5개의 강좌가 검색되었습니다.
교수자/개설자
-
학습기간
2024-03-01 ~ 2024-12-31
강좌소개
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
참여자수
10
머신러닝|
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
37
단백질구조|
강의소개 및 개요입니다. 성명 홍성은(Pytorch, sungkenh@gmail.com) 방준일(Tensorflow, tkfka965@gmail.com ) 소속기관 AI신약융합연구원 과목명 신약 개발을 위한 딥러닝 프레임워크 기초 강의시간 10 학습목표 최근 연구 논문에서 가장 활용도가 높은 Tensorflow, Pytoch 딥러닝 프레임워크를 소개하고, github 활용 방법 및 직접 모델이나 데이터를 수정할 수 있도록 딥러닝 프로그래밍 능력을 기른다. 강의 선수과목 및 준비사항입니다. 선수과목 Python 기초, 딥러닝 기초 참고자료 (도서) 1. 머신 러닝 교과서 with 파이썬, 사이킷런, 텐서플로 2. 파이썬 딥러닝 파이토치(Python Deep Learning PyTorch) (논문) 1. DeepDTA: deep drug–target binding affinity prediction 준비사항 - 아나콘다 설치가 가능한 PC, 노트북, 서버 등(OS, Window, Mac, Linux)
16
강의 소개 및 개요입니다. 성명 이일구 소속기관 팜캐드 과목명 인공지능을 위한 선형대수학 강의시간 5시간 학습목표 인공지능을 위한 기초수학인 선형대수학을 학습한다.선형대수학에서는 간단한 스칼라, 벡터, 텐서의 정의행렬연산, 행렬식, 아이겐밸류, 행렬분해 등을 배운다.그리고 실제 코딩을 통해 이론에서 실습까지 진행한다. 강의 선수과목 및 준비사항입니다. 선수과목 - 참고자료 Deep Learning (Ian Goodfellow, et. al.) 준비사항 Anaconda 환경, jupyter notebook 환경
7
강의시간 강의내용 실습여부 1 천연물 의약품 개발을 위한 예측기술/DB 및 모델링 접근법 소개 - 천연물 개요 및 의약품 개발사례 - 천연물 의약품 개발 연구에 활용 가능한 예측기술 - 천연물 기반 데이터베이스 - 예측모델 개발을 위한 모델링 접근법 2 천연물 데이터 수집 - 천연물 DB 데이터 수집 - PubChem DB를 활용한 분자구조 데이터 수집 - PubChem DB를 활용한 Bioassay 데이터 수집 O 3 예측모델 개발을 위한 구조기반 분자표현자 계산 - 분자표현자 기법 소개 - RDKit을 활용한 분자표현자 계산 - Mordred를 활용한 분자표현자 계산 - PaDELPy를 활용한 분자표현자 계산 - NC-MFP를 활용한 분자표현자 계산 O 4 예측모델 개발을 위한 데이터 전처리 - 데이터 정규화 및 표준화 - 데이터 불균형 문제를 위한 데이터 샘플링 - 데이터 전처리 및 샘플링 기법 구현 O 5 딥러닝 기반 예측모델 개발 및 활용 - 딥러닝 알고리즘 소개 - DNN 알고리즘 구현 - DNN 기반 정량/정성 예측모델 개발 및 성능평가 - DNN 예측모델 활용 O
6
약물탐색모델|
.png)
 (1).png)
.png)
 (1).png)
 (2).png)