LAIDD(Lectures on AI-driven Drug Discovery)

교수자/개설자

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의 소개 및 개요입니다. 성명 남호정 소속기관 GIST 과목명 Lecture : AI in Predicting Drug-protein Interaction(sequence-based) 강의시간 2 학습목표 1. 단백질 서열을 사용하여 화합물-단백질 상호작용을 예측하는 다양한 방법론을 학습한다.2. 기계학습, 딥러닝 기반 화합물-단백질 상호작용 예측 모델들에 대해 학습한다. 강의 선수과목 및 준비사항입니다. 선수과목 Deep Learning Advanced (inductive bias, self-supervised learning, semi-supervised learning, Attention, Transformeretc.)Graph Deep Learning(GCN, GAT, GIN, GGNN, MPNN, etc.) 참고자료 doi: 10.1093/bib/bbz157doi: 10.1093/bib/bbab046 준비사항 Colab 접속 가능 환경

참여자수

수료증

화학 & 화학정보학|

AI in Predicting Drug-protein Interaction(sequence-based)

#Keras

#ProtVec

#GDSC

#Protein Representation

교수자/개설자

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의 소개 및 개요입니다. 성명 김우연 소속기관 KAIST 과목명 AI in Predicting Protein-Ligand Interaction (structure-based) 강의시간 8 학습목표 1.단백질 구조 기반 Protein-Ligand Interaction 에 대한 다양한 AI 예측 모델들을 살펴본다. 2. 예측의 정확도 및 일반화 측면에서 다양한 방법들의 장단점을 이해한다. 강의 선수과목 및 준비사항입니다. 선수과목 al Screening (이주용), Deep learning approach (김동섭), Deep learning frameworks (김학수), Deep learning Basic (김학수 참고자료 981 (2019)), GNN-Torg (JCIM, 59, 4131 (2019)), GNN-Jiang(RSCAdv 20, 20701 (2020)), DeepFusion (JCIM, 61, 1583 (2021)), PoseR 준비사항 x

참여자수

134

AI in Predicting Protein-Ligand Interaction (structure-based)

수료증

화학 & 화학정보학|

AI in Predicting Protein-Ligand Interaction (structure-based)

#Virtual Screening

# CNN

# GCN

# Binding Pose Prediction

교수자/개설자

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의 소개 및 개요입니다. 성명 류성옥 소속기관 Galux 과목명 Graph Neural Networks for Molecular Property Prediction 강의시간 7 학습목표 1. Python 언어의 기본 문법을 익혀 기본적인 코딩을 할 수 있다2. Python 프로그래밍에서 필요한 기초적인 변수, 연산, 문자열, 조건문, 반복문, 함수 등을 학습한다. 강의 선수과목 및 준비사항입니다. 선수과목 참고자료 * GNN github repository, https://github.com/SeongokRyu/Graph-neural-networks* Bayesian learning github repository, https://github.com/SeongokRyu/Bayesian-deep-learning* Reliable GNN github repository, https://github.com/AITRICS/mol_reliable_gnn 준비사항 PyTorch 를 설치 및 활용가능한 노트북, 혹은 Google Colab 활용Dataset은 MoleculeNet 및 Therapeutic Data Commons 의 open benchmark를 활용예정

참여자수

수료증

화학 & 화학정보학|

Graph Neural Networks for Molecular Property Prediction

#GCN

# GIN

# GAT

# SWA

교수자/개설자

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의시간 강의내용 실습여부 1 - Why CNNs, MLPs, RNNs are insufficient for non-Euclidean data - Neural network for graphs & sets - Euclidean transformations, invariance, and equivariance 2 - Invariant geometric GNNs (SchNet, DimeNet, and SphereNet) - Simple equivariant geometric GNNs (EGNN and NequIP) O 3 - Local frame-based geometric GNNs (ClofNet and LEFTNet) - Frame averaging for geometric GNNs (Frame averaging, FAENet) O 4 - Steerable features, rreducible representations, Wigner-D matrix, spherical harmonics, Clebsch-Gordan tensor product - Steerable geometric GNNs (Tensor field network, SE(3)-Transformer) 5 - Steerable geometric GNNs (Equiformer, MACE, eSCN, EquifomerV2) O

참여자수

수료증

인공지능 & 프로그래밍|

Introduction to Geometric Deep Learning

#Geometric

# Graph Neural Network

# 3D

교수자/개설자

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의시간 강의내용 실습여부 1 - Self-Supervised Learning이란? - Language 분야에서의 SSL - Computer vision 분야에서의 SSL X 2 - Molecular Graph란? - Graph Neural Networks - Molecular Graph 분야에서의 SSL X

참여자수

Self-Supervised Learning for Molecular Graph

수료증

인공지능 & 프로그래밍|

Self-Supervised Learning for Molecular Graph

#Self-Supervised Learning (SSL)

# Graph Neural Networks (GNN)

# Molecular Graph

교수자/개설자

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의 소개 및 개요입니다. 성명 이유한 소속기관 카카오브레인 과목명 딥러닝을 이용한 단백질 도킹 강의시간 1시간 학습목표 딥러닝 기반 단백질-단백질 docking 에 대해 학습한다. 딥러닝 기반 단백질-저분자 화합물 docking에 대해 학습한다 강의 선수과목 및 준비사항입니다. 선수과목 신약개발을 위한 단백질 구조 예측 및 상호작용 예측 참고자료 Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking (https://arxiv.org/abs/2111.07786) 준비사항 이론강의라 준비할 것 없음

참여자수

수료증

화학 & 화학정보학|

딥러닝을 이용한 단백질 도킹

#Python

# GNN

# Equidock

# SE(3)-equivariance

교수자/개설자

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

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

참여자수

수료증

인공지능 & 프로그래밍|

인공지능 신약개발을 위한 그래프 기초

#Python

# Pytorch

# DTI

# Graph Convolutional Network

온라인 교육