AI 신약개발 첫걸음

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

김우연