신약 발견 퀴즈의 AI

퀴즈를 풀면 정답과 설명이 나타납니다.

1. DeepMind의 AlphaFold는 신약 발견을 돕기 위해 무엇을 달성했습니까?
   • 2억 개가 넘는 단백질의 3차원 접힌 구조를 예측했습니다.
   • 실험실에서 신약을 합성했다
   • 인간을 대상으로 한 임상시험을 자동으로 진행했습니다.
   • 모든 화학자를 대체했습니다.
2. 기계 학습 모델에서 분자는 일반적으로 어떻게 표현됩니까?
   • 사진으로만
   • 원자와 결합의 그래프 또는 SMILES 텍스트 문자열로
   • 오디오 파형으로
   • 가격 스프레드시트로
3. AI 신약 발굴에 '가상 스크리닝'이란?
   • 마약에 관한 영화를 보는 중
   • 질병에 대한 환자 선별
   • 수백만 개의 화합물을 모두 합성하지 않고도 계산적으로 순위를 매겨 유망한 화합물을 찾습니다.
   • 규제 당국과의 일종의 영상 통화
4. What can an ADME or toxicity prediction contribute during early candidate assessment?
   • It proves a molecule is safe in humans
   • It eliminates the need for animal or laboratory studies
   • It guarantees the candidate will pass clinical trials
   • It can help prioritize candidates for experimental follow-up, but does not establish safety or replace testing
5. 새로운 분자를 설계하는 데 어떤 생성 AI 기술이 사용됩니까?
   • 변형 자동 인코더 및 확산 모델
   • 스프레드시트 매크로
   • 바코드 스캐너
   • 이메일 필터
6. What must generally occur before a new drug candidate can begin clinical research in people in the United States?
   • A model score above 0.8
   • Preclinical safety information and an FDA-reviewed Investigational New Drug application
   • A successful virtual screen alone
   • Commercial availability in a pharmacy
7. What does AlphaFold 3 add beyond predicting protein structures?
   • It proves a predicted drug will succeed in patients
   • It replaces all clinical trials
   • It can predict structures and interactions involving proteins, nucleic acids, and ligands
   • It estimates only the retail price of a medicine
8. What does a virtual-screening rank mean for a candidate compound?
   • The compound is already an approved drug
   • The compound is guaranteed safe in humans
   • The model has observed the compound in a clinical trial
   • It is a computational priority for follow-up, not proof of efficacy