보고서 내 다른 이미지

• 그림 라이브러리 설계에서 사용한 표현자와 물성 판단 기준
• 그림 시판중인 의약품을 대상으로한 ADME/Tox 예측 모델 테스트
• 그림 빅데이터 구축과 딥러닝 알고리듬을 통한 ADME/Tox 예측 모델 고도화
• 그림 다양한 TRAP1 저해제 설계 및 물질 합성
• 표 선택된 TRAP1 저해제의 TRAP1, Hsp90, Grp94 저해 능력 비교
• 그림 합성된 물질의 단백질과의 결정화 구조
• 표 In vitro ADME properties of std and selected compounds
• 표 ADME/T 평가 기준표
• 표 ADME/Tox 실험의 Std 물질을 대상으로 한 AI 예측 모듈 test
• 표 개발중인 TRAP1 선택적 저해제를 대상으로한 ADME/Tox 예측 및 실험 결과
• 그림 a) IRF4의 PPI, b) IRF4의 IBD 구조, c) PPI의 예시, d) Hit 물질의 SPR 결과
• 그림 A) NCOA1/STAT6 PPI crystal 구조 B) 발굴한 stapled peptide
• 그림 a) Co-immunoprecipitation assay, b) Effects of yl-2 on IL-4 or IL-13 -dependent eotaxin-3 secretion, c) NCOA1 과 yl-2 co-crystal structure
• 그림 FACS를 활용한 DNA-encoded library 스크리닝 과정
• 그림 펩토이드와 고리형/이중고리형 펩토이드의 일반적인 구조
• 그림 선형 펩토이드의 고리화 반응을 통한 고리형/이중고리형 펩토이드 합성 전략
• 그림 선형 펩토이드와 고리형 펩토이드의 세포투과성 비교
• 그림 선형 펩토이드와 이중고리형 펩토이드의 세포투과성 비교
• 그림 Molecular dynamics (MD) simulation and enhanced sampling methods utilized in the study of protein-protein (peptide) and protein-ligand complexes
• 그림 Multiscale QM/MM Molecular Modeling
• 그림 Docking with multiscale QM/MM method (green: crystal pose, purple: predicted pose)
• 그림 Ames test for carcinogenicity prediction
• 그림 Chemical space expansion
• 그림 개발하여 플랫폼에 탑재한 module 목록
• 그림 개발한 TRAP1 저해제의 IC50 및 분자동역학(MD) simulation
• 그림 Protomol을 활용한 STAT3 와 IRF4의 PPI 저해제 설계
• 그림 indoprofen의 PDK1 활성화
• 그림 indoprofen 구조로부터 개발한 PDK1 초기 결합 물질
• 그림 T6 의 구조 및 in vitro 활성
• 그림 Mouse xenograft model(MOLM-13 cell)에 대한 T6의 in vivo 활성
• 표 T6에 대한 ADME/Tox 예측값 및 실험값 비교
• 표 Mouse model에서의 약물대사 1)정맥투여 2)경구투여
• 그림 적대적 정규화 오토인코더 (Adversarially Regularized Autoencoder; ARAE) 방법론을 활용한 분자 생성의 예시. 그림 출처: Hong, Seung Hwan, et al. "Molecular Generative Model Based on an Adversarially Regularized Autoencoder." Journal of Chemical Information and Modeling 60.1 (2019): 29-36.
• 그림 Scaffold 기반 화합물 생성모델의 도식도. 그림 출처: Li, Yibo, et al. "DeepScaffold: a comprehensive tool for Scaffold-based de novo drug discovery using deep learning." Journal of Chemical Information and Modeling 60.1 (2019): 77-91
• 그림 주어진 Scaffold를 입력값으로 하여 새롭게 생성된 분자들의 예시
• 그림 분자를 그래프로 표현하는 포식도
• 그림 훈련용 데이터의 양이 변함에 따른 pLogP 값의 회귀분석 정확도 결과
• 표 Readout 함수 적용에 따른 pLogP 회귀분석 예측값의 Mean Absolute Error (MAE) 로 표현된 오차
• 그림 BACE, BBBP, HIV, Tox21 분류 문제에서 AUROC로 측정된 여러 그래프 신경망 구조의 예측 정확도
• 그림 BACE, BBBP, HIV, Tox21 분류 문제에서 다른 readout 층을 사용하였을 때에 따라 AUROC로 측정된 예측 정확도
• 그림 서로 다른 베이지안 심층학습 방법론을 각기 다른 그래프 신경망 구조에 적용하였을 때의 BACE 분류 문제의 예측 정확도 및 신뢰도
• 그림 서로 다른 베이지안 심층학습 방법론과 GIN 그래프 신경망 구조를 BACE, BBBP, HIV, Tox21 분류 문제에 적용 했을 때의 예측 정확도
• 그림 MAP 방법과 SWAG 방법을 적용하였을 때, BACE, BBBP, HIV 분류문제에서의 예측값의 분포
• 그림 MAP 방법과 SWAG 방법으로 훈련된 BACE 분류모델을 ZINC 데이터베이스이 drug-like subset에 적용하였을 때의 예측값 분포
• 그림 화합물의 독성을 학습하기 위한 이원화된 모듈형 모델 구조
• 그림 독성을 발견하기 위한 화합물-유전자 데이터의 처리 및 학습
• 그림 약물에 의한 전사체 데이터 시계열 분석 시스템
• 그림 전사체 기반 종양 내 이질성도 추정 기법의 분류