Codex use case
단백질 접힘 예측 모델 탐색
실험을 반복하며 단백질 접힘에 관한 가설을 벤치마크로 검증하세요.
Codex의 목표 모드를 사용해 단백질 접힘 예측 성능을 높일 수 있도록 AlphaFold2 아키텍처의 새로운 변경안을 연구하고 구현하세요.
Best for
- 자동 채점이 가능한 벤치마크로 아키텍처, 손실 함수 또는 학습 커리큘럼을 바꿨을 때의 효과를 평가하는 계산생물학자
- 과학적 근거가 있는 가설을 세우고, 이를 실제로 작동하는 실험용 포크에 구현하기까지 걸리는 시간을 줄이고 싶은 연구자
- 자동화된 연구 실험을 장기간 반복하면서 실험 이력을 관리하고 매 단계에서 디버깅하는 머신러닝 엔지니어
Contents
단백질 접힘 예측 모델 탐색
실험을 반복하며 단백질 접힘에 관한 가설을 벤치마크로 검증하세요.
Codex의 목표 모드를 사용해 단백질 접힘 예측 성능을 높일 수 있도록 AlphaFold2 아키텍처의 새로운 변경안을 연구하고 구현하세요.
Codex의 목표 모드를 사용해 단백질 접힘 예측 성능을 높일 수 있도록 AlphaFold2 아키텍처의 새로운 변경안을 연구하고 구현하세요.
Related links
Best for
- 자동 채점이 가능한 벤치마크로 아키텍처, 손실 함수 또는 학습 커리큘럼을 바꿨을 때의 효과를 평가하는 계산생물학자
- 과학적 근거가 있는 가설을 세우고, 이를 실제로 작동하는 실험용 포크에 구현하기까지 걸리는 시간을 줄이고 싶은 연구자
- 자동화된 연구 실험을 장기간 반복하면서 실험 이력을 관리하고 매 단계에서 디버깅하는 머신러닝 엔지니어
Starter prompt
단백질 접힘 모델의 아키텍처 가설 탐색하기
단백질 접힘에 관한 가설을 검증하기 위해 구현을 여러 차례 반복해야 한다면 Codex 목표 모드를 사용하세요. 연구 범위를 명확히 정하고, 실행 가능한 베이스라인과 자동으로 점수를 산출하는 벤치마크를 Codex에 제공하세요. 연구자가 실험 결과를 검토하는 동안 Codex는 기존 아키텍처를 포크해 새 구조를 구현하고, 실험을 추적하고, 실패 원인을 진단하며 다음 실험을 이어갈 수 있습니다.
이 사례는 구체적인 질문에서 출발했습니다. AlphaFold2 계열 모델의 핵심 네트워크가 잔기와 잔기 쌍뿐 아니라 고차 위상 구조까지 명시적으로 표현한다면, 단백질 구조를 파악하는 데 유용한 기하학적 특징을 더 효율적으로 학습할 수 있을까요?
실험 범위 정하기
AlphaFold2의 Evoformer는 이미 잔기 쌍과 삼각형을 이용한 강력한 추론을 수행합니다. 삼각형 연산은 모서리 표현을 개선하지만, 그 결과는 다시 쌍 텐서에 저장됩니다. 연구자는 삼각형 면과 사면체 셀의 표현을 각각 학습하고 계속 유지하면 데이터가 제한된 환경에서 유용한 귀납적 편향을 제공할 수 있는지 실험해 보자고 제안했습니다.
그 결과로 나온 공개 리포지터리 SimplexFold에는 희소한 삼각형 면 상태 F_ijk와 사면체 상태 U_ijkl이 기존의 쌍 표현 Z_ij와 함께 쓰입니다.
MSA representation M
<-> pair / edge tensor Z_ij
<-> sparse face tensor F_ijk
<-> sparse tetra tensor U_ijkl
-> structure module
-> recycled geometry
loops back into the next pass이 페이지의 시작 프롬프트, AlphaFold2 방식의 최소 베이스라인, 공개 NanoFold 벤치마크로 시작하세요. 이 벤치마크에서는 엄선된 소규모 고정 데이터셋으로 구조생물학 실험을 수행하고 결과를 자동으로 채점할 수 있습니다. 비용이 많이 드는 학습을 시작하기 전에 핵심 기능을 단위 테스트와 마이크로벤치마크로 검증할 수 있도록 첫 구현의 범위를 작게 잡으세요.
목표 모드로 아키텍처 탐색하기
- 모델에 연구 과제 전체를 처음부터 구상해 달라고 하기보다, 연구 방향을 제시하면서 실험으로 반증할 수 있는 가설을 제공하세요.
- ChatGPT에서 GPT-5.5 Pro를 사용해 그 연구 방향을 구현 계획으로 구체화하세요. 계획에는 제약 조건과 각 구성 요소의 효과를 확인할 제거 실험을 명시하세요.
- Codex에 실행 가능한 최소 SimplexFold 베이스라인을 구현해 달라고 요청한 뒤, 핵심 기능을 단위 테스트와 마이크로벤치마크로 검증하세요.
- 완성된 리포지터리를 Codex 목표 모드에 전달하세요. 실험 로그와 계획, 산출물의 참조 정보를 보존하면서 NanoFold 벤치마크의 검증 지표
lDDT-Cα가 개선되는 방향으로 한 단계씩 탐색하도록 지시하세요. - 목표 모드를 계속 실행해 벤치마크 결과를 바탕으로 아키텍처, 학습 방법, 실험 하네스를 반복해서 개선하도록 하세요. 이 사례에서는 이 과정을 150시간 넘게 이어갔습니다.
PLAN.md에는 현재 전략과 다음 단계를, EXPERIMENTS.md에는 실험 결과를 일관된 형식으로 기록하세요. EXPERIMENT_NOTES.md에는 실험 중에 생기는 메모를 계속 남기세요. 이 기록을 바탕으로 장기간에 걸친 탐색 과정을 검토하고 다음 실험의 방향을 조정할 수 있습니다.
이 탐색에서는 구현과 테스트, 실험 추적, 실패 원인 진단을 반복하고 벤치마크 결과에 따라 다음 실험을 결정해야 하므로 목표 모드가 유용합니다. 별다른 방향 제시 없이 연구를 자동화했을 때는 손실 함수, 옵티마이저, 하이퍼파라미터를 조정하는 익숙한 방식의 부분적 변경에 치우치는 경우가 많았습니다. 연구자가 아키텍처에 관한 간결한 가설을 제시하자 Codex는 과학적으로 더 의미 있는 범위를 탐색하면서도 구현을 테스트하고 문제를 진단해 개선할 여지를 확보했습니다.
이 워크플로우는 연구자가 탐색 과정에 참여해 방향을 조정할 때 에이전트의 과학적 탐색 품질이 어떻게 달라지는지 평가하려는 팀에도 유용합니다.
실험 결과 예시
이 워크플로우로 개발한 SimplexFold는 고차 단체의 상태를 명시적으로 표현하는 실험적 아키텍처입니다. 위상 구조와 벤치마크 로그를 함께 살펴보면서 매 실험이 여전히 원래의 과학적 가설을 검증하고 있는지 확인하세요.
이 사례를 Codex가 단백질 접힘 문제를 자율적으로 해결했다는 뜻으로 해석해서는 안 됩니다. 이 워크플로우는 목표 모드로 과학 연구에 필요한 개발과 실험을 지속하는 방법을 보여 줍니다. 연구자가 새로운 개념을 제안하면 Codex가 구현, 실험, 디버깅, 후속 탐색에 걸리는 시간을 단축합니다.
유망한 진단 결과는 현재의 구현 방식이 작동한다는 근거로 해석하세요. 일반화 성능을 입증하려면 추가 검증이 필요합니다. 에이전트가 어떤 방향으로 탐색하고 있는지 주기적으로 검토하세요. 탐색이 일부 하이퍼파라미터를 조정하는 데 그치면 과학적으로 의미 있는 아키텍처 질문으로 방향을 되돌리세요. 공개 검증 데이터에서 조건을 맞춰 비교하고 적절한 반복 실험을 거친 뒤에만 결과를 근거로 결론을 제시하세요.
