BioinformaticsAndMe

2018년 하반기 R&D 산학장학생 모집(석/박사) 

모집기간

 

2018.09.03 06:00 ~ 2018.09.18 17:00

모집분야

조직	모집분야	상세 내용	전공	근무지	인원
작물보호연구센터	작물보호제 연구개발	신물질 생물활성 스크리닝  작물보호제 신제품 연구개발  제형 연구개발  잔류성 분석(작물/토양/수중)	농학  (농)화학  (농)생물학  곤충학 등	충청남도 논산시	0명
	안전성연구(독성/분석)	인축 독성 및  환경독성 연구	화학, 약학  수의학, 독성학 등	충청남도 논산시	0명
	생물농약 연구	생물농약 개발  생물공정 연구	농학  (농)생물학  미생물학 등	충청남도 논산시	0명
육종연구센터	육종 연구	전통/분자 육종  DNA 마커/병리/조직배양 연구	원예학  분자생물학  생명과학  생물정보학 등	경기도 안성시	0명
	유전형질 연구	작물 유전체 분석  형질(Traits) 개발	식물학  유전공학  생명과학  생물정보학 등	충청남도 논산시	0명

지원 자격 및 절차

지원자격	- 2019년 8월 이후 석사, 박사 학위 취득 예정자(석사 2년차, 박사 3년차 이상, 석박통합 5년차 이상에 한함)  (기 졸업자 및 2019년 2월 학위 취득 예정자의 경우 신입사원 채용 공고로 지원하여 주시기 바랍니다.)  - 졸업 후 팜한농 입사를 희망하는 자  - 해외여행에 결격사유가 없는 자  - 남성의 경우 입사일 기준 군필 혹은 면제자
전형절차	서류전형   1차면접   건강검진   2차면접
제출방법	1) 서류접수 : LG그룹 채용사이트 (http://careers.lg.com) 內 팜한농 모집공고에서 On-line 지원  2) 제출서류 : 채용사이트 內 입사지원서, 전공요약 발표자료(PDF본)  ※ 연구분야 입력 시 공고에 첨부된 전공요약 발표자료를 표지 포함 5장 이내로 작성하여 PDF 파일로 업로드  - On-line 지원서 내 최종 학력 입력 시 논문/주요연구과제 항목에 업로드  - 지원서 접수 완료 이후, 전공요약 발표자료 수정 불가  - 본 파일은 1차 면접 시 발표자료로 사용되므로 참고하셔서 작성해 주시기 바랍니다.   ※ 재학증명서, 성적증명서, 공인어학성적표, 자격증 등은 면접 통과자에 한하여 제출 (추후 안내)  3) 접수기간 : 2018.9.3(월) ~ 2018.9.18(화) ☞ 최종 마감일은 오후 5시까지 지원 가능
기타사항	1) On-line 접수만 가능합니다. (우편, e-mail 및 방문 접수는 받지 않습니다.)  2) 허위기재 사실이 발견될 시에는 즉시 불합격 혹은 입사를 취소합니다.  3) 국가보훈대상자 및 장애인은 관련 법규에 의거 우대합니다.  4) 각 전형결과 및 통보는 e-mail로 진행되오니, e-mail주소를 정확하게 기재하여 주시기 바랍니다.  5) 기타 문의사항 발생 시  ① LG Careers Site 內 상단 “채용문의”에서 1:1 질문하기를 통해 문의  ② E-mail 및 비밀번호 분실 시 “로그인”에서 이메일 주소 및 비밀번호 찾기를 통해 확인  ③ 팜한농 인사팀(02-3159-5574)으로 문의  ※ 공고 마감일은 답변 및 대응이 늦어질 수 있습니다. 등록 마감 이후, 추가 등록 및 수정이 불가하므로 관련 문의는 마감 3일 전까지 요청하여 주시기 바랍니다.

#팜한농 채용홈페이지

http://apply.lg.com/app/job/RetrieveJobNoticesDetail.rpi

의료영상 AI 기업 현황 Start.

BioinformaticsAndMe

- 2017년 12월, 미국 시카고에서 세계 최대 규모의 방사선(X-Ray, CT, MRI) 의료기기 전시회인 RSNA(Radiological Society of North America)가 개최.

- 인공지능의 활용도가 가장 높을 것으로 기대되는 영역 중 하나가 방사선관련 의료 영상 분석.

- 2017년 RSNA에는 머신러닝 기업들이 대거 참여 (전체 731개 참여 업체 중 머신러닝 관련 기업은 총 48개).

자료: RSNA, 미래에셋대우 리서치센터

- 의료 AI는 연구개발 단계에서 본격적으로 임상적용단계에 진입하며 실체화되고 있음.

- 현재까지 세계적으로 임상용도로 상용화된 인공지능 영상분석 솔루션은 아직 없는 상황. 대부분 기술개발 혹 규제기관 인허가 과정을 진행 중.

- 그러나 현재 추세를 고려할 때 2018년에는 의료기기 인증을받는 업체가 나올 가능성도 매우 높아진 상황.

- 특히, 국내의 대표적인 의료 인공지능 솔루션 개발업체인 루닛은 2017년 RSNA에서 자사의 인공지능 솔루션(Lunit Insight)을 공개.

- Lunit Insight: X-Ray 영상을 바탕으로 병변 의심 부위를 색깔로 표시해주는 솔루션.

- 루닛은 세계적인 AI 기술을 보유한 기업으로 세계 100대 AI 기업으로도 꼽히고 있음.

- 또한 루닛은 2017년 RSNA에서 EnvoyAI과 Nuance사와의 파트너쉽을 발표.

#Nuance: 세계 최대의 의료영상 공유 플랫폼.

#EnvoyAI: 의료영상 플랫폼 스타트업임.

- 루닛의 솔루션은 Nuance와 EnvoyAI의 시스템에 통합되어 제공될 예정.

# 미래에셋대우의 '의료AI에 대해서 시장에서 가장 궁금해하는 5가지 질문'을 인용하였습니다.

http://www.pharmstock.co.kr/news/articleView.html?idxno=11196

의료영상 AI 기업 현황 End.

BioinformaticsAndMe

지도 학습(Supervised learning) Start.

BioinformaticsAndMe

1) Supervised learning (지도 학습)

2) Supervised learning 예시

- 아래 그림은 'Tumor size와 Age'을 기반으로 Benign or Malignant인지 분류하는 Classification 모델이다.

- 이 Classification 모델은 Benign, Malignant로 Labeled된 Training sample로 만들어진 것이다.

- 만약, 하나의 Unlabeled된 Testing sample을 이 모델에 넣게되면, Testing sample의 'Tumor size와 Age'에 따라 분류가 될 것이다.

- 'Tumor size와 Age'가 Malignant와 유사하다면 Testing sample을 Malignant라 예측할 수 있다.

3) Supervised learning을 이용한 알고리즘

• 서포트 벡터 머신 (support vector machine)
• 은닉 마르코프 모델 (Hidden Markov model)
• 회귀 분석 (Regression)
• 신경망 (Neural network)
• 나이브 베이즈 분류 (Naive Bayes Classification)

4) Supervised learning에서 참고사항

- Label 정보가 없다면, Unsupervised learning(비지도 학습) 알고리즘을 사용한다.

- Label 정보가 있더라도, Supervised learning 항상 최선의 선택은 아니다. 모든 Supervised learning 기법들이 Training set과 Testing set의 분포가 같을 것이라 가정하고 진행되므로, Training과 Testing 샘플이 전혀 다른 distribution을 가졌다면 모델과 예측 사이의 gap이 발생한다. 따라서 이를 보완하기 위해, Semi-supervised learning(준지도 학습)을 사용하기도 한다.

- 정리하자면, Supervised learning은 Training과 Testing 샘플이 유사한 Statistical properties 가질 때 진행하자.

#아래 내용을 참고했습니다

1) Libbrecht, M. W., & Noble, W. S. (2015). Machine learning applications in genetics and genomics. Nature Reviews Genetics, 16(6), 321.

2) https://ko.wikipedia.org/wiki/%EC%A7%80%EB%8F%84_%ED%95%99%EC%8A%B5

지도 학습(Supervised learning) End.

BioinformaticsAndMe

R, T-test (R, T검정) Start.

BioinformaticsAndMe

1) one sample t-test

> bmi.ttest <- t.test(bmi, mu=30)

> bmi.ttest

        One Sample t-test

data:  bmi

t = 5.3291, df = 199, p-value = 2.661e-07

alternative hypothesis: true mean is not equal to 30

95 percent confidence interval:

 31.45521 33.16479

sample estimates:

mean of x 

    32.31 

> names(bmi.ttest)

[1] "statistic"   "parameter"   "p.value"     "conf.int"    "estimate"    "null.value"  "alternative" "method"      "data.name"  

statistic: 검정통계랑

parameter: 파라미터

p.value: p값

2) two sample t-test

- 집단 사이의 등분산 여부에 따라 분석방법이 달라지므로 등분산 검정 필요.

# 두 집단의 등분산 검정 / '~'는 type이라는 factor값에 의해 분류

> var.test(bmi ~ type) 

        F test to compare two variances

data:  bmi by type

F = 1.7595, num df = 131, denom df = 67, p-value = 0.01115

alternative hypothesis: true ratio of variances is not equal to 1

95 percent confidence interval:

 1.140466 2.637564

sample estimates:

ratio of variances 

           1.75945 

--- F 검정 결과 귀무가설을 기각하므로 등분산이 아님

> t.test(bmi ~ type) 

        Welch Two Sample t-test

data:  bmi by type

t = -4.512, df = 171.457, p-value = 1.188e-05

alternative hypothesis: true difference in means is not equal to 0

95 percent confidence interval:

 -5.224615 -2.044547

sample estimates:

 mean in group No mean in group Yes 

         31.07424          34.70882 

--- 당뇨의 유무에 따라 bmi의 차이가 있다고 결론

3) Paired t-test

예제데이터: anorexia

Treat: Factor of three levels: "Cont" (control), "CBT" (Cognitive Behavior treatment) and "FT" (family treatment).

Prewt: Weight of patient before study period, in lbs.

Postwt: Weight of patient after study period, in lbs.

# 서로 독립적인 두 집단의 평균을 비교 (평균이 같다/ 같지않다)

> attach(anorexia)

> FT <- subset(anorexia, Treat=='FT')

> head(FT)

   Treat Prewt Postwt

56    FT  83.8   95.2

57    FT  83.3   94.3

58    FT  86.0   91.5

59    FT  82.5   91.9

60    FT  86.7  100.3

61    FT  79.6   76.7

> shapiro.test(FT$Prewt - FT$Postwt)

        Shapiro-Wilk normality test

data:  FT$Prewt - FT$Postwt

W = 0.9536, p-value = 0.5156

--- 정규분포를 따른다

R, T-test (R, T검정) End.

BioinformaticsAndMe

T-검정 (T-test) Start.

BioinformaticsAndMe

1. T검정(T-test) ?

통계학자 윌리엄 고셋(가명 'Student')이 기네스 양조 공장에서 일하고 있었는데,

적은 샘플에 대한 통계적 추정치가 잘 맞지 않은 점을 착안하여 t 분포를 제안.

T-test는 두 집단 간의 평균을 비교하는 모수적 통계방법으로서 표본이 정규성, 등분산성, 독립성 등을 만족할 경우 적용 가능.

#모수적 방법: 모집단의 특성을 가정하여 유도된 검정법.

#비모수적 방법: 모집단의 모수에 대한 가정 없이 유도된 검정법.

Table1. Independent t test: 비교하는 두 군이 서로 독립인 경우.

  Treatment A와 Treatment B는 서로 독립적이므로 A와 B의 변화량 비교.

Table2. Paired t test: 서로 짝을 이뤄 비교하는 경우.

     ID 값을 기준으로 Treatment A와 Treatment B의 변화량을 짝지어 비교.

2. T 분포 (Student’s t-distribution)

-정규 분포(normal distribution)의 평균을 측정할 때 많이 사용하는 분포.

-모집단이 정규분포라는 정도만 알고, σ2(모분산)을 모를 때 s2(표본분산)으로 대체하여 모 평균 μ를 구할 때 사용.

-적은 표본으로도 모집단 평균을 추정하려고 정규분포 대신에 사용되는 확률분포.

-표준정규분포와 유사하게 0 을 중심으로 좌우대칭이나, 표준정규분포보다 평평하고 기다란 꼬리를 갖음 (양쪽 꼬리가 두터운 형태).

-자유도(표본수 - 1)가 증가할수록 표준정규분포에 가까워짐 (자유도가 30 이 넘으면 표준정규분포와 비슷해짐; 중심극한정리).

3. 독립표본 T검정 (Independent T test) 예제

각기 다른 두 모집단의 속성인 평균을 비교하기 위하여, 두 모집단으로부터 표본들을 독립적으로 추출하여 표본의 평균들을 비교함으로써 모집단의 유사성을 검정하는 방법. 두 독립표본 Z 검정과 유사하지만 두 모집단의 분산을 알지 못하고 표본의 평균을 가지고 두 모집단을 비교하기에 표준오차의 계산이 상이하다.

* 등분산가정을 충족 (두 모집단의 분산이 동일함) - 표준오차 계산 시 통합분산을 사용하므로 자유도는 (n-2).

* 표본의 분산(= 집단변화량=표준편차의 제곱)

예) 전통적 교수법과 새 교수법에 의한 학업성취도 차이를 유의수준 0.05에서 검정

(저질 화살표 죄송합니다.)

귀무가설을 기각하므로 유의수준 0.05에서 전통적 교수법과 새 교수법에 의한 학업성취도 차이가 있다

#아래 내용을 참고하였습니다

1) Kim, T. K. (2015). T test as a parametric statistic. Korean journal of anesthesiology, 68(6), 540-546.

2) https://namu.wiki/w/%EC%8A%A4%ED%8A%9C%EB%8D%98%EC%B8%A0%20t-%EB%B6%84%ED%8F%AC

3) http://www.cogsci.bme.hu/~ktkuser/KURZUSOK/BMETE47MC38/2015_2016_1/7_The%20t-test.pdf

4) http://www.ktword.co.kr/abbr_view.php?m_temp1=1134

5) http://elearning.kocw.net/KOCW/document/2016/ust/jusejong/7.pdf

T-검정 (T-test) End.

BioinformaticsAndMe

2018년 하반기 신입사원 채용(석/박사) 

모집기간

 

2018.08.28 10:00 ~ 2018.09.13 14:00

모집분야

조직	모집분야	상세 내용	전공	근무지
중앙연구소	R&D	- Platform Tech : 무기소재 합성/가공, 코팅, 분산, 점/접착, 유기/고분자  합성 및 물성, 박막증착, CFD,  고분자유변학, 공정설계, Optimization, 촉매, 분석, Printing & Patterning,  Deep Learning, Big Data  - 친환경/Energy 소재 : 연료전지,  차세대 2차전지  - 고기능신소재 : 차세대 무기/  고분자/전도성 소재, 친환경 소재  (물, 공기 질 개선용 소재)  - 바이오 : 조직배양, 형질전환,  식물/작물 생리,  유전자편집 / 분석(NGS),  실험통계 / Machine Learning,  Protein Engineering, 분자육종	화학/화학공학  고분자공학  금속/재료공학  기계공학  전기전자공학  생명공학  생명정보학  식물생리학  작물생리학  유전체학  생화학	경기도 과천시 대전광역시 서울특별시 강서구
기초소재사업본부	R&D	◈ 기초소재연구소  - 고부가가치 제품 개발 : 메탈로센 촉매, 고흡수성 수지, 합성고무, ABS 등  - 고기능성 소재 개발 : 유/무기소재 합성/중합/가공 등  - 공정 Modeling, Simulation & Optimization  ◈ TECH센터  - 고분자 (압출/사출) 공정 설계 및 최적화, 첨단 성형 기술 개발  - 복합소재 성형 공정 및 물성, 복합소재 활용 부품 설계  - 기초소재 제품 신시장 개척, 소재 및 가공기술 개발	화학/화학공학  고분자공학  금속/재료공학  기계공학	경기도 과천시 경기도 오산시 대전광역시 전라남도 나주시 전라남도 여수시 전라북도 익산시
전지사업본부	R&D	◈ Battery연구소  - 소재/부품 개발 : 유/무기 소재 합성 및 분석 기술, 금속/고분자 재료 물성 연구  - 전지 선행 개발 : 고에너지밀도 전지 기술, 고출력 전지 기술, 차세대전지 설계 및 공정 기술  - 공정 선행 연구 : 유변학, 혼합/분산, 건조, 공정 제어, 검사 자동화,  정밀 압연, 금형 설계, 데이터 처리  - Pack 개발 : 기계설계, CAE  - BMS : BMS HW, SW, 부품, Safety, WPAN, AI Big data, Cloud Computing ◈ 소형전지개발센터  - 선행기술 개발 : 고에너지밀도, 급속충전, 장수명 등의 신기술 개발  - Cell 개발 : IT(휴대폰, 노트북),  자동차, Drone 등에 적용되는 이차전지 셀 설계  - Pack 개발  1) 기구 : 사출/프레스설계, 구조 설계 및 용접 연구개발 및 검증 2) 회로 : H/W 및 S/W(알고리즘) 회로 설계 및 검증  ◈ 자동차전지개발센터  - Cell 개발 : 전기 자동차용 리튬 이차전지 설계 및 양산 개발  - Pack/Module 개발 : 자동차전지용 Pack 기구 및 부품 설계(CAD 활용)  - 전장부품 개발 : 자동차전지의 전장 부품 개발  - BMS : 회로, 전장부품, Embedded SW, BMS System 개발  - EMC 설계 : 자동차전지 EMC 디자인 최적화 설계  ◈ ESS전지개발센터  - Cell 개발(중대형 파우치) : 리튬 이차전지 설계 및 관련 소재, 소재 합성 및 전기화학 특성 분석 기술  - Pack 개발 : 기구설계(사출/프레스), 구조/냉각 설계, 양산 설비 개발, 전력망 계통해석  - 전장부품 개발 : ESS전지의 전장 부품 개발  - BMS 회로/SW 개발 : HW/SW/FW  개발, 제어/신호처리, SOC 개발	화학/화학공학  고분자공학  금속/재료공학  기계공학  전기전자공학  컴퓨터공학	경기도 과천시 대전광역시
정보전자소재사업본부	R&D	◈ 정보전자소재연구소  - 유기 합성, 고분자 합성, 고분자 가공, 고분자 물성, 점·접착 소재, 유/무기 복합 소재, 광학 설계, 액정 소재, 전지 재료, 유변학, 유체역학  ◈ 사업부 제품개발  - 광학소재 (편광판), 고기능소재 (디스플레이소재, 반도체소재, 자동차소재) 제품 개발	화학/화학공학  고분자공학  재료공학  기계공학	대전광역시 충청북도 청주시(오창) 충청북도 청주
재료사업부문	R&D	◈ 재료연구소 / 사업부 제품개발  - Display 소재 : Color / 투명 PR용  감광성 재료 및 분산 기술, OLED물질  합성 및 소자 평가, 형광물질 개발,  Polyimide 재료 및 Silicone 재료 개발  - 전지 소재 : 전구체 / 양극재 합성 및 전지 재료 평가  - 신규 분야 : 자동차 구조용 접착재료, 반도체 / 회로 소재, Bulk 세라믹 등  무기재료	화학/화학공학  무기화학  고분자공학  신소재공학  재료공학  기계공학  전기전자공학	대전광역시 서울특별시 강서구 전라북도 익산시 충청북도 청주
생명과학사업본부	R&D	◈ 생명과학연구소  - 연구 : 당뇨 및 연계질환, 항암면역 분야의 신약 개발을 위한 신규 타겟 발굴, 유기합성, 생물학적 연구, 약효 및 독성 평가, DMPK, 기반기술 연구  - 분석 : 합성/바이오 신약 및 의약품에 대한 분석 수행  - CMC : 합성공정 및 제형 개발, 바이오 배양 및 정제 등 공정 개발  - 임상 : 임상설계 및 관리, 의약품 허가/등록, 학술마케팅 등	생물학  미생물학  면역학  유전공학  화학/화학공학  고분자공학  약학/수의학  간호학  통계(임상)	서울특별시 강서구 충청북도 청주시 흥덕구(오송)

지원 자격 및 절차

지원자격	1) 석사/박사 학위자 또는 2019년 2월 석사/박사 학위 취득 예정자  (2019년 8월 이후 석/박사 학위 취득 예정자의 경우 산학장학생 모집공고로 지원하여 주시기 바랍니다.)  - 본 공고는 경력이 인정되지 않습니다. 경력 인정을 희망하시는 경우, 경력사원 모집(수시) 공고로 지원하여 주시기 바랍니다.  ※ 박사학위 소지자 또는 경력 1년 이상의 석사학위 소지자는 경력 공고로 지원 가능  - 석박통합과정 진행중인 자는 석사 신분으로 지원이 불가합니다.  2) 해외여행에 결격사유가 없는 자  3) 남성의 경우 입사일 기준 군필, 면제자 또는 전문연구요원 T/O소지(보충역) 및 전직 가능자
전형절차	서류전형   인적성검사   1차면접   건강검진   2차면접
제출방법	1) 서류접수 : LG그룹 채용사이트 (http://careers.lg.com) 內 LG화학 모집공고에서 On-line 지원  2) 제출서류 : 채용사이트 內 입사지원서, 전공요약 발표자료(PDF본)  ※ 연구분야 입력시 공고에 첨부된 전공요약 발표자료를 표지 포함 5장 이내로 작성하여 PDF로 업로드  - On-line 지원서 내 최종 학력 입력 시 논문/주요연구과제 항목에 업로드  - 지원서 접수 완료 이후, 전공요약 발표자료 수정 불가  - 본 파일은 1차 면접(전공) 시 발표자료로 사용되므로 참고하셔서 작성해 주시기 바랍니다.  ※ 졸업(예정)증명서, 성적증명서, 공인어학성적표, 자격증 등은 면접 합격자에 한하여 제출 (추후 안내)  3) 접수기간 : 2018. 8. 28(화) ~ 2018. 9. 13(목) ☞ 최종 마감일은 오후 2시까지 지원 가능
기타사항	1) On-line 접수만 가능합니다. (우편접수, e-mail 접수 및 방문접수는 받지 않습니다.)  2) 허위기재 사실이 발견될 시에는 즉시 불합격 혹은 입사를 취소합니다.  3) 국가보훈대상자 및 장애인은 관련법규에 의거 우대합니다.  4) 각 전형결과 및 통보는 e-mail을 통해 진행되오니, e-mail주소를 정확하게 기재하여 주시기 바랍니다.  5) 기타 문의사항 발생 시  ① LG Careers Site 內 상단 “채용문의”에서 1:1 질문하기를 통해 문의  ② LG화학 기술연구원 대전.인사지원팀 (042-719-3778)으로 문의 (상담 가능 시간 : 평일 09-17시)  ※ 공고 마감일은 지원 관련 문의가 많아 답변 및 대응이 늦어질 수 있습니다.  등록 마감 이후, 추가 등록 및 수정이 불가하므로 관련 문의는 마감 3일 전까지 요청하여 주시기 바랍니다.

#LG화학 채용홈페이지

http://apply.lg.com/app/job/RetrieveJobNoticesDetail.rpi