AI in Predicting Protein-Ligand Interaction (structure-based) 수료증

  • 모집인원1,000명

  • 수강신청기간2024-03-01 ~ 2024-12-31

  • 학습기간2024-03-01 ~ 2024-12-31

로그인하시면 강좌에 등록할 수 있습니다.
강좌 소개

강의 소개 및 개요입니다.

성명

김우연

소속기관

KAIST

과목명

AI in Predicting Protein-Ligand Interaction (structure-based)

강의시간

8

학습목표

1.단백질 구조 기반 Protein-Ligand Interaction 에 대한 다양한 AI 예측 모델들을 살펴본다.

2. 예측의 정확도 및 일반화 측면에서 다양한 방법들의 장단점을 이해한다.

 

강의 선수과목 및 준비사항입니다.

선수과목

al Screening (이주용), Deep learning approach (김동섭), Deep learning frameworks (김학수), Deep learning Basic (김학수 

참고자료

 981 (2019)), GNN-Torg (JCIM, 59, 4131 (2019)), GNN-Jiang(RSCAdv 20, 20701 (2020)), DeepFusion (JCIM, 61, 1583 (2021)), PoseR

준비사항

 x

과정 소개

AI in Predicting Protein-Ligand Interaction (structure-based)

1

[구조기반 단백질-리간드 상호작용 예측 오버뷰]

Structure-based virtual screening 및 딥러닝에 대한 개념을 이해한다.

-Virtual screening 및 Molecular Docking
-딥러닝 개념
-AI 기반 structure-based virtual screening 오버뷰

2

[학습에 활용한 데이터 셋 살펴보기]

AI 모델 학습 및 테스트에 활용할 수 있는 다양한 데이터 셋에 대해 알아본다.

-DUD-E, Chembl, pdbbind, CASF2016
-연산자 소개, 활용하기

3

[3D CNN기반 예측 모델]

3D CNN에 기반한 다양한 모델들에 대해 알아본다.

-3D CNN 방법의 기본 아키텍처 이해
-다양한 방법들의 비교를 통한 장단점 파악

4

[GNN 기반 예측 모델 1]

GNN에 기반한 기본 모델들을 살펴본다.

-GNN 방법의 기본 아키텍처 이해
-기본 GNN 방법들의 장단점 파악

5

[GNN 기반 예측 모델 2]

GNN 기본 모델의 다양한 변형에 대해 알아본다.

-GNN-Contact maps

-binding mode prediction

-GNN-CNN fusion

6

[데이터 편향 및 모델 일반화 한계]

AI 활용에 사용되는 다양한 데이터 셋의 편향 및 모델 일반화에 대해 알아본다.

-데이터 편향 문제

-모델 일반화 문제

7

[Inductive Bias 및 물리 방법 병합]

일반화된 예측 모델 개발을 위한 방법을 살펴본다.

-inductive bias의 개념 이해
-물리 방법 병합 모델 이해

분류
  • 주제
    DTI
  • 분야
    화학 & 화학정보학
  • 실습
    없음 (이론 강의)
  • 활용 단계
    Drug Discovery
교수자/개설자