4 Course(s)
Professor
-
Learning Period
03-01-2024 ~ 12-31-2025
Course Introduction
강의시간 강의내용 실습여부 1 - Early Stage 신약개발을 이해하고, 관련 데이터베이스들을 살펴본다. - 파이썬을 이용하여 데이터를 다운로드하고 데이터의 탐색적 분석을 수행한다. O 2 - 타깃 발굴을 위한 데이터베이스의 종류를 알아보고 이론적 배경을 학습한다. 생물정보학 분석을 이용하여 관련 유전자를 추출하고, 인공지능 분석 결과와 통합하는 방법을 알아본다. O 3 독성시험의 이론적 배경을 학습하고 관련 데이터베이스를 살펴본다. 화합물의 표현 방법에 대해 학습한다. 화합물 독성 예측 모델을 설계하고, 가상 스크리닝을 수행한다. O 4 - 간단한 단백질-화합물 상호작용(Drug-Target Interaction) 모델을 설계한다. DTI 데이터베이스를 살펴보고, 그 의미에 대해 학습한다. ZINC database에서 가상 스크리닝을 수행한다. O 5 - 강화학습에 대해 학습하고, 이를 이용한 lead optimization의 개념에 대해 학습한다. 파이프라인 구축을 위한 Snakemake에 대해 학습한다. 효력, 독성 모델을 구축하고 자동화된 파이프라인을 설계한다. O
Students
101
화학 & 화학정보학|
강의 소개 및 개요입니다. 성명 석차옥 소속기관 서울대학교 과목명 신약개발을위한단백질구조예측및상호작용예측 강의시간 11 학습목표 1. 첨단 단백질 구조 예측 및 상호작용 예측의 원리를 배우고 예측 가능 범위를 파악한다.2. 신약개발에 활용될 수 있는 관련 소프트웨어 및 웹서버 활용법에 대해 익힌다. 강의 선수과목 및 준비사항입니다. 선수과목 선수과목 또는 관련과목 참고자료 https://www.rcsb.org/ Muhammed, Muhammed Tilahun, and Esin Aki‐Yalcin. "Homology modeling in drug discovery: Overview, current applications,and future perspectives." Chemical biology & drug design 93.1 (2019): 12-20.Ovchinnikov, Sergey, et al. "Protein structure determination using metagenome sequence data." Science 355.6322 (2017): 294- De Vivo M et al. Role of Molecular Dynamics and Related Methods in Drug Discovery. J. Med. Chem. (2016). Leaver-Fay A, Tyka M, Lewis SM, Lange OF, Thompson J, et al. "Rosetta3 an object-oriented software suite for the simulationand design of macromolecules". Methods Enzymol 487 (2010): 545–574.; Schoeder C T et al. "Modeling Immunity with Rosetta:Methods for Antibody and Antigen Design" Biochemistry 60 (2021): 825−846. C Norn et al, Protein sequence design by explicit energy landscape optimization. PNAS 2021. Mason, Derek M., et al. "Optimization of therapeutic antibodies by predicting antigen specificity from antibody sequence via deeplearning." Nature Biomedical Engineering 5.6 (2021): 600-612.https://wenmr.science.uu.nl/prodigy/https://zhanglab.dcmb.med.umich.edu/SSIPe/ 준비사항 노트북 사용, 사이트 가입, 프로그램 설치 등 준비사항 : FoldIt 웹사이트 가입 (https://fold.it/) : trDesign (https://github.com/gjoni/trDesign) 및 tensorflow 1.13 or 1.14
219
신약개발 & 제약산업|
강의소개 및 개요입니다. 성명 홍성은(Pytorch, sungkenh@gmail.com) 방준일(Tensorflow, tkfka965@gmail.com ) 소속기관 AI신약융합연구원 과목명 신약 개발을 위한 딥러닝 프레임워크 기초 강의시간 10 학습목표 최근 연구 논문에서 가장 활용도가 높은 Tensorflow, Pytoch 딥러닝 프레임워크를 소개하고, github 활용 방법 및 직접 모델이나 데이터를 수정할 수 있도록 딥러닝 프로그래밍 능력을 기른다. 강의 선수과목 및 준비사항입니다. 선수과목 Python 기초, 딥러닝 기초 참고자료 (도서) 1. 머신 러닝 교과서 with 파이썬, 사이킷런, 텐서플로 2. 파이썬 딥러닝 파이토치(Python Deep Learning PyTorch) (논문) 1. DeepDTA: deep drug–target binding affinity prediction 준비사항 - 아나콘다 설치가 가능한 PC, 노트북, 서버 등(OS, Window, Mac, Linux)
125
인공지능 & 프로그래밍|
인공지능 신약개발을 위한 그래프 기초 강의 과정입니다, 성명 방준일 소속기관 강원대학교 과목명 인공지능 신약개발을 위한 그래프 기초 강의시간 5 학습목표 1. 그래프의 정의와 그래프 신경망을 이해한다. 2. 탐색적 데이터 분석(EDA)을 통해 그래프 데이터 표현 방법을 이해한다. 3. 논문 코드 구현을 통해 단백질-약물 상호작용(DTI) 예측 모델을 이해한다. 강의 선수과목 및 준비사항입니다. 선수과목 - 파이썬 프로그래밍 기초 - 파이썬 딥러닝 프레임워크 - GPU를 활용한 딥러닝(선택) 참고자료 - (논문) GraphDTA: predicting drug-target binding affinity with graph neural networks 준비사항 - 실습은 Google Colab으로 진행하므로, 교육생별 Google 계정이 필요함
66
.png)
 (1).png)
.png)
 (1).png)