생명과학을 위한 딥러닝
News
Book
생물학, 유전체학, 신약 개발에 적용하는 실무 딥러닝
- 분자 데이터에 머신러닝을 적용하는 방법
- 딥러닝으로 유전학/유전체학 분석하기
- 딥러닝으로 생물물리학 시스템 이해
- DeepChem 라이브러리 소개
- 딥러닝을 사용한 현미경 이미지 분석
- 딥러닝을 사용한 의료 이미지 분석
- VAE와 GAN 모델
- 머신러닝 모델의 작동 원리 해석
1 목차
- 1장. 왜 생명과학인가?
- 딥러닝은 왜 필요한가?
- 현대 생명과학은 빅데이터를 다룬다
- 무엇을 배우는가?
- 2장. 딥러닝 소개
- 선형 모델
- 다층 퍼셉트론
- 모델 학습하기
- 검증하기
- 정규화
- 하이퍼파라미터 최적화
- 다른 유형의 모델들
- 합성곱 신경망
- 순환 신경망
- 3장. DeepChem을 이용한 머신러닝
- DeepChem의 기본 데이터셋
- 독성 분자 예측 모델 만들기
- MNIST 데이터셋으로 필기 인식 모델 만들기
- MNIST 필기 인식 데이터셋
- 합성곱 신경망으로 필기 인식하기
- 소프트맥스와 소프트맥스 교차 엔트로피
- 4장. 분자 수준 데이터 다루기
- 분자란 무엇인가?
- 분자 간 결합
- 분자 그래프
- 분자 구조
- 분자 카이랄성
- 분자 데이터 피처화
- SMILES 문자열과 RDKit
- 확장 연결 지문
- 분자 표현자
- 그래프 합성곱
- 용해도 예측 모델
- MoleculeNet
- SMARTS 문자열
- 분자란 무엇인가?
- 5장. 생물물리학과 머신러닝
- 단백질의 구조
- 단백질 서열
- 단백질 3차원 구조를 예측할 수 있을까?
- 단백질-리간드 결합
- 생물물리학적 피처화
- 그리드 피처화
- 원자 피처화
- 생물물리학 데이터 사례 연구
- PDBBind 데이터셋
- PDBBind 데이터셋 피처화
- 단백질의 구조
- 6장. 유전학과 딥러닝
- DNA, RNA, 단백질
- 실제 세포 내에서 일어나는 일
- 전사인자의 결합
- 전사인자의 결합을 예측하는 합성곱 모델
- 염색질 접근성
- RNA 간섭
- 7장. 현미경을 위한 딥러닝
- 현미경에 대한 간략한 소개
- 현대의 광학현미경
- 회절 한계
- 전자현미경과 원자현미경
- 초고해상도 현미경
- 딥러닝과 회절 한계
- 현미경을 위한 시료 준비
- 시료 염색하기
- 시료 고정
- 시료 절편 가공
- 형광현미경
- 시료 준비 과정의 영향
- 딥러닝 활용법
- 세포수 측정
- 세포주란 무엇인가?
- 세포 구별하기
- 머신러닝과 실험
- 현미경에 대한 간략한 소개
- 8장. 의료 체계를 위한 딥러닝
- 컴퓨터 지원 질병 진단
- 베이즈 네트워크를 이용한 불확실성 예측
- 전자 건강 기록
- ICD-10 코드
- 비지도 학습이란 무엇인가?
- 거대 전자 건강 기록 데이터베이스의 위험성
- 방사선학을 위한 딥러닝
- X선 촬영과 CT 촬영
- 조직학
- MRI 촬영
- 치료법으로서의 머신러닝
- 당뇨망막병증
- 9장. 생성 모델
- VAE
- GAN
- 생명과학에 생성 모델 응용하기
- 신약 후보 물질 찾기
- 단백질 엔지니어링
- 과학적 발견을 위한 도구
- 생성 모델의 미래
- 생성 모델 사용하기
- 생성 모델 결과 분석
- 10장. 딥러닝 모델의 해석
- 예측값 설명하기
- 입력값 최적화하기
- 불확실성 예측하기
- 해석 가능성, 설명 가능성, 실제 결과
- 11장. 가상 선별검사
- 예측 모델을 위한 데이터셋 준비
- 머신러닝 모델 학습하기
- 예측을 위한 데이터셋 준비하기
- 예측 모델 적용하기
- 12장. 딥러닝의 미래와 전망
- 질병 진단
- 맞춤 의학
- 신약 개발
- 생물학 연구