크레마클럽

책을 펴내며머리말추천의 말Chapter 1. 신약개발의 기본 개념1. 질병과 신약개발1-1. 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 저하2. 컴퓨터 기반 신약개발과 인공지능2-1. 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 단점2-5. AI 기반 신약개발 가속화2-6. CADD기술의 발전과 생성형 AI의 등장3. 요약Chapter 2. 딥러닝 입문 (Introduction to deep learning)1. 개요2. 선형 회귀 방법2-1. 선형 회귀2-2. 비용함수 (Cost function)2-3. 경사 하강법2-4. 볼록 함수 (Convex function)2-5. 경사 하강법 알고리즘2-6. 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 비용함수3-5. 다중분류와 softmax 함수4. 딥러닝의 개념 (Concept of deep learning)4-1. 딥러닝의 개념4-2. 왜 딥러닝인가?4-3. 인공 신경망 (Artificial neural network)4-4. 퍼셉트론 (Perceptron)4-5. 논리 게이트 (Logic gate)5. 다층 구조 퍼셉트론5-1. 다층 구조 퍼셉트론의 개념5-2. 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 예측7. 역전파 기반 학습7-1. 역전파 기본 개념7-2. 확률적 경사 하강법7-3. 역전파 과정Chapter 3. 정규화 방법 (Regularization)1. 일반화 (Generalization)1-1. 일반화에 대한 기본 개념1-2. 과소적합과 과적합 (Underfitting and overfitting)1-3. 분산과 편향 (Variance and bias)2. 모델의 용량 (Model capacity)2-1. 모델 용량과 과소적합/과적합2-2. 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 정규화3-4. 드롭아웃 (Dropout)Chapter 4. 딥러닝 모델 1 (Deep learning models 1)1. 분자 표현법 (Molecular representation)1-1. 분자 지문1-2. SMILES2. 합성곱 신경망 (Convolution Neural Network; CNN)2-1. 심층 신경망의 단점2-2. 합성곱 신경망의 기본 개념2-3. 합성곱 연산2-4. 다중 채널 (Multiple Channel)2-5. 풀링 (Pooling)2-6. 심층 신경망과 합성곱 신경망의 비교2-7. 패딩 (Padding)2-8. 합성곱 신경망2-9. 3차원 합성곱 신경망과 신약개발 분야에서의 응용2-10. 3차원 합성곱 신경망 기반 신약개발 연구 사례3. 순환 신경망 (Recurrent Neural Network; RNN)3-1. 왜 순환 신경망이 필요한가?3-2. 순환 신경망 원리3-3. 순환 신경망 연산3-4. 순환 신경망의 가중치 공유 방식3-5. 자기회귀 구조와 확률적 시퀀스 모델링3-6. 순환 신경망 연산 예시3-7. 순환 신경망에서의 기울기 소실 문제3-8. LSTM (Long Short-Term Memory)3-8. LSTM 구조적 복잡성과 GRU의 등장Chapter 5. 딥러닝 모델 2 (Deep learning models 2)1. 귀납적 편향의 개념 및 역할1-1. 귀납적 편향 (Inductive bias)1-2. 관계적 추론 (Relational reasoning)1-3. 완전 연결 신경망과 가중치 공유1-4. 합성곱 신경망과 순환 신경망에서의 가중치 공유1-5. 귀납적 편향의 역할2. 그래프 신경망 (Graph Neural Network; GNN)2-1. 소셜 네트워크 예제2-2. 그래프 표현 (Graph representations)2-3. 분자 표현 (Molecular representation)2-4. 분자 그래프2-5. 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 업데이트2-9. 그래프 합성곱 신경망의 일반화된 업데이트 방식2-10. 합성곱 신경망과 그래프 신경망 비교2-11. 리드아웃(Readout) 과정2-12. 리드아웃의 특징 및 구현 방식2-13. 그래프 합성곱 신경망의 전체 구조2-14. 귀납적 편향의 요약2-15. 가상 탐색 적용 사례2-16. 그래프 합성곱 신경망 모델을 활용한 예제 연구2-17. 거리 인식 그래프 어텐션 신경망 (Distance-aware Graph Attention Network)2-18. 거리 인식 그래프 어텐션 신경망의 상호작용 효과2-19. 상호작용 효과를 반영한 차감2-20. 데이터셋 구성2-21. 결합 포즈 예측 결과2-22. DUD-E 데이터셋 결과2-23. 일반화 문제Chapter 6. 생성 AI 기반 약물 설계 (Generative AI for drug design)1. 생성 AI의 개념1-1. 생성 AI란 무엇인가?1-2. 약물 발견에 미치는 영향2. 지도 학습과 비지도 학습3. 생성 AI의 핵심 개념4. 생성 모델의 분류5. Kullback-Leibler (KL) 발산6. 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 연구Chapter 7. 향후 전망1. 바이오 분야에서 딥러닝의 급격한 발전2. 멀티모달 AI의 출현3. 합성 및 실험 자동화 로봇의 등장4. 자율 약물 설계 (Autonomous drug design)5. AI 에이전트6. AI 기반 신약 개발의 약속과 한계참고문헌보충자료

펼쳐보기접어보기

상세 이미지

저자 소개 (2명)

저 : 김우연

관심작가 알림신청

KAIST 화학과 교수. KAIST 화학과 교수.

저 : 한국제약바이오협회 AI신약연구원

관심작가 알림신청

표준희/ 한국제약바이오협회 AI신약융합연구원 원장. 장수현/ 한국제약바이오협회 AI신약융합연구원 책임연구원. 김관헌/ 한국제약바이오협회 AI신약융합연구원 선임연구원. 이상협/ 한국제약바이오협회 AI신약융합연구원 선임연구원. 표준희/ 한국제약바이오협회 AI신약융합연구원 원장.
장수현/ 한국제약바이오협회 AI신약융합연구원 책임연구원.
김관헌/ 한국제약바이오협회 AI신약융합연구원 선임연구원.
이상협/ 한국제약바이오협회 AI신약융합연구원 선임연구원.

출판사 리뷰

인공지능이 여는 신약개발의 미래복잡한 과정, 이제는 데이터와 AI로 길을 찾는다신약개발은 인류 보건의학의 최전선에 서 있는 핵심 분야이지만, 동시에 가장 도전적인 영역이다. 새로운 약 하나가 세상에 나오기까지는 평균 10년 이상의 시간과 수조 원의 비용이 소요되며, 최종 성공 확률은 10%도 채 되지 않는다. 이러한 비효율성은 오랫동안 제약 산업의 고질적인 문제로 지적되어 왔다. ‘이룸의 법칙(Eroom’s Law)’이라 불리는 현상, 즉 ‘과학기술은 발전하지만 신약개발 효율성은 오히려 떨어지는 역설적 상황’은 오늘날도 여전히 유효하다.이러한 난제를 돌파하기 위한 해법으로 떠오른 것이 바로 인공지능(AI)이다. AI는 방대한 생물학·화학 데이터를 분석해 약물 후보물질을 선별하고, 단백질과 화합물 간 상호작용을 정밀하게 예측하며, 임상 설계의 성공 가능성을 높이는 데 기여한다. 《AI 신약개발 첫걸음》은 이처럼 신약개발의 패러다임을 바꾸고 있는 AI 기술을 종합적으로 소개하는 입문 교재다.저자는 먼저 신약개발의 기본 개념과 약물이 작용하는 기전을 짚어주고, 이어서 단백질 구조 예측, 가상 스크리닝, 리간드 설계 등 핵심 과정을 친절하게 설명한다. 이어 AI가 어떤 방식으로 이 전통적 과정을 단축하고, 비용을 줄이며, 성공 확률을 높이는지를 실제 연구 흐름과 함께 보여준다.AI가 제약 산업의 판을 바꾼다생명과학과 데이터 과학이 만나는 첫 교차점이 책의 가장 큰 강점은 “입문서답게 쉽고 체계적”이라는 점이다. 생명과학·의약학 전공자가 아니어도, AI에 익숙하지 않아도, 독자들은 단계적으로 내용을 따라가며 신약개발과 AI의 만남을 이해할 수 있다. 1장에서는 신약개발의 낮은 성공률과 높은 비용 문제를 소개하며 이를 해결할 혁신으로 AI를 제시한다. 2장에서는 딥러닝의 기본 구조와 역전파와 경사하강법 등 핵심 원리를 살펴 생명과학과 AI의 접점을 마련한다. 3장에서는 정규화·드롭아웃 같은 기법으로 과적합을 방지해 모델 신뢰성을 높이는 방법을 설명한다. 4장에서는 CNN, RNN, GNN 등 최신 신경망 구조의 특성과 신약개발 데이터 처리 방식을 다룬다. 5장에서는 생성형 AI가 신약설계에서 어떤 변화를 일으키는지를 탐구하며 AlphaFold를 통한 분자 설계와 단백질 구조 예측의 혁신을 소개한다. 6장에서는 후보물질 탐색, 독성 예측, ADME-T 분석 등 신약개발 전주기에 걸친 AI 응용을 다룬다. 7장에서는 멀티모달 AI, 자율 실험실, 양자컴퓨팅 등 미래 전망을 제시하며 AI가 신약개발 패러다임을 바꾸는 동력임을 강조한다.《AI 신약개발 첫걸음》은 단순한 기술 해설을 넘어, 신약개발이라는 실제 산업 현장에서 AI가 어떻게 적용될 수 있는지를 구체적으로 제시한다. 따라서 제약·바이오 연구자뿐 아니라, 대학원생, AI 연구자, 투자자에게도 반드시 필요한 길잡이가 될 것이다.

펼쳐보기접어보기