·맥락적 임베딩</p>',
    unsafe_allow_html=True
)
st.markdown("""
- **ProtT5-XL-U50:** 아미노산 서열의 언어·문맥적 정보 추출
- **ESM-2:** 단백질 3차원 구조 및 진화적 상관관계 반영
""")

st.markdown(
    '<p style="background-color:#d4edda; color:#000000; font-weight:bold; '
    'padding:1px 3px; border-radius:1px; display:inline-block; font-size:17px;">Step 2. High Recall 기반 1차 필터링</p>',
    unsafe_allow_html=True
)
st.markdown("""
- **CatBoost 모델:** 잠재적 후보를 최대한 놓치지 않고 선별
""")

st.markdown(
    '<p style="background-color:#d4edda; color:#000000; font-weight:bold; '
    'padding:1px 3px; border-radius:1px; display:inline-block; font-size:17px;">Step 3. High Precision 기반 2차 정제</p>',
    unsafe_allow_html=True
)
st.markdown("""
- **XGBoost 모델:** 생물학적 맥락 내 항체 결합 확신도 정밀 평가
""")

st.divider()

# =====================================================
# 4. 모델 설계 원칙
# =====================================================
st.header("모델 설계 전략")
st.markdown("""
- **Accuracy 중심 설계 배제** → 극단적 불균형 환경에 적합한 MCC 평가 지표 채택
- **데이터 불균형 고려 학습** → Class Weight 기반, 원본 분포 유지
- **임계값 전략적 통합** → 실험 실패 비용 최소화
- **실험 워크플로우 친화적 구조** → 단계적 필터링 설계
""")

st.markdown(
    '<p style="background-color:#d4edda; color:#000000; font-weight:bold; '
    'padding:1px 3px; border-radius:1px; display:inline-block; font-size:17px;">활용 대상</p>',
    unsafe_allow_html=True
)
st.markdown("""
- **Wet-lab 연구자:** 다수 후보 중 실제 실험에 투입할 **우선순위 후보 선별**, 실패 리스크 최소화
- **Bioinformatics 연구자:** 극단적 데이터 불균형 환경에서의 모델링 전략, **생물학적 특성을 반영한 평가 지표 설계** 관심
""")
st.divider()
st.caption("본 플랫폼은 모델 구조, 임계값 설정 근거, 상세 평가 지표를 투명하게 공개하여 연구자가 판단을 비판적으로 검토 가능하도록 설계되었습니다.")

st.markdown("<div style='height:12px;'></div>", unsafe_allow_html=True)
col1, col2, col3 , = st.columns([2, 1, 3])
with col1:
    st.image("assets/team_logo_h.png", width=250)
with col2:
    st.image("assets/team_sparta_logo.png", width=100)