AI in Predicting Protein-Ligand Interaction (structure-based) 수료증
모집인원1,000명
학습기간2024-03-01 ~ 2024-12-31
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 |
AI in Predicting Protein-Ligand Interaction (structure-based)
| 1 |
[구조기반 단백질-리간드 상호작용 예측 오버뷰] Structure-based virtual screening 및 딥러닝에 대한 개념을 이해한다. -Virtual screening 및 Molecular Docking |
| 2 |
[학습에 활용한 데이터 셋 살펴보기] AI 모델 학습 및 테스트에 활용할 수 있는 다양한 데이터 셋에 대해 알아본다. -DUD-E, Chembl, pdbbind, CASF2016 |
| 3 |
[3D CNN기반 예측 모델] 3D CNN에 기반한 다양한 모델들에 대해 알아본다. -3D CNN 방법의 기본 아키텍처 이해 |
| 4 |
[GNN 기반 예측 모델 1] GNN에 기반한 기본 모델들을 살펴본다. -GNN 방법의 기본 아키텍처 이해 |
| 5 |
[GNN 기반 예측 모델 2] GNN 기본 모델의 다양한 변형에 대해 알아본다. -GNN-Contact maps -binding mode prediction -GNN-CNN fusion |
| 6 |
[데이터 편향 및 모델 일반화 한계] AI 활용에 사용되는 다양한 데이터 셋의 편향 및 모델 일반화에 대해 알아본다. -데이터 편향 문제 -모델 일반화 문제 |
| 7 |
[Inductive Bias 및 물리 방법 병합] 일반화된 예측 모델 개발을 위한 방법을 살펴본다. -inductive bias의 개념 이해 |