AI 신약개발 첫걸음

Chapter 1. 신약개발의 기본 개념 1. 질병과 신약개발 1-1. 단백질과 질병 (Protein and disease) 1-2. 약물의 작용 기전 (Mechanism of action) 1-3. 약물 발굴 및 개발 과정 (Drug discovery & development process) 1-4. 생체분석 (Bioassay) 1-5. 약물 개발 효율성 지속적인 저하 2. 컴퓨터 기반 신약개발과 인공지능 2-1. 컴퓨터 기반 신약개발 (Computer-Aided Drug Design; CADD) 2-2. 구조 기반 가상 탐색 과정 (Structure-Based Virtual Screening; SBVS) 2-3. 결합 구조 예측 (Binding pose prediction) 2-4. CADD 방법의 장점과 단점 2-5. AI 기반 신약 개발 가속화 2-6. CADD기술의 발전과 생성형 AI의 등장 3. 요약 Chapter 2. 딥러닝 입문 (Introduction to deep learning) 1. 개요 2. 선형 회귀 방법 2-1. 선형 회귀 2-2. 비용함수 (Cost function) 2-3. 경사 하강법 2-4. 볼록 함수 (Convex function) 2-5. 경사 하강법 알고리즘 2-6. 가우시안 노이즈 (Gaussian noise) 2-7. 최대 우도 (Maximum likelihood) 3. 선형 분류 (Linear classification) 3-1. 분류 (Classification) 3-2. 결정 경계 (Decision boundary) 3-3. 로지스틱 회귀 (Logistic regression) 3-4. 로지스틱 함수의 비용함수 3-5. 다중분류와 softmax 함수 4. 딥러닝의 개념 (Concept of deep learning) 4-1. 딥러닝의 개념 4-2. 왜 딥러닝인가? 4-3. 인공 신경망 (Artificial neural network) 4-4. 퍼셉트론 (Perceptron) 4-5. 논리 게이트 (Logic gate) 5. 다층 구조 퍼셉트론 5-1. 다층 구조 퍼셉트론의 개념 5-2. 비선형성과 활성화 함수 (Nonlinearity and activation function) 5-3. 보편 근사 정리 (Universal approximation theorem) 5-4. 왜 더 깊은 인공 신경망이 필요한가? 6. 순전파를 통한 예측 7. 역전파 기반 학습 7-1. 역전파 기본 개념 7-2. 확률적 경사 하강법 7-3. 역전파 과정 Chapter 3. 정규화 방법 (Regularization) 1. 일반화 (Generalization) 1-1. 일반화에 대한 기본 개념 1-2. 과소적합과 과적합 (Underfitting and overfitting) 1-3. 분산과 편향 (Variance and bias) 2. 모델의 용량 (Model capacity) 2-1. 모델 용량과 과소적합/과적합 2-2. 표현 용량 (Representational capacity) 2-3. 적절한 모델 선택 (Optimal model selection) 3. 정규화 기법 (Regularization techniques) 3-1. 데이터 증강 (Data augmentation) 3-2. 교차 검증 (Cross validation) 3-3. L1/L2 정규화 3-4. 드롭아웃 (Dropout) Chapter 4. 딥러닝 모델 1 (Deep learning models 1) 1. 분자 표현법 (Molecular representation) 1-1. 분자 지문 1-2. SMILES 2. 합성곱 신경망 (Convolution Neural Network; CNN) 2-1. 심층 신경망의 단점 2-2. 합성곱 신경망의 기본 개념 2-3. 합성곱 연산 2-4. 다중 채널 (Multiple Channel) 2-5. 풀링 (Pooling) 2-6. 심층 신경망과 합성곱 신경망의 비교 2-7. 패딩(Padding) 2-8. 합성곱 신경망 2-9. 3차원 합성곱 신경망과 신약개발 분야에서의 응용 2-10. 3차원 합성곱 신경망 기반 신약개발 연구 사례 3. 순환 신경망 (Recurrent Neural Network, RNN) 3-1. 왜 순환 신경망이 필요한가? 3-2. 순환 신경망 원리 3-3. 순환 신경망 연산 3-4. 순환 신경망의 가중치 공유 방식 3-5. 자기회귀 구조와 확률적 시퀀스 모델링 3-6. 순환 신경망 연산 예시 3-7. 순환 신경망에서의 기울기 소실 문제 3-8. LSTM (Long Short-Term Memory) 3-8. LSTM구조적 복잡성과 GRU의 등장 Chapter 5. 딥러닝 모델 2 (Deep learning models 2) 1. 귀납적 편향의 개념 및 역할 1-1. 귀납적 편향 (Inductive bias) 1-2. 관계적 추론 (Relational reasoning) 1-3. 완전 연결 신경망과 가중치 공유 1-4. 합성곱 신경망과 순환 신경망에서의 가중치 공유 1-5. 귀납적 편향의 역할 2. 그래프 신경망 (Graph Neural Network, GNN) 2-1. 소셜 네트워크 예제 2-2. 그래프 표현 (Graph representations) 2-3. 분자 표현 (Molecular representation) 2-4. 분자 그래프 2-5. 원자 특징 행렬 (Atom feature matrix) 2-6. 인접 행렬 (Adjacency Matrix) 2-7. 그래프 합성곱 신경망 (Graph Convolutional Network; GCN) 2-8. 그래프 합성곱 신경망에서 은닉 상태 업데이트 2-9. 그래프 합성곱 신경망의 일반화된 업데이트 방식 2-10. 합성곱 신경망과 그래프 신경망 비교 2-11. 리드아웃(Readout) 과정 2-12. 리드아웃의 특징 및 구현 방식 2-13. 그래프 합성곱 신경망의 전체 구조 2-14. 귀납적 편향의 요약 2-15. 가상 탐색 적용 사례 2-16. 그래프 합성곱 신경망 모델을 활용한 예제 연구 2-17. 거리 인식 그래프 어텐션 신경망 (Distance-aware Graph Attention Network) 2-18. 거리 인식 그래프 어텐션 신경망의 상호작용 효과 2-19. 상호작용 효과를 반영한 차감 2-20. 데이터셋 구성 2-21. 결합 포즈 예측 결과 2-22. DUD-E 데이터셋 결과 2-23. 일반화 문제 Chapter 6. 생성 AI 기반 약물 설계 (Generative AI for drug design) 1. 생성 AI의 개념 1-1. 생성 AI란 무엇인가? 1-2. 약물 발견에 미치는 영향 2. 지도 학습과 비지도 학습 3. 생성 AI의 핵심 개념 4. 생성 모델의 분류 5. Kullback-Leibler (KL) 발산 6. 오토인코더 (AE)와 변분 오토인코더 (VAE) 6-1. 오토인코더 (AutoEncoder, AE) 6-2. 변분 오토인코더 (Variational AutoEncoder, VAE) 7. 생성적 적대 신경망 (Generative Adversarial Network; GAN) 8. 생성 AI 기반 분자 설계 사례 연구 Chapter 7. 향후 전망 1. 바이오 분야에서 딥러닝의 급격한 발전 2. 멀티모달 AI의 출현 3. 합성 및 실험 자동화 로봇의 등장 4. 자율 약물 설계 (Autonomous drug design) 5. AI 에이전트 6. AI 기반 신약 개발의 약속과 한계 참고문헌 보충자료

출처: 국립중앙도서관 서지정보