Professor

-

Learning Period

03-01-2024 ~ 12-31-2024

Course Introduction

강의 소개 및 개요입니다. 성명 남호정 소속기관 GIST 과목명 Lecture : AI in Predicting Drug-protein Interaction(sequence-based) 강의시간 2 학습목표 1. 단백질 서열을 사용하여 화합물-단백질 상호작용을 예측하는 다양한 방법론을 학습한다.2. 기계학습, 딥러닝 기반 화합물-단백질 상호작용 예측 모델들에 대해 학습한다.   강의 선수과목 및 준비사항입니다. 선수과목 Deep Learning Advanced (inductive bias, self-supervised learning, semi-supervised learning, Attention, Transformeretc.)Graph Deep Learning(GCN, GAT, GIN, GGNN, MPNN, etc.) 참고자료 doi: 10.1093/bib/bbz157doi: 10.1093/bib/bbab046 준비사항  Colab 접속 가능 환경

Students

95

Professor

-

Learning Period

03-01-2024 ~ 12-31-2024

Course Introduction

강의 소개 및 개요입니다.  성명 김현욱 소속기관 KAIST 과목명 Disease-Target-Drug relationship analysis from multi-dimensional data 강의시간  1시간 학습목표 1. 소프트웨어 사용을 위한 컴퓨팅 환경 학습2. 약물상호작용, 약물부작용 등 다양한 약물반응의 예측을 위한 머신러닝 기반 프로그램 소개   강의 선수과목 및 준비사항입니다. 선수과목  AI 기초 (Python programing, machine learning); Chemoinformatics 분야 기초 (molecular representation 관련) 및 중급 과목 (특히 RDKit 관련) 참고자료  프로그램 관련 논문들 준비사항  -

Students

34

Professor

-

Learning Period

03-01-2024 ~ 12-31-2024

Course Introduction

강의 소개 및 개요입니다. 성명 류성옥 소속기관 Galux 과목명 Graph Neural Networks for Molecular Property Prediction 강의시간 7 학습목표 1. Python 언어의 기본 문법을 익혀 기본적인 코딩을 할 수 있다2. Python 프로그래밍에서 필요한 기초적인 변수, 연산, 문자열, 조건문, 반복문, 함수 등을 학습한다.   강의 선수과목 및 준비사항입니다. 선수과목   참고자료  * GNN github repository, https://github.com/SeongokRyu/Graph-neural-networks* Bayesian learning github repository, https://github.com/SeongokRyu/Bayesian-deep-learning* Reliable GNN github repository, https://github.com/AITRICS/mol_reliable_gnn 준비사항  PyTorch 를 설치 및 활용가능한 노트북, 혹은 Google Colab 활용Dataset은 MoleculeNet 및 Therapeutic Data Commons 의 open benchmark를 활용예정

Students

65

Professor

-

Learning Period

03-01-2024 ~ 12-31-2024

Course Introduction

강의시간 강의내용 실습여부 1 -  Why CNNs, MLPs, RNNs are insufficient for non-Euclidean data -  Neural network for graphs & sets -  Euclidean transformations, invariance, and equivariance   2 -  Invariant geometric GNNs (SchNet, DimeNet, and SphereNet) -  Simple equivariant geometric GNNs (EGNN and NequIP) O 3 -  Local frame-based geometric GNNs (ClofNet and LEFTNet) -  Frame averaging for geometric GNNs (Frame averaging, FAENet) O 4 -  Steerable features, rreducible representations, Wigner-D matrix, spherical harmonics, Clebsch-Gordan tensor product -  Steerable geometric GNNs (Tensor field network, SE(3)-Transformer)   5 - Steerable geometric GNNs (Equiformer, MACE, eSCN, EquifomerV2) O

Students

44

Professor

-

Learning Period

03-01-2024 ~ 12-31-2024

Course Introduction

강의 소개 및 개요입니다. 성명 김동섭 소속기관 KAIST 과목명 QSAR 강의시간 5 학습목표 1. QSAR 모델 개발 과정2. 화합물구조의 수식화와 Descriptors3. QSAR를 위한 기계학습법4. Bioactivity prediction5. Proteochemometric modeling

Students

111

Professor

-

Learning Period

03-01-2024 ~ 12-31-2024

Course Introduction

강의 소개 및 개요입니다. 성명 김상욱 소속기관 포항공과대학교 생명과학과 과목명 기계학습 및 네트워크 구조를 활용한 정밀의학 강의시간 2시간 학습목표 현재 정밀의료를 위한 바이오의약품 개발의 어려움과 이를 극복하기 위한 네트워크 정밀의학 방법론을 이해를 높임   강의 선수과목 및 준비사항입니다. 선수과목 일반생명, 생화학 참고자료 Network-based machine learning in colorectal and bladder organoid models predicts anti-cancer drug efficacy in patients. Nat Commun. 2020 Oct 30;11(1):5485. doi: 10.1038/s41467-020-19313-8. 준비사항   -   

Students

27

Professor

-

Learning Period

03-01-2024 ~ 12-31-2024

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

30

Professor

-

Learning Period

03-01-2024 ~ 12-31-2024

Course Introduction

강의 소개 및 개요입니다. 성명 김재훈 소속기관 카카오브레인 과목명 단백질 언어 모델을 활용한 컨텍트 예측 강의시간 2시간 학습목표 Pre-training 개념을 이해한다. 단백질 서열 데이터를 전처리하여 딥러닝 언어 모델에 학습시킬 수 있다. 학습된 결과를 예측모델에 적용할 수 있다.   강의 선수과목 및 준비사항입니다. 선수과목 Python 참고자료 논문: Biological structure and function emerge from scaling unsupervised learning to 250 million protein sequences 준비사항 Jupyter notebook 환경

Students

34

Professor

-

Learning Period

03-01-2024 ~ 12-31-2024

Course Introduction

강의 소개 및 개요입니다. 성명 석차옥 소속기관 서울대학교 과목명 신약개발을위한단백질구조예측및상호작용예측 강의시간 11 학습목표 1. 첨단 단백질 구조 예측 및 상호작용 예측의 원리를 배우고 예측 가능 범위를 파악한다.2. 신약개발에 활용될 수 있는 관련 소프트웨어 및 웹서버 활용법에 대해 익힌다.   강의 선수과목 및 준비사항입니다. 선수과목  선수과목 또는 관련과목 참고자료  https://www.rcsb.org/ Muhammed, Muhammed Tilahun, and Esin Aki‐Yalcin. "Homology modeling in drug discovery: Overview, current applications,and future perspectives." Chemical biology & drug design 93.1 (2019): 12-20.Ovchinnikov, Sergey, et al. "Protein structure determination using metagenome sequence data." Science 355.6322 (2017): 294- De Vivo M et al. Role of Molecular Dynamics and Related Methods in Drug Discovery. J. Med. Chem. (2016). Leaver-Fay A, Tyka M, Lewis SM, Lange OF, Thompson J, et al. "Rosetta3 an object-oriented software suite for the simulationand design of macromolecules". Methods Enzymol 487 (2010): 545–574.; Schoeder C T et al. "Modeling Immunity with Rosetta:Methods for Antibody and Antigen Design" Biochemistry 60 (2021): 825−846. C Norn et al, Protein sequence design by explicit energy landscape optimization. PNAS 2021. Mason, Derek M., et al. "Optimization of therapeutic antibodies by predicting antigen specificity from antibody sequence via deeplearning." Nature Biomedical Engineering 5.6 (2021): 600-612.https://wenmr.science.uu.nl/prodigy/https://zhanglab.dcmb.med.umich.edu/SSIPe/ 준비사항  노트북 사용, 사이트 가입, 프로그램 설치 등 준비사항 : FoldIt 웹사이트 가입 (https://fold.it/) : trDesign (https://github.com/gjoni/trDesign) 및 tensorflow 1.13 or 1.14

Students

207

Professor

-

Learning Period

03-01-2024 ~ 12-31-2024

Course Introduction

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  

Students

59