Jin-Ho Lee

• · Entwicklung einer Discovery-Pipeline zur Identifizierung tumorspezifischer Splice-Junctions in großen Krebs-Datensätzen.
• · Kartierung der Epitop-Landschaft durch Vorhersage hochaffiner MHC-I-bindender Peptide aus nicht-kanonischen Transkripten.
• · Validierung des Vorhersagemodells durch Abgleich der Ergebnisse mit hochrangigen transkriptomischen Studien.
• · Bewertung synergistischer Strategien zur kombinierten Adressierung mutations- und splice-abgeleiteter Neoantigene.

Nachgewiesen, dass alternatives Splicing eine geeignete Quelle für hochaffine Epitope darstellt und die Target-Identifizierung über klassische somatische Mutationen hinaus erweitert.

PythonRMapSpliceRNA-SeqTCGA DatasetsMHC-I Prediction Tools

• · Entwicklung einer in silico Genotypisierungs-Pipeline zur direkten Extraktion von HLA-Allelen aus Whole-Exome-Sequencing-Daten (WXS).
• · Implementierung prädiktiver Modellierung mittels ANNs (NetMHCPan) zum Screening von Missense-Mutationen auf MHC-I-Bindungsaffinität.
• · Konzeption einer Konsens-Methodik zur Integration mehrerer HLA-Typisierungs-Algorithmen zur Auflösung von Sequenz-Ambiguitäten und Steigerung der diagnostischen Zuverlässigkeit.
• · Validierung der Pipeline durch Analyse der Bindungsspezifitäten über HLA-Allele hinweg zur Reduzierung von Typisierungsfehlern im Impfstoffdesign.

Nachgewiesen, dass ein vollständig computergestützter Ansatz zur Neoantigen-Entdeckung praktikabel ist und Kosten sowie Vorlaufzeiten gegenüber klassischen PCR-basierten klinischen Assays deutlich reduziert.

PythonRHLAMinerSeq2HLANetMHCPan (Neural Networks)Shell Scripting

• · Experimentelles Design: Entwicklung und Durchführung von Forschungsprojekten zu DNA-Reparaturwegen und Super-Resolution-Bildgebung von Chromatinstrukturen.
• · Datenanalyse & Modellierung: Einsatz von MATLAB, R und Python zur Verarbeitung komplexer Bilddaten und zur quantitativen Analyse nanoskaliger Strukturen.
• · Wissenschaftliche Leitung: Steuerung internationaler Forschungskooperationen und Betreuung mehrerer Bachelor- und Masterstudierender über den gesamten Projektverlauf.

Veröffentlichung der Forschungsergebnisse in mehreren peer-reviewten Fachzeitschriften und Einwerbung von Drittmitteln für weiterführende wissenschaftliche Untersuchungen.

MATLABLinuxRPythonCOMBO-FISHSPDMDBSCAN

• · Experimentelles Design: Entwicklung und Durchführung eines mehrjährigen Forschungsprojekts an der Schnittstelle von Strahlenbiologie und Neurowissenschaft.
• · Führung & Mentoring: Betreuung und Anleitung von Studierenden, wissenschaftlichem Nachwuchs und technischem Personal in komplexen Laborabläufen.
• · Wissenschaftliche Kommunikation: Einwerbung von Drittmitteln, Aufbau von Forschungskooperationen und Publikation der Ergebnisse in peer-reviewten Fachzeitschriften.

Erfolgreiche Identifizierung neuer Erkenntnisse zu neuronalen Strahlungsantworten sowie Präsentation der Ergebnisse auf internationalen wissenschaftlichen Konferenzen.

3D Cell Culture ModelingqPCRFluorescence MicroscopyFACSBiochemistryImageJMS Office

• · Neuentwicklung der ursprünglichen SNU-Pipeline als vollständig reproduzierbarer Snakemake-8.x-Workflow mit Conda-Umgebungen pro Rule — installierbar ohne manuelles Dependency-Management; lauffähig lokal und auf GCP-GPU-VMs, und per Design executor-portabel auf einen SLURM-Cluster (Ressourcen pro Rule + Conda) — ein Konfigurations-Swap, kein Rewrite.
• · Tumor-vs-passendes-Normalgewebe-Junction-Filterung gegen GENCODE-Annotation implementiert; klassifiziert Junctions als annotated, normal_shared oder tumor_exclusive.
• · Patientenspezifische HLA-Typisierung (OptiType) und MHC-I-Peptidpräsentations-Vorhersage (MHCflurry 2.x Class1PresentationPredictor) integriert für End-to-End-Neoepitop-Kandidatenranking.
• · Optionale strukturelle Validierung des TCR-pMHC-Ternärkomplexes via TCRdock (AlphaFold-v2-Backend) auf Google Cloud GPU; vorhergesagte Komplexe werden im interaktiven Mol* 3D-Viewer dargestellt.
• · MIT-lizenziert, öffentlich auf GitHub (Jin-HoMLee/splice-neoepitope-pipeline).

Snakemake-Pipeline: End-to-End-Neoepitop-Identifizierung von RNA-Seq-FASTQ bis zur computergestützt modellierten TCR-pMHC-Komplexstruktur — patientenspezifische HLA-Allele, tumor-exklusive Junctions.

Snakemake 8.xCondaPython 3.11HISAT2 / STAROptiTypeMHCflurry 2.xTCRdock / AlphaFold v2bedtoolsGoogle Cloud GPUMol*

• · Projektleitung: Definition des Projektumfangs, Steuerung der Team-Kommunikation und Durchführung von Stakeholder-Präsentationen.
• · Modellentwicklung: Konzeption und Optimierung eines LSTM-Neuronennetzes zur Klassifikation zeitlicher Sequenzen von ASL-Gesten.
• · Data Engineering: Entwicklung einer Pipeline zur Echtzeit-Landmark-Extraktion, Feature-Engineering und Datenbereinigung aus Video-Streams.

Lieferung eines funktionsfähigen Prototyps für Echtzeit-Inferenz, der unmittelbares Feedback für Lernende der Gebärdensprache ermöglicht.

PythonTensorFlow (Keras)LSTMMediaPipeOpenCVGoogle CloudScikit-LearnMLflow

• · Entwicklung einer Chrome-MV3-Erweiterung, die Pose-, Schläger- und Shuttle-Erkennung auf Badminton-Spielaufnahmen auf YouTube vollständig client-seitig ausführt, ohne Server-Roundtrip.
• · Implementierung der Standard-Echtzeit-Erkennungspipeline mit TensorFlow.js und ONNX Runtime Web.
• · Evaluierung eines experimentellen Zero-Shot-Objektdetektors mit offenem Vokabular (YOLO-World) neben dem Standard-Detektor.
• · Konsequente Produktentwicklungsdisziplin: schriftliches PRD, UX-Wireframing und -Review, automatisierte Testsuite und CI-Pipeline.
• · Öffentlich auf GitHub (Jin-HoMLee/badminton-vision); weiterhin in aktiver Entwicklung, noch kein fertiges v1.

Browserbasierte, geräteseitige Computer-Vision-Erweiterung zur Badminton-Spielanalyse, in aktiver, laufender Weiterentwicklung auf dem Weg zu einem ersten stabilen Release.

TypeScriptChrome Extension (Manifest V3)TensorFlow.jsONNX Runtime WebYOLO-World

• · Durchführung von Vorlesungen zu Python, Machine Learning, SQL und Datenvisualisierung.
• · Mentoring der Teilnehmenden über den gesamten Data-Science-Lebenszyklus hinweg.
• · Betreuung von Capstone-Projekten und technischen Präsentationen.
• · Entwicklung und Weiterentwicklung von Schulungsmaterialien.

Erfolgreiche Begleitung mehrerer Kohorten beim Aufbau industrietauglicher Data-Science-Kompetenzen.

PythonPandasNumPyScikit-LearnTensorFlowSQLDockerdbtGoogle Cloud

• · Konzeption eines Persona-Systems (z. B. Developer, PM, Designer, Scientist), damit eine Einzelperson mehrere spezialisierte Claude-Code-Agenten parallel statt durch manuelles Rollenwechseln betreiben kann.
• · Entwicklung isolierten, rollenspezifischen persistenten Gedächtnisses pro Persona, sodass jeder Agent eigenen Kontext über Sessions hinweg aufbaut und wiederverwendet, ohne die anderen zu verunreinigen.
• · Aufbau einer CI-Pipeline, die das Tooling und die Konfiguration des Frameworks selbst über Änderungen hinweg zuverlässig hält.
• · Öffentlich auf GitHub (Jin-HoMLee/claude-personas).

Ein Open-Source-Framework, das einer Einzelperson erlaubt, Multi-Rollen-Arbeit zu parallelisieren, indem mehrere spezialisierte, gedächtnisisolierte Claude-Code-Personas gleichzeitig laufen.

Claude CodeShellPythonGitHub Actions

• · Fork eines gemeinsam genutzten Nix-basierten Dotfiles-Frameworks (kunchenguid/dotfiles) und Personalisierung zu einem vollständig reproduzierbaren macOS-Setup: ein Befehl stellt Systemeinstellungen, Homebrew-Apps und Nix-Pakete wieder her.
• · Konfiguration von Shell (zsh/Starship), Editor (Neovim) und Terminal (WezTerm) als kohärente, versionierte persönliche Umgebung.
• · Pflege gemeinsamer Agenten-Konfiguration über mehrere KI-Coding-Tools hinweg (Claude Code, Codex, OpenCode), damit das Tooling maschinenweit konsistent bleibt.
• · Verfolgung und Einpflegen von Upstream-Änderungen aus dem ursprünglichen Framework bei gleichzeitiger Ergänzung eigener Pakete, Tool-Entscheidungen und Einstellungen.
• · Öffentlich auf GitHub (Jin-HoMLee/dotfiles), lizenziert unter MIT No Attribution.

Ein funktionierendes, mit einem Befehl reproduzierbares persönliches macOS-Setup — ein personalisierter Fork eines gemeinsam genutzten Dotfiles-Frameworks, aktuell gehalten mit eigener Maschine, eigenen Paketen und Agenten-Tooling.

Nixnix-darwinhome-managerHomebrewzshStarshipNeovimWezTerm

• · Ausbau der Python-basierten Analyse-Umgebung in Google Cloud.
• · Migration bestehender SAS-Reporting-Workflows in Python-basierte Pipelines.
• · Evaluierung von BI-Funktionalitäten mit Looker und Vorbereitung des Datenmodells.
• · Stakeholder-Management und Anforderungsanalyse.
• · Unterstützung der AML-Risikoanalyse durch Ad-hoc-Untersuchungen von Kundenbeziehungen.

Ermöglichung der Überführung bestehender Reporting-Prozesse in eine skalierbare cloudbasierte Analyse-Umgebung.

Google Cloud PlatformBigQueryPythonSASLooker

• · Anforderungsanalyse mit Stakeholdern aus Fachbereichen und Analytik.
• · Mapping von Datentabellen aus Bestandssystemen auf die neue Cloud-Architektur.
• · Unterstützung bei der Integration von über 1.000 analytischen Prozessen in die Cloud-Plattform.

Bereitstellung einer skalierbaren Daten-Infrastruktur für personalisierte Marketing-Initiativen.

Google Cloud PlatformBigQuerySQLPython