掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
中醫(yī)入門必背歌訣
-
>
醫(yī)驗集要
-
>
尋回中醫(yī)失落的元神2:象之篇
-
>
補遺雷公炮制便覽 (一函2冊)
-
>
人體解剖學常用詞圖解(精裝)
-
>
神醫(yī)華佗(奇方妙治)
-
>
(精)河南古代醫(yī)家經(jīng)驗輯
人工智能與藥物設(shè)計 版權(quán)信息
- ISBN：9787122429285
- 條形碼：9787122429285 ; 978-7-122-42928-5
- 裝幀：精裝
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
人工智能與藥物設(shè)計 本書特色
本書讀者對象為廣大有志從事生命科學領(lǐng)域與藥物研發(fā)領(lǐng)域交叉研究的科研或技術(shù)工作者，一、通過系統(tǒng)介紹人工智能算法，闡述不同算法的原理、應用場景和算法特點，為后續(xù)介紹人工智能與藥物研發(fā)的交叉內(nèi)容提供基礎(chǔ)，一方面為非計算機專業(yè)的讀者普及算法方面的認知，另一方面為計算機專業(yè)的讀者提供系統(tǒng)性回顧；二、為數(shù)據(jù)基礎(chǔ)與表征；三、以藥物研發(fā)流程為書籍脈絡(luò)，針對每個人工智能算法課融入的關(guān)鍵步驟，首先介紹藥物設(shè)計基礎(chǔ)原理與現(xiàn)存挑戰(zhàn)，進而系統(tǒng)性回顧介紹AI算法在該研究方向上的進展情況。四、程序代碼。 本書基于人才培養(yǎng)，特色鮮明： ①本書結(jié)合分層式、漸近式和拓展式等多樣的知識介紹形式，深入淺出地介紹藥物設(shè)計原理，剖析人工智能的交叉應用實例，展望發(fā)展方向，適合于不同知識儲備、不同研究領(lǐng)域的讀者。 ② 目標面向藥物科學、生命科學領(lǐng)域與計算機科學領(lǐng)域的交叉研究。分別以介紹人工智能算法與藥物設(shè)計原理為基礎(chǔ)，闡述基礎(chǔ)原理；介紹交叉應用與研究進展，讓讀者概覽前沿內(nèi)容；之后提供程序代碼實例，讓讀者學以致用，進行實戰(zhàn)練習。“教-學-用”一脈貫通。 ③各個章節(jié)的作者均為所涉研究專題的專家，精通各領(lǐng)域的研究進展、存在的問題和發(fā)展前景，通過展望與總結(jié)，對有志于開展相關(guān)方面研究的讀者指明了更深入的研究方向。
人工智能與藥物設(shè)計 內(nèi)容簡介
本書主要內(nèi)容分為四部分：①人工智能算法基礎(chǔ)；②數(shù)據(jù)基礎(chǔ)與表征；③人工智能與藥物設(shè)計；④程序代碼。通過系統(tǒng)介紹人工智能算法，闡述不同算法的原理、應用場景和算法特點，為后續(xù)介紹人工智能與藥物研發(fā)的交叉內(nèi)容提供基礎(chǔ)。全書以藥物研發(fā)流程為脈絡(luò)，針對每個人工智能算法融入的關(guān)鍵步驟，首先介紹藥物設(shè)計基礎(chǔ)原理與現(xiàn)存挑戰(zhàn)，進而系統(tǒng)性回顧介紹人工智能算法在該研究方向上的進展情況，每部分都穿插介紹已有的交叉應用實例，以利于加深對圖書內(nèi)容的理解與靈活運用。提供原始的代碼文件，為讀者開展實踐應用提供直接資料。
人工智能與藥物設(shè)計 目錄
緒論 ——人工智能與藥物設(shè)計的發(fā)展 001
**部分 人工智能算法基礎(chǔ) 009
第1章 機器學習基礎(chǔ) 010
1.1 監(jiān)督學習 010
1.1.1 概念 010
1.1.2 分類 011
1.1.3 回歸 013
1.1.4 小結(jié) 015
1.2 無監(jiān)督學習 015
1.2.1 無監(jiān)督學習的基本概念 015
1.2.2 無監(jiān)督學習的基本算法 016
1.2.3 小結(jié) 028
1.3 強化學習 029
1.3.1 強化學習的概念 029
1.3.2 有模型學習和免模型學習 030
1.3.3 求解方法 031
1.3.4 強化學習算法 033
1.3.5 小結(jié) 036
1.4 模型評估與驗證 037
1.4.1 模型評估指標介紹 037
1.4.2 模型驗證方法介紹 041
1.4.3 小結(jié) 044
1.5 應用實例與代碼 044
1.5.1 監(jiān)督學習應用 044
1.5.2 無監(jiān)督學習應用 045
參考文獻 046
拓展閱讀 047
第2章 深度網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計基礎(chǔ) 050
2.1 卷積神經(jīng)網(wǎng)絡(luò) 050
2.1.1 卷積神經(jīng)網(wǎng)絡(luò)的組件 050
2.1.2 神經(jīng)網(wǎng)絡(luò)的訓練 053
2.1.3 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類 054
2.1.4 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割 057
2.2 循環(huán)神經(jīng)網(wǎng)絡(luò) 063
2.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 063
2.2.2 雙向循環(huán)神經(jīng)網(wǎng)絡(luò) 064
2.2.3 深度循環(huán)神經(jīng)網(wǎng)絡(luò) 065
2.2.4 長短期記憶網(wǎng)絡(luò) 065
2.2.5 雙向長短期記憶網(wǎng)絡(luò) 066
2.2.6 門控循環(huán)單元 067
2.2.7 基于長短期記憶網(wǎng)絡(luò)的視頻分類 067
2.3 Transformer 068
2.3.1 自然語言處理中的Transformer 068
2.3.2 視覺任務(wù)中的Transformer 070
2.4 圖神經(jīng)網(wǎng)絡(luò) 071
2.4.1 圖卷積神經(jīng)網(wǎng)絡(luò) 072
2.4.2 圖注意力網(wǎng)絡(luò) 072
2.5 小結(jié) 073
參考文獻 073
拓展閱讀 074
第3章 深度生成模型 078
3.1 變分自編碼器 078
3.1.1 自編碼器 078
3.1.2 隱變量生成模型 080
3.1.3 變分自編碼器 081
3.2 生成式對抗網(wǎng)絡(luò) 084
3.2.1 生成式對抗網(wǎng)絡(luò)的理論分析 085
3.2.2 Wasserstein生成式對抗網(wǎng)絡(luò) 086
3.3 流生成模型 088
3.3.1 隨機變量替換 088
3.3.2 標準化流 089
3.3.3 RealNVP網(wǎng)絡(luò) 091
3.3.4 Glow 091
3.3.5 流模型在文本預訓練表示上的應用 093
3.4 小結(jié) 093
參考文獻 094
第4章 深度強化學習 095
4.1 基于值函數(shù)的算法 095
4.1.1 動態(tài)規(guī)劃 096
4.1.2 蒙特卡洛方法 097
4.1.3 時間差分學習 097
4.1.4 基于值函數(shù)的深度強化學習 098
4.2 策略梯度算法 102
4.2.1 策略梯度 102
4.2.2 策略梯度的基本形式 102
4.2.3 基于執(zhí)行器-評價器的策略梯度方法 104
4.2.4 深度確定性策略梯度 106
4.2.5 異步優(yōu)勢算法 107
4.3 CartPole編程實例 108
4.3.1 CartPole簡介 108
4.3.2 DQN 109
4.3.3 Actor-Critic 111
4.3.4 訓練結(jié)果 113
4.4 小結(jié) 113
參考文獻 114
拓展閱讀 114
第5章 自然語言處理、知識圖譜和可解釋人工智能 117
5.1 自然語言處理與文本挖掘 117
5.1.1 自然語言處理概述 117
5.1.2 NLP任務(wù) 119
5.1.3 醫(yī)學領(lǐng)域的NLP任務(wù) 121
5.1.4 NLP評估度量 123
5.1.5 NLP實踐準備 124
5.1.6 醫(yī)療領(lǐng)域的關(guān)系抽取 130
5.1.7 應用案例：藥品不良反應抽取 133
5.1.8 小結(jié) 135
5.2 知識圖譜 135
5.2.1 知識圖譜介紹 135
5.2.2 知識圖譜構(gòu)建技術(shù) 137
5.2.3 知識圖譜的應用技術(shù) 139
5.2.4 生物醫(yī)藥知識圖譜 140
5.2.5 應用案例：基于“疾病-化合物”關(guān)系的藥物篩查 142
5.2.6 小結(jié) 142
5.3 可解釋人工智能 142
5.3.1 可解釋性概述 142
5.3.2 可解釋性相關(guān)方法 143
5.3.3 可解釋性的評價方法 149
5.3.4 可解釋性應用案例 150
5.3.5 小結(jié) 151
參考文獻 151
拓展閱讀 154
第二部分 數(shù)據(jù)基礎(chǔ)與表征 159
第6章 分子結(jié)構(gòu)與生物活性數(shù)據(jù) 160
6.1 生物大分子結(jié)構(gòu)數(shù)據(jù)庫 160
6.1.1 蛋白質(zhì)和核酸三維結(jié)構(gòu)數(shù)據(jù)庫 161
6.1.2 生物大分子復合物結(jié)構(gòu)數(shù)據(jù)庫 163
6.1.3 特定功能或結(jié)構(gòu)類型的生物大分子結(jié)構(gòu)數(shù)據(jù)庫 168
6.1.4 肽類結(jié)構(gòu)數(shù)據(jù)庫 174
6.2 小分子結(jié)構(gòu)數(shù)據(jù)庫 175
6.2.1 綜合性庫 175
6.2.2 分子晶體結(jié)構(gòu)數(shù)據(jù)庫 179
6.2.3 天然產(chǎn)物數(shù)據(jù)庫 181
6.2.4 虛擬篩選分子庫 182
6.2.5 算法生成的虛擬分子庫 183
6.3 生物活性數(shù)據(jù)庫 186
6.4 小結(jié) 188
參考文獻 191
拓展閱讀 195
第7章 分子數(shù)據(jù)的表征 198
7.1 小分子化合物的表征 198
7.1.1 基于專業(yè)知識的小分子表征 198
7.1.2 基于字符串的表征 206
7.1.3 基于圖的表征 214
7.1.4 基于圖像的表征 218
7.1.5 實施案例 221
7.2 蛋白質(zhì)的表征 221
7.2.1 基于序列固有性質(zhì) 222
7.2.2 基于物理化學性質(zhì) 228
7.2.3 基于結(jié)構(gòu)性質(zhì) 232
7.2.4 蛋白質(zhì)表征相關(guān)工具 233
7.3 核酸序列的表征 236
7.3.1 基于序列信息的特征表征 236
7.3.2 基于物理化學性質(zhì)的特征表征 243
7.3.3 基于二級結(jié)構(gòu)的特征表征 250
7.3.4 實施案例 253
7.4 小結(jié)與展望 253
參考文獻 253
拓展閱讀 257
第三部分 人工智能與藥物設(shè)計 261
第8章 藥物靶標發(fā)現(xiàn)與識別 262
8.1 生物組學分析與藥物靶標發(fā)現(xiàn)和藥物重定位 262
8.1.1 多組學數(shù)據(jù)分析 262
8.1.2 基于組學的藥物靶點預測 262
8.1.3 基于組學的藥物重定位 267
8.1.4 案例解析 269
8.1.5 小結(jié)與展望 271
8.2 基于序列的蛋白質(zhì)可藥靶性的發(fā)現(xiàn) 272
8.2.1 基于蛋白質(zhì)序列相似性的功能預測方法 272
8.2.2 可靠藥物靶點信息的數(shù)據(jù)源 277
8.2.3 基于序列相似性比對的可藥靶性發(fā)現(xiàn) 279
8.2.4 基于序列衍生性質(zhì)的可藥靶性發(fā)現(xiàn) 280
8.3 基于結(jié)構(gòu)與網(wǎng)絡(luò)的可藥靶性識別 285
8.3.1 基于結(jié)構(gòu)的可藥靶性識別 285
8.3.2 基于網(wǎng)絡(luò)的可藥靶性識別 291
8.3.3 小結(jié)與展望 303
8.4 網(wǎng)絡(luò)藥理學與藥物重定向 303
8.4.1 網(wǎng)絡(luò)藥理學概述 303
8.4.2 生物分子網(wǎng)絡(luò)的構(gòu)建 305
8.4.3 基于網(wǎng)絡(luò)的靶標發(fā)現(xiàn)和藥物重定向 311
8.4.4 實施案例——基于圖神經(jīng)網(wǎng)絡(luò)的藥物重定位 316
8.4.5 小結(jié)與展望 317
參考文獻 317
第9章 分子結(jié)構(gòu)預測 323
9.1 蛋白質(zhì)結(jié)構(gòu)預測 323
9.1.1 蛋白質(zhì)結(jié)構(gòu) 323
9.1.2 蛋白質(zhì)二級結(jié)構(gòu)預測 325
9.1.3 蛋白質(zhì)三級結(jié)構(gòu)預測 326
9.1.4 基于模板的蛋白質(zhì)結(jié)構(gòu)建模 328
9.1.5 基于穿線法的蛋白質(zhì)結(jié)構(gòu)預測 330
9.1.6 基于片段組裝的方法 332
9.1.7 從頭折疊算法 333
9.1.8 基于氨基酸協(xié)同突變的接觸預測 334
9.1.9 基于端到端的結(jié)構(gòu)預測 335
9.1.10 小結(jié)與展望 338
9.2 核酸結(jié)構(gòu)預測 338
9.2.1 核酸結(jié)構(gòu)概述 338
9.2.2 核酸結(jié)構(gòu)預測中的傳統(tǒng)計算方法 341
9.2.3 人工智能在核酸結(jié)構(gòu)預測中的應用 346
9.2.4 應用實例與代碼 348
9.2.5 小結(jié)與展望 349
9.3 小分子構(gòu)象預測 349
9.3.1 分子的幾何結(jié)構(gòu) 349
9.3.2 小分子構(gòu)象預測方法的發(fā)展 351
9.3.3 實施案例 357
9.3.4 小結(jié)與展望 360
參考文獻 360
拓展閱讀 370
第10章 量子化學與分子力場的發(fā)展 373
10.1 人工智能用于計算化學 373
10.1.1 加速量子化學計算 373
10.1.2 人工智能用于化學反應 377
10.1.3 人工智能在高階量子電荷預測中的應用 383
10.1.4 小結(jié)與展望 388
10.2 分子力場的發(fā)展及優(yōu)化 389
10.2.1 經(jīng)典分子力場 389
10.2.2 極化力場 394
10.2.3 機器學習力場 396
10.2.4 機器學習力場的優(yōu)勢 401
10.2.5 機器學習力場的挑戰(zhàn) 404
參考文獻 406
拓展閱讀 411
第11章 小分子藥物生成與從頭設(shè)計 414
11.1 基于片段的藥物設(shè)計 414
11.1.1 簡介 414
11.1.2 FBDD步驟 415
11.1.3 計算機輔助的基于片段的藥物設(shè)計 420
11.1.4 FBDD的經(jīng)典成功案例 420
11.1.5 小結(jié)與展望 423
11.2 分子生成模型 423
11.2.1 基于GAN的分子生成模型 423
11.2.2 其他分子生成模型 437
11.2.3 基于GAN的分子生成模型的優(yōu)勢與不足 440
11.2.4 分子生成模型的挑戰(zhàn)與展望 442
11.2.5 小結(jié) 445
11.3 三維分子生成 446
11.3.1 三維分子生成中的分子表示 446
11.3.2 三維分子生成模型 449
11.3.3 三維分子生成模型在藥物發(fā)現(xiàn)中的應用 456
11.4 逆合成預測 457
11.4.1 簡介 457
11.4.2 單步逆合成 457
11.4.3 多步逆合成 461
11.4.4 小結(jié) 463
11.5 反應表現(xiàn)預測及反應條件優(yōu)化 463
11.5.1 反應產(chǎn)率預測 463
11.5.2 反應活性預測 466
11.5.3 反應選擇性預測 467
11.5.4 反應活化能和過渡態(tài)預測 470
11.5.5 反應條件優(yōu)化 472
11.5.6 小結(jié) 474
參考文獻 474
拓展閱讀 482
第12章 小分子藥物設(shè)計與優(yōu)化 485
12.1 小分子-靶標結(jié)合親和力預測與打分函數(shù)的設(shè)計 485
12.1.1 小分子靶標結(jié)合親和力預測與打分函數(shù) 485
12.1.2 基于人工智能的打分函數(shù) 486
12.1.3 基于人工智能的DTA預測模型 496
12.1.4 問題和展望 498
12.2 融合人工智能的分子對接與虛擬篩選方法 499
12.2.1 分子對接方法與挑戰(zhàn) 499
12.2.2 機器學習與系綜對接 499
12.2.3 深度學習與結(jié)合構(gòu)象預測 502
12.2.4 深度學習與虛擬篩選 505
12.3 基于配體的虛擬篩選 507
12.3.1 傳統(tǒng)基于配體的虛擬篩選方法 507
12.3.2 基于人工智能的配體虛擬篩選方法 511
參考文獻 514
拓展閱讀 519
第13章 基于人工智能的大分子藥物設(shè)計 522
13.1 大環(huán)類藥物設(shè)計 522
13.1.1 大環(huán)類藥物概述 522
13.1.2 大環(huán)類藥物的研究現(xiàn)狀 523
13.1.3 大環(huán)類藥物的設(shè)計方法 527
13.1.4 大環(huán)類藥物的設(shè)計實例 532
13.2 蛋白質(zhì)與多肽類大分子藥物設(shè)計 535
13.2.1 蛋白質(zhì)與多肽類大分子藥物概述 535
13.2.2 蛋白質(zhì)與多肽類大分子藥物設(shè)計中的挑戰(zhàn) 536
13.2.3 蛋白質(zhì)與多肽類大分子藥物的設(shè)計方法 538
13.2.4 蛋白質(zhì)與多肽類大分子藥物的設(shè)計實例 543
13.3 核酸類大分子藥物設(shè)計 545
13.3.1 核酸類大分子藥物概述 545
13.3.2 核酸類大分子藥物的設(shè)計模式 546
13.3.3 核酸類大分子藥物的設(shè)計方法 548
13.3.4 核酸類大分子藥物的設(shè)計實例——以NucleicNet為例 551
參考文獻 555
拓展閱讀 559
第14章 ADMET性質(zhì)預測 562
14.1 基于人工智能的ADMET預測 562
14.1.1 基于人工智能的ADMET預測概覽 562
14.1.2 可解釋性人工智能在ADMET中的應用 567
14.2 藥物毒性預測 574
14.2.1 藥物毒理學簡介 574
14.2.2 計算毒理學的出現(xiàn)和發(fā)展 575
14.2.3 人工智能在毒性預測方面的進展 575
14.2.4 毒性預測模型 576
14.2.5 人工智能的可解釋性與警示子結(jié)構(gòu)的識別 582
14.2.6 小結(jié)與展望 583
14.3 藥物代謝產(chǎn)物預測 584
14.3.1 藥物代謝及藥物代謝預測簡介 584
14.3.2 藥物代謝產(chǎn)物預測的研究現(xiàn)狀 585
14.3.3 藥物代謝產(chǎn)物預測的案例分析 591
14.3.4 藥物代謝預測的挑戰(zhàn)與展望 593
參考文獻 594
拓展閱讀 603
第15章 藥物晶型預測與劑型設(shè)計 606
15.1 藥物晶型預測 606
15.1.1 藥物晶型的結(jié)構(gòu) 606
15.1.2 藥物晶型的性質(zhì) 608
15.1.3 藥物晶型的預測 610
15.2 藥物劑型設(shè)計 617
15.2.1 藥物劑型簡介 617
15.2.2 原料藥性質(zhì)對劑型和工藝的影響 619
15.2.3 藥物劑型設(shè)計與預測 622
15.3 展望 624
參考文獻 625
拓展閱讀 627
附錄：縮略語對照表 629
索引 637
**部分 人工智能算法基礎(chǔ) 009
第1章 機器學習基礎(chǔ) 010
1.1 監(jiān)督學習 010
1.1.1 概念 010
1.1.2 分類 011
1.1.3 回歸 013
1.1.4 小結(jié) 015
1.2 無監(jiān)督學習 015
1.2.1 無監(jiān)督學習的基本概念 015
1.2.2 無監(jiān)督學習的基本算法 016
1.2.3 小結(jié) 028
1.3 強化學習 029
1.3.1 強化學習的概念 029
1.3.2 有模型學習和免模型學習 030
1.3.3 求解方法 031
1.3.4 強化學習算法 033
1.3.5 小結(jié) 036
1.4 模型評估與驗證 037
1.4.1 模型評估指標介紹 037
1.4.2 模型驗證方法介紹 041
1.4.3 小結(jié) 044
1.5 應用實例與代碼 044
1.5.1 監(jiān)督學習應用 044
1.5.2 無監(jiān)督學習應用 045
參考文獻 046
拓展閱讀 047
第2章 深度網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計基礎(chǔ) 050
2.1 卷積神經(jīng)網(wǎng)絡(luò) 050
2.1.1 卷積神經(jīng)網(wǎng)絡(luò)的組件 050
2.1.2 神經(jīng)網(wǎng)絡(luò)的訓練 053
2.1.3 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類 054
2.1.4 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割 057
2.2 循環(huán)神經(jīng)網(wǎng)絡(luò) 063
2.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 063
2.2.2 雙向循環(huán)神經(jīng)網(wǎng)絡(luò) 064
2.2.3 深度循環(huán)神經(jīng)網(wǎng)絡(luò) 065
2.2.4 長短期記憶網(wǎng)絡(luò) 065
2.2.5 雙向長短期記憶網(wǎng)絡(luò) 066
2.2.6 門控循環(huán)單元 067
2.2.7 基于長短期記憶網(wǎng)絡(luò)的視頻分類 067
2.3 Transformer 068
2.3.1 自然語言處理中的Transformer 068
2.3.2 視覺任務(wù)中的Transformer 070
2.4 圖神經(jīng)網(wǎng)絡(luò) 071
2.4.1 圖卷積神經(jīng)網(wǎng)絡(luò) 072
2.4.2 圖注意力網(wǎng)絡(luò) 072
2.5 小結(jié) 073
參考文獻 073
拓展閱讀 074
第3章 深度生成模型 078
3.1 變分自編碼器 078
3.1.1 自編碼器 078
3.1.2 隱變量生成模型 080
3.1.3 變分自編碼器 081
3.2 生成式對抗網(wǎng)絡(luò) 084
3.2.1 生成式對抗網(wǎng)絡(luò)的理論分析 085
3.2.2 Wasserstein生成式對抗網(wǎng)絡(luò) 086
3.3 流生成模型 088
3.3.1 隨機變量替換 088
3.3.2 標準化流 089
3.3.3 RealNVP網(wǎng)絡(luò) 091
3.3.4 Glow 091
3.3.5 流模型在文本預訓練表示上的應用 093
3.4 小結(jié) 093
參考文獻 094
第4章 深度強化學習 095
4.1 基于值函數(shù)的算法 095
4.1.1 動態(tài)規(guī)劃 096
4.1.2 蒙特卡洛方法 097
4.1.3 時間差分學習 097
4.1.4 基于值函數(shù)的深度強化學習 098
4.2 策略梯度算法 102
4.2.1 策略梯度 102
4.2.2 策略梯度的基本形式 102
4.2.3 基于執(zhí)行器-評價器的策略梯度方法 104
4.2.4 深度確定性策略梯度 106
4.2.5 異步優(yōu)勢算法 107
4.3 CartPole編程實例 108
4.3.1 CartPole簡介 108
4.3.2 DQN 109
4.3.3 Actor-Critic 111
4.3.4 訓練結(jié)果 113
4.4 小結(jié) 113
參考文獻 114
拓展閱讀 114
第5章 自然語言處理、知識圖譜和可解釋人工智能 117
5.1 自然語言處理與文本挖掘 117
5.1.1 自然語言處理概述 117
5.1.2 NLP任務(wù) 119
5.1.3 醫(yī)學領(lǐng)域的NLP任務(wù) 121
5.1.4 NLP評估度量 123
5.1.5 NLP實踐準備 124
5.1.6 醫(yī)療領(lǐng)域的關(guān)系抽取 130
5.1.7 應用案例：藥品不良反應抽取 133
5.1.8 小結(jié) 135
5.2 知識圖譜 135
5.2.1 知識圖譜介紹 135
5.2.2 知識圖譜構(gòu)建技術(shù) 137
5.2.3 知識圖譜的應用技術(shù) 139
5.2.4 生物醫(yī)藥知識圖譜 140
5.2.5 應用案例：基于“疾病-化合物”關(guān)系的藥物篩查 142
5.2.6 小結(jié) 142
5.3 可解釋人工智能 142
5.3.1 可解釋性概述 142
5.3.2 可解釋性相關(guān)方法 143
5.3.3 可解釋性的評價方法 149
5.3.4 可解釋性應用案例 150
5.3.5 小結(jié) 151
參考文獻 151
拓展閱讀 154
第二部分 數(shù)據(jù)基礎(chǔ)與表征 159
第6章 分子結(jié)構(gòu)與生物活性數(shù)據(jù) 160
6.1 生物大分子結(jié)構(gòu)數(shù)據(jù)庫 160
6.1.1 蛋白質(zhì)和核酸三維結(jié)構(gòu)數(shù)據(jù)庫 161
6.1.2 生物大分子復合物結(jié)構(gòu)數(shù)據(jù)庫 163
6.1.3 特定功能或結(jié)構(gòu)類型的生物大分子結(jié)構(gòu)數(shù)據(jù)庫 168
6.1.4 肽類結(jié)構(gòu)數(shù)據(jù)庫 174
6.2 小分子結(jié)構(gòu)數(shù)據(jù)庫 175
6.2.1 綜合性庫 175
6.2.2 分子晶體結(jié)構(gòu)數(shù)據(jù)庫 179
6.2.3 天然產(chǎn)物數(shù)據(jù)庫 181
6.2.4 虛擬篩選分子庫 182
6.2.5 算法生成的虛擬分子庫 183
6.3 生物活性數(shù)據(jù)庫 186
6.4 小結(jié) 188
參考文獻 191
拓展閱讀 195
第7章 分子數(shù)據(jù)的表征 198
7.1 小分子化合物的表征 198
7.1.1 基于專業(yè)知識的小分子表征 198
7.1.2 基于字符串的表征 206
7.1.3 基于圖的表征 214
7.1.4 基于圖像的表征 218
7.1.5 實施案例 221
7.2 蛋白質(zhì)的表征 221
7.2.1 基于序列固有性質(zhì) 222
7.2.2 基于物理化學性質(zhì) 228
7.2.3 基于結(jié)構(gòu)性質(zhì) 232
7.2.4 蛋白質(zhì)表征相關(guān)工具 233
7.3 核酸序列的表征 236
7.3.1 基于序列信息的特征表征 236
7.3.2 基于物理化學性質(zhì)的特征表征 243
7.3.3 基于二級結(jié)構(gòu)的特征表征 250
7.3.4 實施案例 253
7.4 小結(jié)與展望 253
參考文獻 253
拓展閱讀 257
第三部分 人工智能與藥物設(shè)計 261
第8章 藥物靶標發(fā)現(xiàn)與識別 262
8.1 生物組學分析與藥物靶標發(fā)現(xiàn)和藥物重定位 262
8.1.1 多組學數(shù)據(jù)分析 262
8.1.2 基于組學的藥物靶點預測 262
8.1.3 基于組學的藥物重定位 267
8.1.4 案例解析 269
8.1.5 小結(jié)與展望 271
8.2 基于序列的蛋白質(zhì)可藥靶性的發(fā)現(xiàn) 272
8.2.1 基于蛋白質(zhì)序列相似性的功能預測方法 272
8.2.2 可靠藥物靶點信息的數(shù)據(jù)源 277
8.2.3 基于序列相似性比對的可藥靶性發(fā)現(xiàn) 279
8.2.4 基于序列衍生性質(zhì)的可藥靶性發(fā)現(xiàn) 280
8.3 基于結(jié)構(gòu)與網(wǎng)絡(luò)的可藥靶性識別 285
8.3.1 基于結(jié)構(gòu)的可藥靶性識別 285
8.3.2 基于網(wǎng)絡(luò)的可藥靶性識別 291
8.3.3 小結(jié)與展望 303
8.4 網(wǎng)絡(luò)藥理學與藥物重定向 303
8.4.1 網(wǎng)絡(luò)藥理學概述 303
8.4.2 生物分子網(wǎng)絡(luò)的構(gòu)建 305
8.4.3 基于網(wǎng)絡(luò)的靶標發(fā)現(xiàn)和藥物重定向 311
8.4.4 實施案例——基于圖神經(jīng)網(wǎng)絡(luò)的藥物重定位 316
8.4.5 小結(jié)與展望 317
參考文獻 317
第9章 分子結(jié)構(gòu)預測 323
9.1 蛋白質(zhì)結(jié)構(gòu)預測 323
9.1.1 蛋白質(zhì)結(jié)構(gòu) 323
9.1.2 蛋白質(zhì)二級結(jié)構(gòu)預測 325
9.1.3 蛋白質(zhì)三級結(jié)構(gòu)預測 326
9.1.4 基于模板的蛋白質(zhì)結(jié)構(gòu)建模 328
9.1.5 基于穿線法的蛋白質(zhì)結(jié)構(gòu)預測 330
9.1.6 基于片段組裝的方法 332
9.1.7 從頭折疊算法 333
9.1.8 基于氨基酸協(xié)同突變的接觸預測 334
9.1.9 基于端到端的結(jié)構(gòu)預測 335
9.1.10 小結(jié)與展望 338
9.2 核酸結(jié)構(gòu)預測 338
9.2.1 核酸結(jié)構(gòu)概述 338
9.2.2 核酸結(jié)構(gòu)預測中的傳統(tǒng)計算方法 341
9.2.3 人工智能在核酸結(jié)構(gòu)預測中的應用 346
9.2.4 應用實例與代碼 348
9.2.5 小結(jié)與展望 349
9.3 小分子構(gòu)象預測 349
9.3.1 分子的幾何結(jié)構(gòu) 349
9.3.2 小分子構(gòu)象預測方法的發(fā)展 351
9.3.3 實施案例 357
9.3.4 小結(jié)與展望 360
參考文獻 360
拓展閱讀 370
第10章 量子化學與分子力場的發(fā)展 373
10.1 人工智能用于計算化學 373
10.1.1 加速量子化學計算 373
10.1.2 人工智能用于化學反應 377
10.1.3 人工智能在高階量子電荷預測中的應用 383
10.1.4 小結(jié)與展望 388
10.2 分子力場的發(fā)展及優(yōu)化 389
10.2.1 經(jīng)典分子力場 389
10.2.2 極化力場 394
10.2.3 機器學習力場 396
10.2.4 機器學習力場的優(yōu)勢 401
10.2.5 機器學習力場的挑戰(zhàn) 404
參考文獻 406
拓展閱讀 411
第11章 小分子藥物生成與從頭設(shè)計 414
11.1 基于片段的藥物設(shè)計 414
11.1.1 簡介 414
11.1.2 FBDD步驟 415
11.1.3 計算機輔助的基于片段的藥物設(shè)計 420
11.1.4 FBDD的經(jīng)典成功案例 420
11.1.5 小結(jié)與展望 423
11.2 分子生成模型 423
11.2.1 基于GAN的分子生成模型 423
11.2.2 其他分子生成模型 437
11.2.3 基于GAN的分子生成模型的優(yōu)勢與不足 440
11.2.4 分子生成模型的挑戰(zhàn)與展望 442
11.2.5 小結(jié) 445
11.3 三維分子生成 446
11.3.1 三維分子生成中的分子表示 446
11.3.2 三維分子生成模型 449
11.3.3 三維分子生成模型在藥物發(fā)現(xiàn)中的應用 456
11.4 逆合成預測 457
11.4.1 簡介 457
11.4.2 單步逆合成 457
11.4.3 多步逆合成 461
11.4.4 小結(jié) 463
11.5 反應表現(xiàn)預測及反應條件優(yōu)化 463
11.5.1 反應產(chǎn)率預測 463
11.5.2 反應活性預測 466
11.5.3 反應選擇性預測 467
11.5.4 反應活化能和過渡態(tài)預測 470
11.5.5 反應條件優(yōu)化 472
11.5.6 小結(jié) 474
參考文獻 474
拓展閱讀 482
第12章 小分子藥物設(shè)計與優(yōu)化 485
12.1 小分子-靶標結(jié)合親和力預測與打分函數(shù)的設(shè)計 485
12.1.1 小分子靶標結(jié)合親和力預測與打分函數(shù) 485
12.1.2 基于人工智能的打分函數(shù) 486
12.1.3 基于人工智能的DTA預測模型 496
12.1.4 問題和展望 498
12.2 融合人工智能的分子對接與虛擬篩選方法 499
12.2.1 分子對接方法與挑戰(zhàn) 499
12.2.2 機器學習與系綜對接 499
12.2.3 深度學習與結(jié)合構(gòu)象預測 502
12.2.4 深度學習與虛擬篩選 505
12.3 基于配體的虛擬篩選 507
12.3.1 傳統(tǒng)基于配體的虛擬篩選方法 507
12.3.2 基于人工智能的配體虛擬篩選方法 511
參考文獻 514
拓展閱讀 519
第13章 基于人工智能的大分子藥物設(shè)計 522
13.1 大環(huán)類藥物設(shè)計 522
13.1.1 大環(huán)類藥物概述 522
13.1.2 大環(huán)類藥物的研究現(xiàn)狀 523
13.1.3 大環(huán)類藥物的設(shè)計方法 527
13.1.4 大環(huán)類藥物的設(shè)計實例 532
13.2 蛋白質(zhì)與多肽類大分子藥物設(shè)計 535
13.2.1 蛋白質(zhì)與多肽類大分子藥物概述 535
13.2.2 蛋白質(zhì)與多肽類大分子藥物設(shè)計中的挑戰(zhàn) 536
13.2.3 蛋白質(zhì)與多肽類大分子藥物的設(shè)計方法 538
13.2.4 蛋白質(zhì)與多肽類大分子藥物的設(shè)計實例 543
13.3 核酸類大分子藥物設(shè)計 545
13.3.1 核酸類大分子藥物概述 545
13.3.2 核酸類大分子藥物的設(shè)計模式 546
13.3.3 核酸類大分子藥物的設(shè)計方法 548
13.3.4 核酸類大分子藥物的設(shè)計實例——以NucleicNet為例 551
參考文獻 555
拓展閱讀 559
第14章 ADMET性質(zhì)預測 562
14.1 基于人工智能的ADMET預測 562
14.1.1 基于人工智能的ADMET預測概覽 562
14.1.2 可解釋性人工智能在ADMET中的應用 567
14.2 藥物毒性預測 574
14.2.1 藥物毒理學簡介 574
14.2.2 計算毒理學的出現(xiàn)和發(fā)展 575
14.2.3 人工智能在毒性預測方面的進展 575
14.2.4 毒性預測模型 576
14.2.5 人工智能的可解釋性與警示子結(jié)構(gòu)的識別 582
14.2.6 小結(jié)與展望 583
14.3 藥物代謝產(chǎn)物預測 584
14.3.1 藥物代謝及藥物代謝預測簡介 584
14.3.2 藥物代謝產(chǎn)物預測的研究現(xiàn)狀 585
14.3.3 藥物代謝產(chǎn)物預測的案例分析 591
14.3.4 藥物代謝預測的挑戰(zhàn)與展望 593
參考文獻 594
拓展閱讀 603
第15章 藥物晶型預測與劑型設(shè)計 606
15.1 藥物晶型預測 606
15.1.1 藥物晶型的結(jié)構(gòu) 606
15.1.2 藥物晶型的性質(zhì) 608
15.1.3 藥物晶型的預測 610
15.2 藥物劑型設(shè)計 617
15.2.1 藥物劑型簡介 617
15.2.2 原料藥性質(zhì)對劑型和工藝的影響 619
15.2.3 藥物劑型設(shè)計與預測 622
15.3 展望 624
參考文獻 625
拓展閱讀 627
附錄：縮略語對照表 629
索引 637
展開全部
人工智能與藥物設(shè)計 作者簡介
李洪林，華東師范大學紫江學者特聘教授，人工智能新藥創(chuàng)智中心主任；華東理工大學藥學院兼職教授，上海市新藥設(shè)計重點實驗室主任；臨港實驗室副主任。入選國家杰出青年科學基金，國家萬人計劃領(lǐng)軍人才等。獲自然科學一等獎、中國青年科技獎等多項獎勵。享受國務(wù)院政府特殊津貼。長期致力于藥物科學基礎(chǔ)和新藥發(fā)現(xiàn)，圍繞靶標發(fā)現(xiàn)和藥物設(shè)計中的科學問題，發(fā)展人工智能與藥物設(shè)計方法和軟件，開展新靶標發(fā)現(xiàn)和創(chuàng)新藥物發(fā)現(xiàn)研究。現(xiàn)已在 PNAS、NAR、JMC等專業(yè)期刊上發(fā)表論文180余篇，獲授權(quán)專利50余項；已發(fā)展藥物設(shè)計和靶標預測新方法和軟件10余套，建立的方法和平臺全球科研用戶超過3.5萬；發(fā)現(xiàn)原創(chuàng)候選藥物十余個，已實現(xiàn)科研成果轉(zhuǎn)化6項。 鄭明月，中國科學院上海藥物研究所研究員，課題組長，博士生導師。入選國家杰出青年科學基金，中科院青年創(chuàng)新促進會會員，騰訊 AI Lab 犀牛鳥專項研究計劃。獲得中國藥學會施維雅青年藥物化學獎，上海市人才發(fā)展資金，藥明康德生命化學研究獎等獎勵和榮譽。針對人工智能藥物設(shè)計開展多學科交叉研究，在數(shù)據(jù)信息資源的挖掘和可持續(xù)利用，人工智能算法和軟件開發(fā)，及其在藥物化學和藥理學研究中的概念驗證和應用探索方面取得了階段性的進展。開發(fā)的“基于大數(shù)據(jù)和人工智能的藥物設(shè)計前沿技術(shù)”獲得第十五屆“藥明康德生命化學研究獎”，并入選中國科協(xié)發(fā)布的首屆“科創(chuàng)中國”先導技術(shù)榜單。 朱峰，浙江大學長聘正教授，博士生導師。入選國家萬人計劃領(lǐng)軍人才、國家四青人才、科技部創(chuàng)新人才推進計劃科技創(chuàng)新領(lǐng)軍人才、浙江省杰出青年基金獲得者、浙江省千人計劃創(chuàng)新長期。愛思唯爾出版社Comput Biol Med雜志主編，美國化學會J Chem Inf Model雜志副主編。運用人工智能、復雜網(wǎng)絡(luò)分析等生物信息學手段和多組學新技術(shù)，分析和發(fā)現(xiàn)具有治療效用藥物靶點的成藥性和系統(tǒng)生物學特性，發(fā)展新穎的用于藥靶發(fā)現(xiàn)的新型預測方法和面向全球的在線工具，并進一步研究多靶點藥物與重要靶點的相互作用機制。 白芳，上海科技大學免疫化學研究所研究員，生命科學與技術(shù)學院常任助理教授，兼任信息科學與技術(shù)學院特聘教授、博士生導師。曾任美國得克薩斯大學休斯頓健康科學中心助理教授。獲中央組織部青年海外高層次人才，上海市青年科技啟明星。研究方向以發(fā)展藥物設(shè)計新計算方法為主，并致力于新藥設(shè)計與藥物作用機制等研究應用。在Science、Nature、PNAS、Chem Sci、NAR等期刊上發(fā)表論文40余篇，申請專利10余項。李洪林，華東師范大學紫江學者特聘教授，人工智能新藥創(chuàng)智中心主任；華東理工大學藥學院兼職教授，上海市新藥設(shè)計重點實驗室主任；臨港實驗室副主任。入選國家杰出青年科學基金，國家萬人計劃領(lǐng)軍人才等。獲自然科學一等獎、中國青年科技獎等多項獎勵。享受國務(wù)院政府特殊津貼。長期致力于藥物科學基礎(chǔ)和新藥發(fā)現(xiàn)，圍繞靶標發(fā)現(xiàn)和藥物設(shè)計中的科學問題，發(fā)展人工智能與藥物設(shè)計方法和軟件，開展新靶標發(fā)現(xiàn)和創(chuàng)新藥物發(fā)現(xiàn)研究。現(xiàn)已在 PNAS、NAR、JMC等專業(yè)期刊上發(fā)表論文180余篇，獲授權(quán)專利50余項；已發(fā)展藥物設(shè)計和靶標預測新方法和軟件10余套，建立的方法和平臺全球科研用戶超過3.5萬；發(fā)現(xiàn)原創(chuàng)候選藥物十余個，已實現(xiàn)科研成果轉(zhuǎn)化6項。 鄭明月，中國科學院上海藥物研究所研究員，課題組長，博士生導師。入選國家杰出青年科學基金，中科院青年創(chuàng)新促進會會員，騰訊 AI Lab 犀牛鳥專項研究計劃。獲得中國藥學會施維雅青年藥物化學獎，上海市人才發(fā)展資金，藥明康德生命化學研究獎等獎勵和榮譽。針對人工智能藥物設(shè)計開展多學科交叉研究，在數(shù)據(jù)信息資源的挖掘和可持續(xù)利用，人工智能算法和軟件開發(fā)，及其在藥物化學和藥理學研究中的概念驗證和應用探索方面取得了階段性的進展。開發(fā)的“基于大數(shù)據(jù)和人工智能的藥物設(shè)計前沿技術(shù)”獲得第十五屆“藥明康德生命化學研究獎”，并入選中國科協(xié)發(fā)布的首屆“科創(chuàng)中國”先導技術(shù)榜單。 朱峰，浙江大學長聘正教授，博士生導師。入選國家萬人計劃領(lǐng)軍人才、國家四青人才、科技部創(chuàng)新人才推進計劃科技創(chuàng)新領(lǐng)軍人才、浙江省杰出青年基金獲得者、浙江省千人計劃創(chuàng)新長期。愛思唯爾出版社Comput Biol Med雜志主編，美國化學會J Chem Inf Model雜志副主編。運用人工智能、復雜網(wǎng)絡(luò)分析等生物信息學手段和多組學新技術(shù)，分析和發(fā)現(xiàn)具有治療效用藥物靶點的成藥性和系統(tǒng)生物學特性，發(fā)展新穎的用于藥靶發(fā)現(xiàn)的新型預測方法和面向全球的在線工具，并進一步研究多靶點藥物與重要靶點的相互作用機制。 白芳，上海科技大學免疫化學研究所研究員，生命科學與技術(shù)學院常任助理教授，兼任信息科學與技術(shù)學院特聘教授、博士生導師。曾任美國得克薩斯大學休斯頓健康科學中心助理教授。獲中央組織部青年海外高層次人才，上海市青年科技啟明星。研究方向以發(fā)展藥物設(shè)計新計算方法為主，并致力于新藥設(shè)計與藥物作用機制等研究應用。在Science、Nature、PNAS、Chem Sci、NAR等期刊上發(fā)表論文40余篇，申請專利10余項。
書友推薦
- >
煙與鏡
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學概述
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
月亮虎
- >
唐代進士錄
- >
莉莉和章魚
- >
龍榆生：詞曲概論/大家小書
- >
【精裝繪本】畫給孩子的中國神話
本類暢銷
