교수자/개설자

-

학습기간

2024-09-01 ~ 2029-12-31

강좌소개

성명 선 호 근 소속기관 부산대학교 통계학과 강의 명 (주제) R을 활용한 유전체 빅데이터 통계 분석 (Statistical analysis of high-dimensional genomic data using R) 학습목표 유전체 발현량 데이터와 DNA 메틸화 데이터와 같은 고차원 유전체 데이터를 분석하는 통계적 검정 방법들과 벌점함수 기반 변수선택 방법들을 학습시키고,  통계 패키지 R을 사용하여 실제 유전체 빅데이터를 분석하는 실습을 통해 학생들의 데이터 분석 능력을 향상시킨다. 분야 AI, Bio 단계 기초 및 심화

참여자수

83

교수자/개설자

-

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의 소개 및 개요입니다. 성명 김태민 소속기관 가톨릭대학교 과목명 Cancer genome analysis 강의시간 5 학습목표 1. 암유전체의 대표적인 변이 중 돌연변이(mutation) 및 염색체변이(copy number alteration)에 대한 정의 및 대표적인 연구기법 등을 학습한다.   강의 선수과목 및 준비사항입니다. 선수과목 NGS data analysis, Genomics analysis, Big data in precision oncology 참고자료   준비사항  R+ 기반 실습과목

참여자수

66

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

46

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

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

참여자수

215

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

교수자/개설자

-

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의 소개 및 개요입니다. 성명 안준용 소속기관 고려대학교 바이오시스템의과학부 과목명 인공지능을 활용한 전장유전체 유전변이 분석 강의시간 2시간 학습목표 본 강의는 전장유전체 (whole genome sequencing) 분석을 통해 발굴된 유전변이를 해석하는데 사용되는 인공지능 기반의 방법론 등을 학습한다. 유전변이 해석에 필요한 기본개념을 학습하고, 최근 개발된 딥러닝 및 머신러닝 기반의 유전변이 분석 방법을 학습하여 향후 인공지능 기반 유전체 연구 개발에 활용할 수 있는 학습을 제공한다.     강의 선수과목 및 준비사항입니다.      선수과목 차세대 염기서열 분석 – 남진우 교수 Genomics analysis – 김상우 교수 전장유전체 변이 분석의 이해 – 안준용 교수 참고자료 - Avsec (2021), Nature Methods, 18, 1196-1203 준비사항  - 구글 코랩이 연결되는 인터넷    

참여자수

32

교수자/개설자

-

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의 소개 및 개요입니다. 성명 안준용 소속기관 고려대학교 바이오시스템의과학부 과목명 전장유전체 변이 분석의 이해 강의시간 4시간 학습목표 본 강의는 전장유전체 (whole genome sequencing) 분석에 필요한 기본개념을 학습한다. 전장유전체 데이터 분석 및 활용을 위한 분석 플랫폼 Hail 기본개념을 학습하고 실무 모듈을 연습한다. Hail 실습을 통해, 향후 전장유전체 기반 신약개발 및 인공지능 기반 유전체 연구에 필수적인 분석 기본을 학습하고자 한다.   강의 선수과목 및 준비사항입니다.   선수과목 차세대 염기서열 분석 – 남진우 교수 Genomics analysis – 김상우 교수 참고자료  - https://hail.is/ Hail 웹사이트 준비사항  - 구글 코랩이 연결되는 인터넷      

참여자수

34

교수자/개설자

-

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의 소개 및 개요입니다. 성명 남진우 소속기관 한양대학교 과목명 차세대 서열분석 강의시간 3 학습목표 1. 차세대서열데이터(NGS)가 무엇인지 이해하고 데이터의 특성에 대해 이해한다.2. 차세대서열데이터(NGS)의 종류와 그 연구목적에 대해 이해한다.   강의 선수과목 및 준비사항입니다. 선수과목 생물정보학 개론, 서열분석, 구조분석, 유전자 발현분석 참고자료  - 준비사항  노트북 웹브라우저

참여자수

83