LAIDD(Lectures on AI-driven Drug Discovery)

교수자/개설자

학습기간

2024-10-24 ~ 2029-12-31

강좌소개

성명 송길태 소속기관 부산대학교 강의 명 (주제) Recommendation systems in bioinformatics 학습목표 1. Recommendation systems에 대한 기본 개념을 이해한다. 2. Recommendation systems을 활용하여 표적 단백질 결합 후보 물질 추천 및 바이오마커 발굴 등의 문제를 해결하는 방법을 학습한다. 분야 AI 단계 심화

참여자수

수료증

신약개발 & 제약산업|

Recommendation systems in bioinformatics

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 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

강의 소개 및 개요입니다. 성명 구희정 소속기관 스탠다임 과목명 Identifying therapeutic targets using biological graph 강의시간 2 학습목표 1. 질병 타겟의 개념 및 타겟 발굴 방법론 전반에 대해 이해한다.2. 기 구축된 타겟 발굴 방법론의 예를 통해 구체적 접근 방법을 이해한다.

참여자수

수료증

생물학 & 생물정보학|

Identifying therapeutic targets using biological graph

#Open Target Platform

# PPI Graph

# Knowledge Graph

# Metabolism Graph

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

강의 소개 및 개요입니다. 성명 임재창 소속기관 HITS 과목명 Molecule design with deep generative models 강의시간 4 학습목표 1. 다양한 딥러닝 기반 분자 생성모델을 리뷰한다.2. 신약개발에 있어 딥러닝 기반 분자 생성모델의 응용연구에 대해서 이해한다. 강의 선수과목 및 준비사항입니다. 선수과목 딥러닝 기초과목 참고자료 - 준비사항 -

참여자수

Molecular design with deep generative models

수료증

화학 & 화학정보학|

Molecular design with deep generative models

#Juntion Tree VAE

# GENTRL

# Molecular Graph

# Language Model

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 그래프 트랜스포머를 활용한 분자물성 예측 강의시간 1시간 학습목표 Attention 알고리즘을 이해한다. 그래프 데이터에 attention이 어떻게 쓰이는지 이해하고, 실습으로 이해도를 높인다. 강의 선수과목 및 준비사항입니다. 선수과목 Attention for Deep Learning 참고자료 A Generalization of Transformer Networks to Graphs (https://arxiv.org/abs/2012.09699?amp=1) 준비사항 우분투 환경

참여자수

수료증

화학 & 화학정보학|

그래프 트랜스포머를 활용한 분자물성 예측

#Python

# Deep Graph

# QM9

# Attention

교수자/개설자

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의 소개 및 개요입니다. 성명 이원태 소속기관 연세대학교 과목명 단백질구조기반 신약설계법 강의시간 2 학습목표 - 왜 타겟 구조기반 신약설계가 필요한가 ? 고해상도 삼차원 구조기반 신약설계 및 적용 강의 선수과목 및 준비사항입니다. 선수과목 일반생물학, 생화학, 물리화학, 화학 참고자료 - 참고 논문 (별도로 공지) - 참고서: 1. Introduction to Protein Architecture, A. M Lesk, 2001, Oxford Press 2. Principles of Protein X-ray Crystallography, 2nd Ed. Jan Drenth, Springer, 199 3. Principles of Physical Biochemistry, Kensal E. van Holde, W. Curtis Johnson, P. Shing Ho, Pearson Prentice Hall, 2006 4. Drug Design & Development, Chris Rostron, Oxford Univ. Press, 2020 준비사항 없음

참여자수

수료증

생물학 & 생물정보학|

신약개발 & 제약산업|

단백질구조기반 신약설계법

#NMR

# X-ray

# Cryo-EM

# Drug Design

교수자/개설자

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

성명 김화종 소속기관 강원대학교 과목명 신약개발에 필요한 머신러닝 이해 강의시간 9 모듈 학습목표 신약개발에 필요한 화합물 데이터를 다루는 방법을 배우고 화합물의 속성을 수치 테이블로 표현하는 방법, Fingerprint, 그래프 등으로 표현하는 분자 표현형을 설명한다. 머신러닝 모델을 구현하는 방법과 랜덤포레스트, MLP, CNN, Graph CNN 등을 배우고 VAE와 GAN 등 생성 모델을 이용한 분자 생성 방법을 배운다.

참여자수

수료증

화학 & 화학정보학|

신약개발에 필요한 머신러닝 이해

#분자 표현법

# 임베딩 벡터

# 그래프 모델

# 생성 모델

# 예측 모델

교수자/개설자

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의소개 및 개요입니다. 성명 이유한 소속기관 카카오브레인 과목명 신약개발을 위한 다중모달 표현학습 강의시간 2시간 학습목표 신약 물질(단백질, 저분자 화합물)의 다양한 데이터 표현 방법에 대해 학습한다. 다중 모달 학습법에 대해서 학습하고, 신약 개발에 활용법에 대해서 학습한다. 실습을 통해 데이터 표현 방법 및 다중 모달 학습 방법을 숙지한다. 강의 선수과목 및 준비사항입니다. 선수과목 Molecular Representation Learning & Property Prediction (ADME/T, etc) 참고자료 https://arxiv.org/abs/2103.00020 (Learning Transferable Visual Models From Natural Language Supervision) 준비사항 - 코랩 또는 우분투 환경

참여자수

수료증

화학 & 화학정보학|

신약개발을 위한 다중모달 표현학습

#Inductive Bias

# Embedding

# Transformer

# Graph

교수자/개설자

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의 소개 및 개요입니다. 성명 이원태 소속기관 연세대학교 과목명 신약타겟 단백질구조결정학 강의시간 3 학습목표 - 왜 구조기반 신약설계가 필요한가 ? - 구조기반 신약설계에 필요한 질병 타겟 단백질들의 삼차원 구조규명 첨단기술을 학습 강의 선수과목 및 준비사항입니다. 선수과목 일반생물학, 생화학, 물리화학, 화학 참고자료 - 참고 논문 (별도로 공지) - 참고서: 1. Introduction to Protein Architecture, A. M Lesk, 2001, Oxford Press 2. Principles of Protein X-ray Crystallography, 2nd Ed. Jan Drenth, Springer, 199 3. Principles of Physical Biochemistry, Kensal E. van Holde, W. Curtis Johnson, P. Shing Ho, Pearson Prentice Hall, 2006 4. Drug Design & Development, Chris Rostron, Oxford Univ. Press, 2020 준비사항 없음

참여자수

수료증

생물학 & 생물정보학|

신약타겟 단백질구조결정학

#NMR

# X-ray

# Cryo-EM

# Drug Design

교수자/개설자

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의 소개 및 개요입니다. 성명 김동섭 소속기관 KAIST 과목명 신약후보물질 탐색 및 최적화를 위한 딥러닝 모델 강의시간 4 학습목표 단백질-리간드 결합구조 정보를 이용한 binding affinity 예측 및 최적화를 위한 딥러닝 모델에 대해 학습한다.

참여자수

수료증

화학 & 화학정보학|

신약후보물질 탐색 및 최적화를 위한 딥러닝 모델

#Docking

# 약물 최적화

# 강화학습

# 결합도 예측

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

교수자/개설자

학습기간

2024-03-01 ~ 2024-12-31

강좌소개

강의시간 강의내용 실습여부 1 인공지능을 활용한 역합성 경로 예측의 필요성 및 이론적 배경 X 2 반응 데이터 설명 및 seq2seq 모델을 활용한 역합성 경로 예측 모델 실습 O 3 transformer 모델을 이용한 역합성 경로 예측 모델 실습 O 4 graph 기반의 역합성 경로 예측 모델 실습 O

참여자수

수료증

신약개발 & 제약산업|

인공지능을 이용한 역합성 경로 예측

#역합성

# seq2seq

# Transformer

온라인 교육