MS/MS 모델의 밑바닥부터 시작하는 사전 학습: 시스템 구축과 교훈

요약 브리프

MS/MS 데이터의 모호함을 해결하기 위해 580GB 규모의 데이터를 활용한 엔드투엔드 트랜스포머 시스템을 구축했습니다. 학습 결과 구조적 특징은 학습 가능하나 순위 결정은 여전히 어렵다는 한계를 확인했으며, 모델 성능보다 시스템의 관측 가능성과 재현 가능한 파이프라인이 중요함을 입증했습니다.

새로운 점

단순 모델 성능 향상이 아닌, MS/MS 도메인에서 데이터 파이프라인부터 추론까지 전체 스택을 독립적으로 구축하고 시스템적 한계를 명확히 규명한 엔지니어링 프로젝트입니다.

핵심 메커니즘

입력(MS/MS 스펙트럼) → 인코더 트랜스포머(표현 학습) + RDKit 기반 구조 정렬 헤드 → 출력(분자 임베딩 및 후보군 순위)

핵심 수치

• 데이터셋 규모: 580GB (약 2억 100만 스펙트럼)- 338개의 파켓 샤드로 구성
• 후보군 식별 성공률: 55% (11/20)- 검증 예시 기준