로봇 공학의 발전으로 수많은 생명과학 실험들은 자동화돼 엄청난 양의 데이터를 만들어 낸다. 현대 생명 과학자들은 거대한 데이터 속에서 숨겨진 패턴을 찾고 지식을 얻어 과학적 결론을 도출해내는 능력이 필요하다.
이 책은 딥러닝을 유전체학부터 신약 개발,질병 진단까지 다양한 생명과학 영역에서 사용하는 방법을 소개한다. 또한 실제로 사용할 수 있는 예제 코드를 제공해 독자들의 시간을 아껴줄 것이다.

[목 차]

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
__더 읽을거리

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
__결론

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
__결론

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
__결론


6장. 유전학과 딥러닝
__DNA, RNA, 단백질
__실제 세포 내에서 일어나는 일
__전사인자의 결합
____전사인자의 결합을 예측하는 합성곱 모델
__염색질 접근성
__RNA 간섭
__결론

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 과학 실험
__결론

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
__결론
____윤리적으로 고려할 점
____일자리 문제
____요약

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 모델의 결괏값 분석하기
__결론

10장. 딥러닝 모델의 해석
__예측값 설명하기
__입력값 최적화하기
__불확실성 예측하기
__해석 가능성, 설명 가능성, 실제 결과
__결론

11장. 가상 선별검사
__예측 모델을 위한 데이터셋 준비
__머신러닝 모델 학습하기
__예측을 위한 데이터셋 준비하기
__예측 모델 적용하기
__결론

12장. 딥러닝의 미래와 전망
__질병 진단
__맞춤 의학
__신약 개발
__생물학 연구
__결론

★ 이 책에서 다루는 내용 ★

■ 분자 데이터에 머신러닝을 적용하는 방법
■ 유전학/유전체학을 위한 강력한 분석 도구로서의 딥러닝
■ 딥러닝으로 생물물리학 시스템 이해
■ DeepChem 라이브러리를 사용한 머신러닝 소개
■ 딥러닝을 사용한 현미경 이미지 분석
■ 딥러닝을 사용한 의료 이미지 분석
■ VAE와 GAN 모델
■ 머신러닝 모델의 작동 원리 해석

작가의 말

최근 로봇공학의 발전으로 많은 생명과학 실험이 자동화돼 엄청난 양의 데이터를 만들어내고 있다. 약 20년 전에는 한 명의 과학자가 평생 동안 모아야 했을 데이터가 오늘날에는 하루면 쌓인다. 이로 인해 생명과학과 데이터 과학(data science)의 경계가 빠르게 사라지고 있으며, 데이터의 홍수 속에서 빠르게 데이터를 분석하는 능력은 생명과학자의 필수 자질이 되고 있다. 이제 엑셀(Excel)로 실험 데이터를 처리하고 그래프를 그리는 시대는 지났다. 현대의 생명과학자에게는 거대한 실험 데이터 속에 숨겨진 패턴을 찾아내고 새로운 지식을 얻어 과학적 결론을 도출하는 능력이 가장 필요하다.
지난 몇 년간 딥러닝(deep learning)은 데이터의 패턴과 의미를 찾아내는 강력한 도구로 활용돼 왔으며, 주로 이미지 분석, 외국어 번역, 음성 인식과 같은 빅데이터 분석에서 놀라운 성능을 보여줬다. 이 책에서는 딥러닝을 생명과학 분야에 적용하는 방법으로 유전체학, 신약 개발, 질병 진단 등의 다양한 분야에 사용하는 과정을 소개한다. 또한 실무에 바로 사용할 수 있는 예제 코드를 제공해 독자들의 시간을 아껴줄 것이다.


추천사


프라바트(Prabhat)(로렌스 버클리 국립 연구소 데이터 분석 서비스 팀장)


"이 책은 생명과학자 커뮤니티의 발전에 귀중한 도움이 될 것이다."

C. 타이투스 브라운(C. Titus Brown)(캘리포니아 대학 부교수)


"기초 과학을 이해하고 딥러닝 응용을 시작하기에 좋은 책이다."

바라스 람순다르
생물학적 빅데이터를 구축하는 블록체인(blockchain) 회사인 데이터마인드(Datamined)의 공동 창립자이자 최고기술책임자(CTO)다. 또한 신약 개발에 딥러닝을 적용하는 DeepChem1 라이브러리의 수석 개발자이자 MoleculeNet의 공동 개발자다.
UC 버클리에서 EECS와 수학 분야 학사 학위를 받았으며, 최근 스탠퍼드 대학교에서 컴퓨터과학으로 박사 학위를 받았다. 또한 과학 분야 최우수 대학원생을 지원하는 허츠 펠로우십(Hertz Fellowship)에 선정돼 비제이 판데(Vijay Pande) 교수에게 연구 지도를 받았다.




옮긴이 김태윤
제약회사 연구소에서 연구원으로 근무하고 있으며, 생물학 실험과 프로그래밍에 관심이 많은 자칭 바이오해커다. 다양한 과정에서 얻은 경험을 공유하는 블로그(https://partrita.github.io)를 운영하고 있다. 『파이썬을 활용한 생명정보학 2/e』(에이콘, 2019)을 번역했으며, 최근에는 신약 개발에서 빅데이터, 머신러닝 등과 같은 다양한 분석 기술을 응용하고자 노력하고 있다. 그리고 언젠가 사이언스 판타지 소설을 써보고 싶다는 꿈을 갖고 있다.