교수자/개설자

-

학습기간

2024-11-25 ~ 2029-12-31

강좌소개

성명 빈진혁 소속기관 연세대학교 의과대학 강의 명 (주제) ML/AI 기반 유전체-단백체 멀티오믹스 통합분석 방법론 학습목표 최근 바이오텍 기술의 발전으로 인해 다양한 레벨의 생명정보 데이터들이 생성 및 축적되고 있으며, 이러한 데이터들을 통합 분석하는 방법론들도 인공지능 기술의 발달과 더불어 활발하게 개발되고 있다. 본 강의에서는 유전체/전사체/단백체 데이터들이 통합되는 방법론과 실제 개발된 툴들을 사용해봄으로써 데이터 통합에 대한 이해 및 경험을 쌓는 것을 목표로 한다. 분야 □ AI ■ Bio □ Chem □ Drug 단계 심화

참여자수

28

교수자/개설자

-

학습기간

2024-09-12 ~ 2029-12-31

강좌소개

성명 김선, 이선호 소속기관 서울대학교, 아이겐드럭 강의 명 (주제) Deep learning models for drug response prediction 학습목표 약물 반응성 예측의 주요 원리와 연구 동향을 파악하고, 인공지능 약물 반응성 예측을 위한 딥러닝 방법론 및 주요 데이터베이스를 포괄적으로 학습하여 이를 실제 연구에 적용할 수 있는 기본 능력을 배양한다. 분야  AI 단계 심화

참여자수

62

교수자/개설자

-

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의 소개 및 개요입니다. 성명 김태민 소속기관 가톨릭대학교 과목명 Big data in precision oncology 강의시간 2 학습목표 1. 대표적인 암유전체데이터베이스인 TCGA/ICGC를 통해 big data의 개요 및 구조를 학습한다   강의 선수과목 및 준비사항입니다. 선수과목  Introduction to NGS data analysis, Genomics analysis, Gene expression analysis, RNA-seq/single cell RNA analysis 참고자료  - 준비사항  -

참여자수

86

교수자/개설자

-

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의 소개 및 개요입니다.  성명 김태민 소속기관 가톨릭대학교 과목명 Multiomics analysis 강의시간 2 학습목표 1. 대표적인 암유전체데이터베이스인 TCGA data를 통해 multiomics분석의 특성 및 실제 응용기법들을 학습한다.   강의 선수과목 및 준비사항입니다. 선수과목 Gene expression analysis, RNA-seq/single cell RNA analysis, Cancer genome analysis  참고자료  - 준비사항  -  

참여자수

76

교수자/개설자

-

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의시간 강의내용 실습여부 1 질병 멀티오믹스 데이터에 클러스터링 및 네트워크 분석을 활용한 최신 연구   2 멀티오믹스 데이터 클러스터링 분석의 기초 개념과 적용 사례   3 멀티 오믹스 데이터에 대한 네트워크 분석 적용의 기초 개념과 적용 사례   4 NMF 클러스터링 중심의 멀티오믹스 데이터 클러스터링 분석 실습 O 5 MOFA tool을 활용한 멀티오믹스 데이터 클러스터링 분석 및 해석 실습 O 6 PHONEMES tool을 활용한 멀티오믹스 데이터 네트워크 분석 및 해석 실습 O

참여자수

33

교수자/개설자

-

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의시간 강의내용 실습여부 1 차원축소의 개념과 필요성   2 차원축소의 수학적 원리   3 주요 차원축소 모델 구조(PCA, LDA, ICA, NMF, t-SNE 등)   4 주요 차원축소 모델 활용 실습 (가능 시 멀티오믹스 예제 활용) O

참여자수

50

교수자/개설자

-

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의 소개 및 개요입니다.  성명 김선, 이도훈 소속기관 서울대학교 과목명 인공지능을 활용한 멀티오믹스 기반 바이오마커 발굴 강의시간 2 강의 소개 본 강의는 총 2강으로 구성된다. 제 1강 “멀티오믹스 바이오마커의 주요 원리 및 연구 동향 소개” 에서는 유전체(genome), 전사체(transcriptome), 후성유전체(epigenome), 단백체(proteome) 및 생물학적 네트워크(biological network) 관점의 특성이 바이오마커로 기능할 수 있는 원리를 알아보고, 관련 연구 동향을 소개한다. 제 2강 “멀티오믹스 바이오마커 발굴을 위한 인공지능/기계학습 방법론 및 대규모 데이터베이스 소개” 에서는 전통적 기계학습, 네트워크 기반 알고리즘, 그리고 인공지능에 기반한 바이오마커 발굴 방법론들을 계산적 측면에서 심도있게 다루며, 나아가 해당 방법론의 적용을 위한 대규모 생물학 데이터베이스들을 포괄적으로 소개한다. 강의 목적 멀티오믹스 바이오마커의 주요 원리와 연구 동향을 파악하고, 바이오마커 발굴을 위한 인공지능/기계학습 방법론 및 대규모 생물정보 데이터베이스를 포괄적으로 학습하여 이를 실제 연구에 적용할 수 있는 기본 능력을 배양한다.

참여자수

109