📢 読者の皆様へ / 關於語言
※ 私は現在日本語を勉強中のため、本文はAIツール（ChatGPT/Claude）の補助を受けて作成しています。面接やコミュニケーションは英語または簡単な日本語（＋翻訳ツール）で対応可能です！
(目前日文仍在學習中，本文在 AI 工具輔助下完成。交流可以英文或簡單日文搭配翻譯工具進行！)
◆ はじめに / 關於我
国立虎尾科技大学のバイオテクノロジー専攻で、薬理学とバイオデータ解析を勉強している修士学生です。普段はウェットラボで細胞実験を行いながら、天然化合物の抗がん作用や薬理メカニズムを研究しています。
💡 【中文摘要】
我是國立虎尾科技大學生物技術專攻的碩士生，研究主軸為藥理學與生醫數據分析。平時在 Wet Lab 進行細胞實驗，探討天然化合物的抗癌活性與藥理機制。
◆ 開発の背景：多層的なパラメータ整理の重要性 / 開發背景
IC50解析やスクリーニング実験の設計において、「どの開始濃度から実験を開始すべきか」の判断や、理化学的特性から細胞レベルまでの多層的な影響要因（分子・構造・時間・暴露など）を一度に整理・視覚化することは非常に煩雑でした。
💡 【中文摘要】
在 IC50 分析與篩選實驗設計中，評估「建議起始濃度」以及將理化層、分子層、細胞層到時間層等跨層級的多維度參數進行整理與視覺化，過去是非常繁瑣的工作。
◆ アクション：MAP-IC50（パラメータ解析・濃度予測Dashboard） / 開發成果與亮點
そこで、PythonとStreamlitを活用し、多層的なパラメータ算出と開始濃度予測（C_pred）を自動化するインタラクティブなDashboard（MAP-IC50）を自作しました。
- 多層的パラメータの解体と視覚化：理化層、分子層、構造層、製備層、暴露層、時間層、生物反応層、細胞層、濃度尺度層の9つの階層にパラメータを分類し、寄与度（分子項・分母項）をグラフ化。
- 最適な開始濃度の提示：各パラメータの計算結果に基づき、推奨される開始濃度（C_pred）を即座に算出（画面例：826.34μg/mL）。
LLM（AIツール）をペアプログラミングのパートナーとして活用することで、領域知識（Domain Knowledge）を素早くWebアプリケーションとして形にしました。
💡 【中文摘要】
因此我結合 Python 與 Streamlit，開發了 MAP-IC50 參數分析與濃度預測 Dashboard：
- 多層級參數拆解與視覺化：將參數系統化歸納為理化、分子、結構、製備、暴露、時間、生物反應、細胞與濃度尺度等 9 大層級，並以紅綠色條條形圖呈現分子/分母項的影響比重。
- 精準計算建議起始濃度：依據多層級模型參數自動演算，即時回傳實驗建議起始濃度（如圖中所示之 826.34μg/mL）。
◆ 学んだことと今後の展望 / 學習與展望
この開発を通して、複雑な生体内・微小環境のパラメータを定量的かつ視覚的にモデルへ落とし込む重要性を学びました。
将来は、ウェットラボで培った生化学・薬理学の知識と、データの構造化・可視化ツール開発のスキルの両方を活かし、研究現場の課題解決に貢献したいと考えています！
💡 【中文摘要】
這段開發經驗讓我體會到將複雜的生醫與藥理參數進行定量化、結構化並落實為視覺化模型的價值。
未來我希望能結合 Wet Lab 生醫專業與數據分析工具的開發能力，持續解決實際研究現場的痛點！
