인공지능 신약개발을 위한 그래프 기초

인공지능 신약개발을 위한 그래프 기초 Certificate

Class Introduction

인공지능 신약개발을 위한 그래프 기초 강의 과정입니다,

성명

방준일

소속기관

강원대학교

과목명

인공지능 신약개발을 위한 그래프 기초

강의시간

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

Course Introduction

인공지능 신약개발을 위한 그래프 기초 강의 과정입니다,

1	인공지능 신약개발을 위한 그래프 기초 1. DTI(Drug-Target Interaction)의 정의 2. 그래프의 정의 : 통계적 그래프와 수학적 그래프 3. 그래프의 활용 : 실생활에서의 그래프와 신약개발에서의 그래프 4. 그래프 데이터 구조 기초
2	DTI를 위한 약물 및 표적 데이터 표현 1. DTI 데이터 표현 : Drug to graph representation 2. DTI 데이터 표현 : Target to label encoding representation 3. DTI의 벤치마크 데이터세트 : DAVIS and KIBA
3	DTI에 그래프를 적용하기 위한 그래프 신경망 기초 1. GNN(Graph Neural Network) 2. GCN(Graph Convolution Network) 3. GAT(Graph Attention Network) 4. GIN(Graph Isomorphism Network)
4	DTI를 위한 약물 및 표적 데이터 표현 실습(Colab) 1. 그래프 표현을 위한 파이썬 라이브러리 활용 2. 약물 및 표적 데이터 표현을 위한 파이썬 라이브러리 활용 3. 벤치마크 데이터 전처리 및 구조 파악
5	DTI에 그래프를 적용하기 위한 그래프 신경망 실습(Colab) 1. 코드 구현을 통한 그래프 신경망(GCN, GAT, GIN) 구조 파악 2. 벤치마크 데이터를 통한 모델 학습 3. 모델 학습 결과 시각화

Classification

Professor