Professor

-

Learning Period

10-24-2025 ~ 12-31-2029

Course Introduction

성명 박계명 소속기관 울산과학기술원 강의 명 (주제) 차세대 면역치료제 개발을 위한 인실리코 면역계 모델링 학습목표 최근 많은 다양한 질환들(암, 감염병, 자가면역(염증)질환)에서 면역계를 직접 표적으로 하는 면역치료법이 주요 치료방법으로 대두되고 있다. 그러나 각 질환에 관여하는 면역계의 복잡계적 특징으로 인하여 주요 분자 및 세포 타겟 발굴과 각 환자에 대한 면역치료 반응에 대한 예측에 어려움이 있다. 본 강의에서는 본 강의자의 연구 분야인 시스템 면역학적 관점에서 면역계의 행동에 대한 예측적 이해를 위한 인실리코 면역계 모델링 전반을 다루고 이 시도가 어떻게 차세대 면역치료제 개발을 가속화할 수 있을지 고찰하고자 한다. 분야 AI Bio □ Chem Drug 단계 심화

Students

32

Professor

-

Learning Period

09-04-2025 ~ 12-31-2029

Course Introduction

성명 김권일 소속기관 경희대학교 생물학과 강의 명 (주제) 멀티오믹스 데이터를 활용한 암 면역원성 분석 실습 학습목표 멀티오믹스 데이터와 AI 기술을 기반으로 암 면역원성에 대한 최신 연구 동향을 이해하고, 신생항원 예측, digital cytometry, 면역세포 클러스터링 등의 분석 기법을 실습함으로써, 공개된 암 멀티오믹스 데이터를 활용해 종양의 면역원성 양상을 해석하는 역량을 기른다. 분야 ■ AI ■ Bio □ Chem □ Drug 단계 기초

Students

42

Professor

-

Learning Period

11-25-2024 ~ 12-31-2029

Course Introduction

성명 빈진혁 소속기관 연세대학교 의과대학 강의 명 (주제) ML/AI 기반 유전체-단백체 멀티오믹스 통합분석 방법론 학습목표 최근 바이오텍 기술의 발전으로 인해 다양한 레벨의 생명정보 데이터들이 생성 및 축적되고 있으며, 이러한 데이터들을 통합 분석하는 방법론들도 인공지능 기술의 발달과 더불어 활발하게 개발되고 있다. 본 강의에서는 유전체/전사체/단백체 데이터들이 통합되는 방법론과 실제 개발된 툴들을 사용해봄으로써 데이터 통합에 대한 이해 및 경험을 쌓는 것을 목표로 한다. 분야 □ AI ■ Bio □ Chem □ Drug 단계 심화

Students

279

Professor

-

Learning Period

09-12-2024 ~ 12-31-2029

Course Introduction

성명 김선, 이선호 소속기관 서울대학교, 아이겐드럭 강의 명 (주제) Deep learning models for drug response prediction 학습목표 약물 반응성 예측의 주요 원리와 연구 동향을 파악하고, 인공지능 약물 반응성 예측을 위한 딥러닝 방법론 및 주요 데이터베이스를 포괄적으로 학습하여 이를 실제 연구에 적용할 수 있는 기본 능력을 배양한다. 분야  AI 단계 심화

Students

139

Professor

-

Learning Period

03-01-2024 ~ 12-31-2025

Course Introduction

강의 소개 및 개요입니다. 성명 김태민 소속기관 가톨릭대학교 과목명 Big data in precision oncology 강의시간 2 학습목표 1. 대표적인 암유전체데이터베이스인 TCGA/ICGC를 통해 big data의 개요 및 구조를 학습한다   강의 선수과목 및 준비사항입니다. 선수과목  Introduction to NGS data analysis, Genomics analysis, Gene expression analysis, RNA-seq/single cell RNA analysis 참고자료  - 준비사항  -

Students

179

Professor

-

Learning Period

03-01-2024 ~ 12-31-2025

Course Introduction

강의 소개 및 개요입니다.  성명 김태민 소속기관 가톨릭대학교 과목명 Multiomics analysis 강의시간 2 학습목표 1. 대표적인 암유전체데이터베이스인 TCGA data를 통해 multiomics분석의 특성 및 실제 응용기법들을 학습한다.   강의 선수과목 및 준비사항입니다. 선수과목 Gene expression analysis, RNA-seq/single cell RNA analysis, Cancer genome analysis  참고자료  - 준비사항  -  

Students

181

Professor

-

Learning Period

03-01-2024 ~ 12-31-2025

Course Introduction

강의시간 강의내용 실습여부 1 질병 멀티오믹스 데이터에 클러스터링 및 네트워크 분석을 활용한 최신 연구   2 멀티오믹스 데이터 클러스터링 분석의 기초 개념과 적용 사례   3 멀티 오믹스 데이터에 대한 네트워크 분석 적용의 기초 개념과 적용 사례   4 NMF 클러스터링 중심의 멀티오믹스 데이터 클러스터링 분석 실습 O 5 MOFA tool을 활용한 멀티오믹스 데이터 클러스터링 분석 및 해석 실습 O 6 PHONEMES tool을 활용한 멀티오믹스 데이터 네트워크 분석 및 해석 실습 O

Students

75

Professor

-

Learning Period

03-01-2024 ~ 12-31-2025

Course Introduction

강의시간 강의내용 실습여부 1 차원축소의 개념과 필요성   2 차원축소의 수학적 원리   3 주요 차원축소 모델 구조(PCA, LDA, ICA, NMF, t-SNE 등)   4 주요 차원축소 모델 활용 실습 (가능 시 멀티오믹스 예제 활용) O

Students

78

Professor

-

Learning Period

03-01-2024 ~ 12-31-2025

Course Introduction

강의 소개 및 개요입니다.  성명 김선, 이도훈 소속기관 서울대학교 과목명 인공지능을 활용한 멀티오믹스 기반 바이오마커 발굴 강의시간 2 강의 소개 본 강의는 총 2강으로 구성된다. 제 1강 “멀티오믹스 바이오마커의 주요 원리 및 연구 동향 소개” 에서는 유전체(genome), 전사체(transcriptome), 후성유전체(epigenome), 단백체(proteome) 및 생물학적 네트워크(biological network) 관점의 특성이 바이오마커로 기능할 수 있는 원리를 알아보고, 관련 연구 동향을 소개한다. 제 2강 “멀티오믹스 바이오마커 발굴을 위한 인공지능/기계학습 방법론 및 대규모 데이터베이스 소개” 에서는 전통적 기계학습, 네트워크 기반 알고리즘, 그리고 인공지능에 기반한 바이오마커 발굴 방법론들을 계산적 측면에서 심도있게 다루며, 나아가 해당 방법론의 적용을 위한 대규모 생물학 데이터베이스들을 포괄적으로 소개한다. 강의 목적 멀티오믹스 바이오마커의 주요 원리와 연구 동향을 파악하고, 바이오마커 발굴을 위한 인공지능/기계학습 방법론 및 대규모 생물정보 데이터베이스를 포괄적으로 학습하여 이를 실제 연구에 적용할 수 있는 기본 능력을 배양한다.

Students

415