-
건강/실용
-
의학
-
생명과학
-
치의학
-
수의학
-
간호학
-
보건
-
수험서
-
Sports
-
E-Book
-
MedCalc
도서 소개
AI 신약개발, 무엇부터 배우고 연구에 어떻게 적용할 것인가?
분자 데이터 처리부터 후보물질 최적화까지
실제 코드 예제로 익히는 AI 신약개발 핵심 파이프라인
AI는 이제 신약개발 전 과정을 변화시키는 핵심 동력이다. 타겟 발굴, 후보물질 탐색, 독성 예측, 임상 설계, 데이터 기반 의사결정에 이르기까지 연구의 속도와 성공 가능성을 높이는 실질적인 도구로 활용되고 있다.
그러나 현장에는 여전히 ‘무엇부터 배워야 하는가?’, ‘도킹 점수를 실제 실험으로 어떻게 이어야 하는가?’라는 질문이 남아 있다.
기존 자료는 딥러닝 이론과 라이브러리 사용법에 치우치거나 신약개발 이론에 머물러, 두 분야가 실제 연구에서 어떻게 연결되는지 충분히 보여주지 못하는 경우가 많다. 그 사이에서 연구자는 코드 앞에서, 데이터 과학자는 약학적 맥락 앞에서 막히기 쉽다.
약학·의학·유전공학·컴퓨터공학·통계학 등 서로 다른 분야를 전공한 세 저자가 각자의 연구와 실무 경험을 바탕으로 집필한 이 책은 이러한 간극을 메우는 실전 안내서다.
분자·단백질 데이터를 활용해 실험에서 우선 검증할 후보물질을 찾고 평가하는 과정을 코드로 직접 익힌다.
학습은 Python·Linux·통계·약학의 기초에서 시작해 SMILES와 RDKit을 이용한 분자 처리, FASTA와 PDB를 이용한 단백질 분석, 공개 데이터 수집과 정제, 모델링용 데이터셋 구축으로 이어진다.
실습은 Google Colab에서 실행할 수 있도록 구성했다.
이어 화합물의 구조·활성 데이터로 후보를 예측하는 리간드 기반 신약설계와 단백질의 3차원 구조로 결합 양상을 분석하는 구조 기반 신약설계를 함께 다룬다.
리간드 기반에서는 QSAR·ChemBERTa·GNN 모델링을, 구조 기반에서는 타겟 구조 선정, 도킹 검증, 가상 탐색과 후보물질 최적화를 실제 코드로 익힌다.
각 실습에서는 계산 결과의 의미와 한계를 함께 설명한다. 도킹 점수와 물성·활성 예측값을 효능이나 안전성의 증거가 아닌 실험 우선순위를 정하기 위한 지표로 해석하고, 어떤 후속 검증이 필요한지 판단하는 관점을 제시한다.
마지막 장에서는 AlphaFold 3 이후의 구조생물학, 생성형 AI와 과학 연구 에이전트, 자율주행 실험실을 살펴본다. AI 신약 후보물질의 임상 성패, K-MELLODDY와 FDA·EMA의 AI 활용 원칙까지 최신 기술·산업·규제 동향을 함께 다룬다.
저자 소개
강성준
성균관대학교 유전공학과를 졸업하고 서울대학교 의과학과에서 의학박사 학위를 취득했다.
피비이뮨테라퓨틱스 R&;D팀장으로 국가신약개발사업(KDDF) 정부과제와 다발성경화증 영장류 모델 연구 등 치료용 항체 개발 프로그램을 이끌었으며, 연세대학교에서 의료영상·임상데이터 통합 딥러닝 및 LLM 연구에 참여했다.
알츠하이머병의 뇌 침윤 T세포 연구를 비롯해 SCI(E) 등재 학술지에 총 18편의 논문을 게재하고, 신약개발 관련 특허 2건을 출원했다. 핵심 연구 분야는 단일세포·공간전사체 다중오믹스, 신경면역, 의료 LLM이다.
불완전하고 고차원적인 실험 데이터에서 세포의 특성과 상호작용을 분석하고, 생물학적 증거와 계산모델의 예측을 통합하여 AI 신약개발의 성공률을 높이는 데 기여하고자 한다.
김도균
서울대학교 제약학과를 졸업하고 약사 면허를 취득했으며, 한국방송통신대학교에서 컴퓨터공학 학사와 통계학 석사 학위를 취득했다.
중외제약 R&;D 기획팀을 거쳐 현재 삼성전자에서 체외진단 제품과 디지털 제조·품질 시스템을 개발하고 있다.
체외진단키트와 MES 개발, 딥러닝 기반 비전검사, 의료기기 성능평가·검증 소프트웨어, 생산 설비와 MES를 연계한 전수검사 자동화 시스템 구축 등의 업무를 수행해 왔다.
주요 관심 분야는 AI 신약개발, 분자 데이터 분석, 가상탐색, ADMET 평가, 약물 재창출 등이다.
동반진단 장비 개발, 랩 자동화, 지능형 진단 시스템에도 관심을 두고 있으며, AIDD 지식과 연구 과정을 실무형 콘텐츠와 연구근거 관리 도구로 구현하는 작업을 이어가고 있다.
한진선
Queen Mary University of London에서 화학을 전공하고 University of London에서 컴퓨터공학 석사 학위를 취득했다.
대학병원의 임상 데이터와 유전체 데이터를 결합한 임상유전체 및 약리학 기반 연구와 AI 기반 신약 후보물질 발굴·분자 설계 연구를 수행했다.
국책과제와 산학협력 프로젝트에서 의료·바이오 연구와 트랜스포머 기반 약물 스크리닝 시스템 개발을 담당했으며, 복잡한 계산 모듈을 실행하는 에이전트 기반 워크플로를 설계해 연구 자동화와 재현성 향상에 기여했다.
AI 신약개발, 화학정보학, agentic AI, 연합학습을 중심으로 AI 기술과 생명과학의 간극을 좁히고, 실제 연구 문제를 해결하는 데 필요한 시스템을 구현하는 실전형 연구자를 지향한다.
CHAPTER 01 인공지능과 신약개발의 융합 p.1
1.1 서론: 인류의 생존 투쟁과 신약의 본질적 가치
1.2 AI를 통한 패러다임의 전환: '발견'에서 '설계'로
1.3 AI 기반 신약개발의 기술적 원리와 진화
1.4 신약개발 전주기 혁신 프로세스
1.5 실제 성공 사례: 가능성을 현실로
1.6 글로벌 생태계와 시장 역학
1.7 본 개론서의 목적: 인류 건강 수명의 새로운 지평
CHAPTER 02 AI 신약개발을 위한 4대 기초 역량 p.19
2.1 Python 기초 다지기
2.2 Linux 기초 다지기
2.3 통계 기초 다지기
2.4 약학 기초 다지기
부록
CHAPTER 03 인공지능 신약개발의 기초 p.115
3.1 분자 다루기
3.2 단백질 다루기
3.3 데이터 다루기
CHAPTER 04 리간드 기반 신약설계(LBDD) 실무 p.221
4.1 머신러닝 기반 QSAR 모델링
4.2 ChemBERTa: 화학을 위한 언어 모델
4.3 그래프 신경망
부록
CHAPTER 05 구조 기반 신약설계(SBDD) 실무 p.345
5.1 타겟 발굴
5.2 초기 화합물 평가
5.3 타겟 결합 예측
5.4 대규모 탐색
5.5 후보물질 최적화
CHAPTER 06 최신 동향: AI 신약개발의 기술적 특이점과 산업적 재편 p.497
6.1 가능성의 시대를 넘어 증명의 시대로
6.2 구조 생물학의 혁명과 알파폴드 모멘텀
6.3 에이전트 AI와 자율주행 실험실: 연구의 자동화를 넘어 자율화로
6.4 글로벌 AI 신약 임상 현황
6.5 대한민국 AI 신약개발: 도약과 과제
6.6 규제, 정책 및 향후 전망
6.7 맺음말
| 배송업체 | CJ대한통운 (1588-1255) |
|---|---|
| 배송비 | 3,000원 (3만원 이상 구매시 무료배송) |
| 반품배송비 | 편도 3,000원 (최초 배송비 무료인 경우 6,000원 부과) |
| 교환/반품 접수방법 |
|
| 교환/반품 주소지 | 경기 파주시 소라지로 108 범문에듀케이션 2층 담당자 앞 / 031-948-0092 |
| 교환/반품 불가 사유 |
|
| 해외주문 도서일 경우 |
|
