书籍详情
智能药物研发：新药研发中的人工智能
作者：宋弢、曾湘祥、王爽、王建民
出版社：清华大学出版社
出版时间：2022-11-01
ISBN：9787302618386
定价：¥99.00
购买这本书可以去
内容简介
《智能药物研发：新药研发中的人工智能》围绕生物化学分子，介绍了新药研发过程中各阶段的人工智能技术，主要内容包括人工智能在生物分子的化学表征方法、基于分子表征的无监督预训练方法、分子性质预测、智能分子生成、药物-靶标相互作用预测、药物-药物相互作用预测、生物医药知识图谱应用、分子逆合成设计及生物医学命名实体识别等方面的应用。
作者简介
暂缺《智能药物研发：新药研发中的人工智能》作者简介
目录
第1章 绪论1
1.1 新药研发概述1
1.2 新药研究阶段2
1.2.1 靶标的选择与确证2
1.2.2 模型的建立2
1.2.3 先导化合物的发现3
1.2.4 先导化合物的优化3
1.3 新药开发阶段4
1.3.1 临床前研究4
1.3.2 临床研究5
1.3.3 新药申请6
1.3.4 批准上市6
1.4 药物研发中的药物信息学6
第2章 计算和数据驱动的药物发现8
2.1 计算机辅助药物发现8
2.2 使用人工智能进行药物开发的原因9
2.3 用于药物设计的人工智能方法的类型9
2.4 人工智能在药物设计中的应用10
第3章 生物分子的化学表征方法13
3.1 概述13
3.2 基于序列的分子表示14
3.2.1 基于SMILES的分子表示14
3.2.2 基于描述符的分子表示14
3.3 基于图的分子表示15
第4章 基于分子表征的无监督预训练方法16
4.1 概述16
4.2 分子无监督预训练策略17
4.3 基于序列的预训练策略18
4.3.1 基于SMILES的预训练策略18
4.3.2 基于描述符的预训练策略19
4.4 基于图的预训练策略20
4.5 无监督预训练应用22
4.5.1 分子性质预测23
4.5.2 药物-药物相互作用预测24
4.5.3 药物-靶标相互作用预测25
4.6 总结26
第5章 分子性质预测27
5.1 概述27
5.2 分子性质预测模型通用数据集27
5.3 传统机器学习在分子性质预测中的应用29
5.4 基于SMILES的分子性质预测模型32
5.5 基于图的分子性质预测模型34
5.6 基于元学习的分子性质预测模型37
5.7 总结41
第6章 智能分子生成43
6.1 概述43
6.2 生成模型通用数据集44
6.3 基于SMILES的生成模型45
6.3.1 基于VAE的分子生成模型45
6.3.2 基于GAN的分子生成模型46
6.3.3 基于RNN的分子生成模型47
6.4 基于图的生成模型48
6.4.1 基于VAE的分子生成模型48
6.4.2 基于GAN的分子生成模型49
6.4.3 基于RNN的分子生成模型50
6.4.4 基于流的分子生成模型50
6.5 总结52
第7章 基于深度学习的药物-靶标相互作用预测53
7.1 概述53
7.2 数据集53
7.3 虚拟筛选软件55
7.4 药物分子与蛋白质靶标的表征56
7.4.1 药物分子的表征 56
7.4.2 蛋白质的表征58
7.5 基于机器学习的预测模型60
7.6 基于深度学习的预测模型61
7.6.1 基于循环网络的预测模型61
7.6.2 基于卷积的预测模型62
7.6.3 基于生成的预测模型63
7.6.4 基于图的预测模型64
7.7 总结65
第8章 基于深度学习的药物-药物相互作用预测67
8.1 概述67
8.2 常见的药物相互作用数据库67
8.3 基于序列结构的预测模型68
8.3.1 基于相似性的方法68
8.3.2 相似性和神经网络相结合的方法70
8.4 基于图神经网络的预测模型70
8.4.1 基于图神经网络的方法71
8.4.2 基于知识图谱的方法72
8.5 信息提取模型73
8.6 基于复杂网络的方法76
8.7 总结77
第9章 生物医药知识图谱79
9.1 概述79
9.2 构建生物医药知识图谱的常见数据库80
9.3 知识图谱嵌入模型81
9.3.1 基于翻译的模型 84
9.3.2 基于张量分解的模型84
9.3.3 基于神经网络的模型85
9.4 基于知识图谱的生物医学预测任务86
9.4.1 药物不良反应预测86
9.4.2 药物重定位89
9.5 总结92
第10章 基于深度学习的分子逆合成设计94
10.1 概述 94
10.2 逆合成设计的准备97
10.2.1 化学反应数据集97
10.2.2 化学反应的数据表示99
10.2.3 原子映射101
10.2.4 评估标准103
10.3 用于逆合成设计的模型104
10.3.1 单步逆合成设计104
10.3.2 多步逆合成设计108
10.4 用于逆合成设计的进阶工具110
10.4.1 Chematica110
10.4.2 ASKCOS112
10.4.3 RoboRXN112
10.5 总结 113
第11章 生物医学命名实体识别114
11.1 概述 114
11.2 深度学习BioNER结构115
11.2.1 数据集的准备 116
11.2.2 实体特征的提取116
11.2.3 候选实体的分类118
11.3 深度学习方法119
11.3.1 基于单一神经网络的方法 121
11.3.2 基于多任务学习的方法123
11.3.3 基于迁移学习的方法125
11.3.4 基于混合模型的方法128
11.4 不同方法的比较分析130
11.4.1 数据集130
11.4.2 评价标准与性能比较131
11.5 挑战与展望135
参考文献137
1.1 新药研发概述1
1.2 新药研究阶段2
1.2.1 靶标的选择与确证2
1.2.2 模型的建立2
1.2.3 先导化合物的发现3
1.2.4 先导化合物的优化3
1.3 新药开发阶段4
1.3.1 临床前研究4
1.3.2 临床研究5
1.3.3 新药申请6
1.3.4 批准上市6
1.4 药物研发中的药物信息学6
第2章 计算和数据驱动的药物发现8
2.1 计算机辅助药物发现8
2.2 使用人工智能进行药物开发的原因9
2.3 用于药物设计的人工智能方法的类型9
2.4 人工智能在药物设计中的应用10
第3章 生物分子的化学表征方法13
3.1 概述13
3.2 基于序列的分子表示14
3.2.1 基于SMILES的分子表示14
3.2.2 基于描述符的分子表示14
3.3 基于图的分子表示15
第4章 基于分子表征的无监督预训练方法16
4.1 概述16
4.2 分子无监督预训练策略17
4.3 基于序列的预训练策略18
4.3.1 基于SMILES的预训练策略18
4.3.2 基于描述符的预训练策略19
4.4 基于图的预训练策略20
4.5 无监督预训练应用22
4.5.1 分子性质预测23
4.5.2 药物-药物相互作用预测24
4.5.3 药物-靶标相互作用预测25
4.6 总结26
第5章 分子性质预测27
5.1 概述27
5.2 分子性质预测模型通用数据集27
5.3 传统机器学习在分子性质预测中的应用29
5.4 基于SMILES的分子性质预测模型32
5.5 基于图的分子性质预测模型34
5.6 基于元学习的分子性质预测模型37
5.7 总结41
第6章 智能分子生成43
6.1 概述43
6.2 生成模型通用数据集44
6.3 基于SMILES的生成模型45
6.3.1 基于VAE的分子生成模型45
6.3.2 基于GAN的分子生成模型46
6.3.3 基于RNN的分子生成模型47
6.4 基于图的生成模型48
6.4.1 基于VAE的分子生成模型48
6.4.2 基于GAN的分子生成模型49
6.4.3 基于RNN的分子生成模型50
6.4.4 基于流的分子生成模型50
6.5 总结52
第7章 基于深度学习的药物-靶标相互作用预测53
7.1 概述53
7.2 数据集53
7.3 虚拟筛选软件55
7.4 药物分子与蛋白质靶标的表征56
7.4.1 药物分子的表征 56
7.4.2 蛋白质的表征58
7.5 基于机器学习的预测模型60
7.6 基于深度学习的预测模型61
7.6.1 基于循环网络的预测模型61
7.6.2 基于卷积的预测模型62
7.6.3 基于生成的预测模型63
7.6.4 基于图的预测模型64
7.7 总结65
第8章 基于深度学习的药物-药物相互作用预测67
8.1 概述67
8.2 常见的药物相互作用数据库67
8.3 基于序列结构的预测模型68
8.3.1 基于相似性的方法68
8.3.2 相似性和神经网络相结合的方法70
8.4 基于图神经网络的预测模型70
8.4.1 基于图神经网络的方法71
8.4.2 基于知识图谱的方法72
8.5 信息提取模型73
8.6 基于复杂网络的方法76
8.7 总结77
第9章 生物医药知识图谱79
9.1 概述79
9.2 构建生物医药知识图谱的常见数据库80
9.3 知识图谱嵌入模型81
9.3.1 基于翻译的模型 84
9.3.2 基于张量分解的模型84
9.3.3 基于神经网络的模型85
9.4 基于知识图谱的生物医学预测任务86
9.4.1 药物不良反应预测86
9.4.2 药物重定位89
9.5 总结92
第10章 基于深度学习的分子逆合成设计94
10.1 概述 94
10.2 逆合成设计的准备97
10.2.1 化学反应数据集97
10.2.2 化学反应的数据表示99
10.2.3 原子映射101
10.2.4 评估标准103
10.3 用于逆合成设计的模型104
10.3.1 单步逆合成设计104
10.3.2 多步逆合成设计108
10.4 用于逆合成设计的进阶工具110
10.4.1 Chematica110
10.4.2 ASKCOS112
10.4.3 RoboRXN112
10.5 总结 113
第11章 生物医学命名实体识别114
11.1 概述 114
11.2 深度学习BioNER结构115
11.2.1 数据集的准备 116
11.2.2 实体特征的提取116
11.2.3 候选实体的分类118
11.3 深度学习方法119
11.3.1 基于单一神经网络的方法 121
11.3.2 基于多任务学习的方法123
11.3.3 基于迁移学习的方法125
11.3.4 基于混合模型的方法128
11.4 不同方法的比较分析130
11.4.1 数据集130
11.4.2 评价标准与性能比较131
11.5 挑战与展望135
参考文献137
猜您喜欢
