人工智能与药物设计_李洪林，郑明月主编_2023

基本信息
书名：人工智能与药物设计
作者 ：李洪林，郑明月主编
出版社：化学工业出版社
出版时间： 2023.06
ISBN号 ：978-7-122-42928-5
页数 ： 646
原书定价 : 298.00

内容提要
人工智能用于药物研发，在评估生物靶标和药物分子相互作用、优化药物设计路径等工作中发挥着越来越重要的作用，有助于加快药物研发进程、降低研发风险成本。本书面向广大有志从事生命科学领域与药物研发领域交叉研究的科研或技术工作者。内容主要分为三部分：①人工智能算法基础；②数据基础与表征；③人工智能与药物设计。系统介绍了人工智能算法，重点介绍生物医药的关键数据资源，特别是基于人工智能的一些数据挖掘手段。以药物研发流程为主线，针对每个AI算法融入的关键步骤，首先介绍药物设计基础原理与现存挑战，进而系统性介绍AI算法在该研究方向上的进展情况。特别提供了交叉应用实例，并可免费下载程序代码。

目录
绪论——人工智能与药物设计的发展 
第一部分  人工智能算法基础
第1章  机器学习基础
1.1监督学习
1.1.1概念
1.1.2分类
1.1.3回归
1.1.4小结
1.2无监督学习
1.2.1无监督学习的基本概念
1.2.2无监督学习的基本算法
1.2.3小结
1.3强化学习
1.3.1强化学习的概念
1.3.2有模型学习和免模型学习
1.3.3求解方法
1.3.4强化学习算法
1.3.5小结
1.4模型评估与验证
1.4.1模型评估指标介绍
1.4.2模型验证方法介绍
1.4.3小结
1.5应用实例与代码
1.5.1监督学习应用
1.5.2无监督学习应用
参考文献
拓展阅读
第2章  深度网络结构设计基础
2.1卷积神经网络
2.1.1卷积神经网络的组件
2.1.2神经网络的训练
2.1.3基于卷积神经网络的图像分类
2.1.4基于卷积神经网络的图像分割
2.2循环神经网络
2.2.1循环神经网络结构
2.2.2双向循环神经网络
2.2.3深度循环神经网络
2.2.4长短期记忆网络
2.2.5双向长短期记忆网络
2.2.6门控循环单元
2.2.7基于长短期记忆网络的视频分类
2.3 Transformer
2.3.1自然语言处理中的Transformer
2.3.2视觉任务中的Transformer
2.4图神经网络
2.4.1图卷积神经网络
2.4.2图注意力网络
2.5小结
参考文献
拓展阅读
第3章  深度生成模型
3.1  变分自编码器
3.1.1自编码器
3.1.2隐变量生成模型
3.1.3变分自编码器
3.2生成式对抗网络
3.2.1生成式对抗网络的理论分析
3.2.2 Wasserstein生成式对抗网络
3.3流生成模型
3.3.1随机变量替换
3.3.2标准化流
3.3.3  RealNVP网络
3.3.4 Glow
3.3.5流模型在文本预训练表示上的应用
3.4小结
参考文献
第4章  深度强化学习
4.1基于值函数的算法
4.1.1动态规划
4.1.2蒙特卡洛方法
4.1.3时间差分学习
4.1.4基于值函数的深度强化学习
4.2策略梯度算法
4.2.1策略梯度
4.2.2策略梯度的基本形式
4.2.3基于执行器-评价器的策略梯度方法
4.2.4深度确定性策略梯度
4.2.5异步优势算法
4.3 CartPole编程实例
4.3.1  CartPole简介
4.3.2 DQN
4.3.3 Actor-Critic
4.3.4训练结果
4.4小结
参考文献
拓展阅读
第5章  自然语言处理、知识图谱和可解释人工智能
5.1自然语言处理与文本挖掘
5.1.1自然语言处理概述
5.1.2  NLP任务
5.1.3医学领域的NLP任务
5.1.4 NLP评估度量
5.1.5 NLP实践准备
5.1.6医疗领域的关系抽取
5.1.7应用案例：药品不良反应抽取
5.1.8小结
5.2知识图谱
5.2.1知识图谱介绍
5.2.2知识图谱构建技术
5.2.3知识图谱的应用技术
5.2.4生物医药知识图谱
5.2.5应用案例：基于“疾病-化合物”关系的药物筛查
5.2.6小结
5.3可解释人工智能
5.3.1可解释性概述
5.3.2可解释性相关方法
5.3.3可解释性的评价方法
5.3.4可解释性应用案例
5.3.5小结
参考文献
拓展阅读
第二部分  数据基础与表征
第6章  分子结构与生物活性数据
6.1生物大分子结构数据库
6.1.1蛋白质和核酸三维结构数据库
6.1.2生物大分子复合物结构数据库
6.1.3特定功能或结构类型的生物大分子结构数据库
6.1.4肽类结构数据库
6.2小分子结构数据库
6.2.1综合性库
6.2.2分子晶体结构数据库
6.2.3天然产物数据库
6.2.4虚拟筛选分子库
6.2.5算法生成的虚拟分子库
6.3生物活性数据库
6.4小结
参考文献
拓展阅读
第7章  分子数据的表征
7.1小分子化合物的表征
7.1.1基于专业知识的小分子表征
7.1.2基于字符串的表征
7.1.3基于图的表征
7.1.4基于图像的表征
7.1.5实施案例
7.2蛋白质的表征
7.2.1基于序列固有性质
7.2.2基于物理化学性质
7.2.3基于结构性质
7.2.4蛋白质表征相关工具
7.3核酸序列的表征
7.3.1基于序列信息的特征表征
7.3.2基于物理化学性质的特征表征
7.3.3基于二级结构的特征表征
7.3.4实施案例
7.4小结与展望
参考文献
拓展阅读
第三部分  人工智能与药物设计
第8章  药物靶标发现与识别
8.1生物组学分析与药物靶标发现和药物重定位
8.1.1多组学数据分析
8.1.2基于组学的药物靶点预测
8.1.3基于组学的药物重定位
8.1.4案例解析
8.1.5小结与展望
8.2基于序列的蛋白质可药靶性的发现
8.2.1基于蛋白质序列相似性的功能预测方法
8.2.2可靠药物靶点信息的数据源
8.2.3基于序列相似性比对的可药靶性发现
8.2.4基于序列衍生性质的可药靶性发现
8.3基于结构与网络的可药靶性识别
8.3.1基于结构的可药靶性识别
8.3.2基于网络的可药靶性识别
8.3.3小结与展望
8.4网络药理学与药物重定向
8.4.1网络药理学概述
8.4.2生物分子网络的构建
8.4.3基于网络的靶标发现和药物重定向
8.4.4实施案例——基于图神经网络的药物重定位
8.4.5小结与展望
参考文献
第9章  分子结构预测
9.1蛋白质结构预测
9.1.1蛋白质结构
9.1.2蛋白质二级结构预测
9.1.3蛋白质三级结构预测
9.1.4基于模板的蛋白质结构建模
9.1.5基于穿线法的蛋白质结构预测
9.1.6基于片段组装的方法
9.1.7从头折叠算法
9.1.8基于氨基酸协同突变的接触预测
9.1.9基于端到端的结构预测
9.1.10小结与展望
9.2核酸结构预测
9.2.1核酸结构概述
9.2.2核酸结构预测中的传统计算方法
9.2.3人工智能在核酸结构预测中的应用
9.2.4应用实例与代码
9.2.5小结与展望
9.3小分子构象预测
9.3.1分子的几何结构
9.3.2小分子构象预测方法的发展
9.3.3实施案例
9.3.4小结与展望
参考文献
拓展阅读
第10章  量子化学与分子力场的发展
10.1人工智能用于计算化学
10.1.1加速量子化学计算
10.1.2人工智能用于化学反应
10.1.3人工智能在高阶量子电荷预测中的应用
10.1.4小结与展望
10.2分子力场的发展及优化
10.2.1经典分子力场
10.2.2极化力场
10.2.3机器学习力场
10.2.4机器学习力场的优势
10.2.5机器学习力场的挑战
参考文献
拓展阅读
第11章  小分子药物生成与从头设计
11.1基于片段的药物设计
11.1.1简介
11.1.2  FBDD步骤
11.1.3计算机辅助的基于片段的药物设计
11.1.4 FBDD的经典成功案例
11.1.5小结与展望
11.2分子生成模型
11.2.1基于GAN的分子生成模型
11.2.2其他分子生成模型
11.2.3基于GAN的分子生成模型的优势与不足
11.2.4分子生成模型的挑战与展望
11.2.5小结
11.3三维分子生成
11.3.1三维分子生成中的分子表示
11.3.2三维分子生成模型
11.3.3三维分子生成模型在药物发现中的应用
11.4逆合成预测
11.4.1简介
11.4.2单步逆合成
11.4.3多步逆合成
11.4.4小结
11.5反应表现预测及反应条件优化
11.5.1反应产率预测
11.5.2反应活性预测
11.5.3反应选择性预测
11.5.4反应活化能和过渡态预测
11.5.5反应条件优化
11.5.6小结
参考文献
拓展阅读
第12章  小分子药物设计与优化
12.1小分子-靶标结合亲和力预测与打分函数的设计
12.1.1小分子靶标结合亲和力预测与打分函数
12.1.2基于人工智能的打分函数
12.1.3基于人工智能的DTA预测模型
12.1.4问题和展望
12.2融合人工智能的分子对接与虚拟筛选方法
12.2.1分子对接方法与挑战
12.2.2机器学习与系综对接
12.2.3深度学习与结合构象预测
12.2.4深度学习与虚拟筛选
12.3基于配体的虚拟筛选
12.3.1传统基于配体的虚拟筛选方法
12.3.2基于人工智能的配体虚拟筛选方法
参考文献
拓展阅读
第13章  基于人工智能的大分子药物设计
13.1大环类药物设计
13.1.1大环类药物概述
13.1.2大环类药物的研究现状
13.1.3大环类药物的设计方法
13.1.4大环类药物的设计实例
13.2蛋白质与多肽类大分子药物设计
13.2.1蛋白质与多肽类大分子药物概述
13.2.2蛋白质与多肽类大分子药物设计中的挑战
13.2.3蛋白质与多肽类大分子药物的设计方法
13.2.4蛋白质与多肽类大分子药物的设计实例
13.3核酸类大分子药物设计
13.3.1核酸类大分子药物概述
13.3.2核酸类大分子药物的设计模式
13.3.3核酸类大分子药物的设计方法
13.3.4核酸类大分子药物的设计实例——以NucleicNet为例
参考文献
拓展阅读
第14章  ADMET性质预测
14.1基于人工智能的ADMET预测
14.1.1基于人工智能的ADMET预测概览
14.1.2可解释性人工智能在ADMET中的应用
14.2药物毒性预测
14.2.1药物毒理学简介
14.2.2计算毒理学的出现和发展
14.2.3人工智能在毒性预测方面的进展
14.2.4毒性预测模型
14.2.5人工智能的可解释性与警示子结构的识别
14.2.6小结与展望
14.3药物代谢产物预测
14.3.1药物代谢及药物代谢预测简介
14.3.2药物代谢产物预测的研究现状
14.3.3药物代谢产物预测的案例分析
14.3.4药物代谢预测的挑战与展望
参考文献
拓展阅读
第15章  药物晶型预测与剂型设计
15.1药物晶型预测
15.1.1药物晶型的结构
15.1.2药物晶型的性质
15.1.3药物晶型的预测
15.2药物剂型设计
15.2.1药物剂型简介
15.2.2原料药性质对剂型和工艺的影响
15.2.3药物剂型设计与预测
15.3展望
参考文献
拓展阅读
附录：缩略语对照表
索引

丛 书 名：

• 作  者：
• 出 版 社：
• 出版日期：

• 版    次：
• 页    数：
• 字    数：

• 印刷时间：
• 开    本：
• 纸    张：

• 印    次：
• I S B N：
• 包    装：