- 주문상품수량
- 개
- 예상적립금
P - 상품할인금
- 원
- 배송료
- 원
- 주문합계
- 원
네비게이션 실시간 인기 책
베스트
AI 신약개발 첫걸음 이론부터 응용까지
- 김우연, 한국제약바이오협회 AI신약융합연구원 저
- 시공사
- 2025년 10월 17일
-
정가30,000원
-
판매가27,000원 [10% 할인]
-
결제 혜택무이자
카드할인/포인트결제 안내
제휴카드
반디앤루니스 롯데카드 결제금액 최대 25% 청구할인 (1만원 이상 결제건에 한해 월 2회, 건당 최대 1만원 할인) 반디앤루니스 우리V카드 결제금액 10% 청구할인 포인트결제
OK캐쉬백 포인트 최소 10원부터 전액 사용 or 1% 적립 현대카드 M포인트 결제금액의 최대 10% 사용 가능 신한카드 포인트 결제금액의 최대 10% 사용 가능(일부카드) 하나(구.외환) 포인트 보유 한도 내에서 100% 사용 가능 씨티카드 포인트 결제금액의 최대 50% 사용 가능 할인카드
NH농협 TAKE5카드 20% 청구할인(Edu Pack) 채움 플래티늄 멀티카드 20% 청구할인 모바일 Tmoney 신한카드 10% 청구할인 신한카드 Shopping 10% 청구할인 NH농협 체크카드 10% 청구할인 NH20 해봄 신용카드 10% 청구할인 씨티 클리어 카드 7% 청구할인 NH20 해봄 체크카드 5% 청구할인 NH농협 LADY다솜카드 5% 청구할인 신한카드 큐브 5% 청구할인 신한카드 큐브 PLATINUM# 5% 청구할인 
무이자 안내
-
적립금1,500원 적립 [5%P]
추가 적립금 안내
[2천원 추가 적립]
총 주문금액 5만원 이상 구매 시 2,000원 추가 적립
도서(eBook포함)만 구매 시 적립 대상에서 제외업채배송상품 포함(기프트, 업체배송 등) 5만원[멤버십 추가 적립]
슈퍼루니 : 3% 추가 적립
골드루니 : 2% 추가 적립
실버루니 : 1% 추가 적립
단, 국내도서, eBook만 구매 시 적립 불가
-
배송료무료배송
-
출고예정일
출고예정일 안내
※ 출고예정일은 도서 재고상황에 따라 변동될 수 있습니다.
2026년 04월 09일(목)※ 출고예정일은 도서 재고상황에 따라 변동될 수 있습니다.
당일배송 가능지역 검색
“도로명주소”를 쉽게 찾아보세요
1. 도로명으로 검색하기 (예, “직지길” or “직지길+322”)
2. 건물명으로 검색하기 (예, “반디앤루니스빌딩”)
3. 동(읍/면/리) 으로 검색 (예, “인사동” or “인사동+43”)
4. 도로명주소를 모르실 경우 도로명주소 안내시스템(http://www.juso.go.kr)에서 확인해주세요.
시/도
시/군/구
회원리뷰
ISBN: 9791171256587
280쪽
532g
182 x 257 (㎜)
지금 이책은
- 판매지수 : 0
이 분야의 베스트셀러
-
사소해서 물어보지 못했지만 궁금했던 이야기
사물궁이 잡학지식
17,820원
-
1분 과학
이재범, 최준석
15,120원
-
바이러스 쇼크
최강석
13,500원
이 책이 속한 분야
- 자연과학/공학 > 교양과학/기술 일반
- 컴퓨터/IT > 컴퓨터공학 > 인공지능/신경망/퍼지
책 소개
이 책은
인공지능이 여는 신약개발의 미래
복잡한 과정, 이제는 데이터와 AI로 길을 찾는다
신약개발은 인류 보건의학의 최전선에 서 있는 핵심 분야이지만, 동시에 가장 도전적인 영역이다. 새로운 약 하나가 세상에 나오기까지는 평균 10년 이상의 시간과 수조 원의 비용이 소요되며, 최종 성공 확률은 10%도 채 되지 않는다. 이러한 비효율성은 오랫동안 제약 산업의 고질적인 문제로 지적되어 왔다. ‘이룸의 법칙(Eroom’s Law)’이라 불리는 현상, 즉 ‘과학기술은 발전하지만 신약개발 효율성은 오히려 떨어지는 역설적 상황’은 오늘날도 여전히 유효하다.
이러한 난제를 돌파하기 위한 해법으로 떠오른 것이 바로 인공지능(AI)이다. AI는 방대한 생물학·화학 데이터를 분석해 약물 후보물질을 선별하고, 단백질과 화합물 간 상호작용을 정밀하게 예측하며, 임상 설계의 성공 가능성을 높이는 데 기여한다. 《AI 신약개발 첫걸음》은 이처럼 신약개발의 패러다임을 바꾸고 있는 AI 기술을 종합적으로 소개하는 입문 교재다.
저자는 먼저 신약개발의 기본 개념과 약물이 작용하는 기전을 짚어주고, 이어서 단백질 구조 예측, 가상 스크리닝, 리간드 설계 등 핵심 과정을 친절하게 설명한다. 이어 AI가 어떤 방식으로 이 전통적 과정을 단축하고, 비용을 줄이며, 성공 확률을 높이는지를 실제 연구 흐름과 함께 보여준다.
출판사 리뷰
AI가 제약 산업의 판을 바꾼다
생명과학과 데이터 과학이 만나는 첫 교차점
이 책의 가장 큰 강점은 “입문서답게 쉽고 체계적”이라는 점이다. 생명과학·의약학 전공자가 아니어도, AI에 익숙하지 않아도, 독자들은 단계적으로 내용을 따라가며 신약개발과 AI의 만남을 이해할 수 있다. 1장에서는 신약개발의 낮은 성공률과 높은 비용 문제를 소개하며 이를 해결할 혁신으로 AI를 제시한다. 2장에서는 딥러닝의 기본 구조와 역전파와 경사하강법 등 핵심 원리를 살펴 생명과학과 AI의 접점을 마련한다. 3장에서는 정규화·드롭아웃 같은 기법으로 과적합을 방지해 모델 신뢰성을 높이는 방법을 설명한다. 4장에서는 CNN, RNN, GNN 등 최신 신경망 구조의 특성과 신약개발 데이터 처리 방식을 다룬다. 5장에서는 생성형 AI가 신약설계에서 어떤 변화를 일으키는지를 탐구하며 AlphaFold를 통한 분자 설계와 단백질 구조 예측의 혁신을 소개한다. 6장에서는 후보물질 탐색, 독성 예측, ADME-T 분석 등 신약개발 전주기에 걸친 AI 응용을 다룬다. 7장에서는 멀티모달 AI, 자율 실험실, 양자컴퓨팅 등 미래 전망을 제시하며 AI가 신약개발 패러다임을 바꾸는 동력임을 강조한다.
《AI 신약개발 첫걸음》은 단순한 기술 해설을 넘어, 신약개발이라는 실제 산업 현장에서 AI가 어떻게 적용될 수 있는지를 구체적으로 제시한다. 따라서 제약·바이오 연구자뿐 아니라, 대학원생, AI 연구자, 투자자에게도 반드시 필요한 길잡이가 될 것이다.
저자 소개
저자 : 김우연
한국제약바이오협회 AI신약연구원
저자 : 한국제약바이오협회 AI신약융합연구원
목차
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
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
배송 시 유의사항
- 반디앤루니스에서 구매하신 도서는 물류 대행 위탁업체 웅진 북센을 통해 배송됩니다.
(배송 포장에 "웅진 북센"으로 표기될 수 있습니다.)
- 구매한 상품의 품질과 배송 관련 문의는 반디앤루니스로 문의 바랍니다.
- 천재지변 및 택배사의 사정에 따라 배송이 지연될 수 있습니다.
- 결제(입금) 완료 후 출판사 및 유통사의 사정으로 품절 또는 절판 되어 상품 구입이 어려울 수 있습니다. (별도 안내 예정)
- 도서산간지역의 경우 추가 배송비가 발생될 수 있습니다.
반품/교환
상품 설명에 반품/ 교환 관련한 안내가 있는 경우 그 내용을 우선으로 합니다. (업체 사정에 따라 달라질 수 있습니다)
반품/교환
-
반품/교환 반품/교환 방법 홈 > 고객센터 > 자주찾는질문 “반품/교환/환불” 안내 참고 또는 1:1상담게시판 반품/교환 가능 기간 반품,교환은 배송완료 후 7일 이내, 상품의 결함 및 계약내용과 다를 경우 문제발견 후 30일 이내에 신청가능 반품/교환 비용 변심 혹은 구매착오의 경우에만 반송료 고객 부담(별도 지정 택배사 없음) 반품/교환 불가 사유 - 소비자의 책임 사유로 상품 등이 손실 또는 훼손된 경우
- 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우
- 복제가 가능한 상품 등의 포장을 훼손한 경우 : 예)만화책, 잡지, 화보집 등
- 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우
- 전자상거래등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우
- 해외주문 상품(해외 원서)의 경우(파본/훼손/오발송 상품을 제외)
소비자 피해보상
환불지연에 따른 배상- 상품의 불량에 의한 반품, 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은
소비자 분쟁해결 기준(공정거래위원회고시)에 준하여 처리됨 - 대금 환불 및 환불지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의
소비자 보호에 관한 법률에 따라 처리함
반품/교환 주소 경기도 파주시 문발로 77, 웅진북센(반디앤루니스)
