홈앤서비스 SK BROADBAND

『AI 신약개발 첫걸음』은 인공지능이 제약바이오산업의 패러다임을 어떻게 바꾸고 있는지를 설명하는 입문서다. 전통적으로 신약 개발에는 10년 이상의 시간과 막대한 비용, 수많은 실패가 뒤따르지만, AI는 방대한 데이터를 분석해 후보물질을 발굴하고 단백질 구조와 약물 작용을 예측하며 임상 성공률을 높이는 혁신 도구로 주목받고 있다. 이 책은 신약개발의 기본 개념과 단백질·질병·약물의 상호작용, 약물 탐색·최적화·임상시험 과정까지 차근차근 짚는다. 또한 딥러닝 원리와 CNN·RNN·GNN 같은 신경망 구조, 생성형 AI를 통한 신약 설계까지 연결해 독자가 전체 흐름을 입체적으로 이해하도록 돕는다. 학생, 연구자, 산업 종사자 모두에게 기초와 실무를 아우르는 길잡이가 되며, AI 기반 제약바이오 혁신의 출발점이 되는 책이다.

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