AI 신약개발 첫걸음 이론부터 응용까지

신약개발을 혁신하고 있는 인공지능 기술의 실험기법부터

딥러닝 모델링 기술을 종합적으로 정리한 매우 유용한 정보를 담고 있다.

인공지능 신약개발의 매우 유용한 입문서가 될 것으로 확신한다

_김선 I 서울대학교 교수

지은이 : 한국제약바이오협회 AI신약연구원

한국제약바이오협회 AI신약연구원이다.

지은이 : 김우연

한국제약바이오협회 AI신약연구원이다.

책을 펴내며

머리말

추천의 말

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 신약개발 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. LSTM 구조적 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