•  책의 일부 내용을 미리 읽어보실 수 있습니다.
  미리보기

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

★ 추천의 글 ★

"이 책은 생명과학자 커뮤니티의 발전에 귀중한 도움이 될 것이다."
- 프라바트(Prabhat), 로렌스 버클리 국립 연구소 데이터 분석 서비스 팀장

"기초 과학을 이해하고 딥러닝 응용을 시작하기에 좋은 책이다."
- C.
타이투스 브라운(C.
Titus Brown), 캘리포니아 대학 부교수


★ 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


★ 지은이의 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.


★ 옮긴이의 말 ★

이 책은 나의 두 번째 번역서다.
번역이 어렵다는 것을 이전 책을 번역하면서 절실히 깨달았지만, 이 책의 제목을 보는 순간 까맣게 잊어버리고 다시 번역 작업을 하게 됐다.

컴퓨터과학과 생명과학의 융합은 오래된 꿈과 같다.
누구나 그 중요성을 알지만, 선뜻 다가가지 못한다.
아마도 각 영역이 방대하고 융합 학문은 추상적이기 때문일 것이다.
따라서 이 책은 나와 비슷한 생각을 하는 사람에게 한 줄기 빛과 같다.
저자들은 우리에게 앞으로 나아가야 할 방향을 알려줄 뿐만 아니라 실무에 적용할 수 있는 예시를 사용해 이해를 돕는다.

비록 딱딱한 내용으로 가득 찬 전문 서적이지만 독자들이 쉽게 이해할 수 있도록 번역 과정에서 나름대로 최선을 다했다.
그럼에도 부족한 부분이 너무나도 많은 것 같다.
이 책에서 잘 이해되지 않는 내용이 있다면 개의치 말고 연락을 주길 바란다.
독자들과의 소통은 언제나 환영이다.