인공지능 신약개발을 위한 그래프 기초 수료증
모집인원999명
학습기간2024-03-01 ~ 2024-12-31
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 |
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 |