书籍详情
人工智能药物研发
作者：（美）亚历山大·海菲兹（Alexander Heifetz）
出版社：科学出版社
出版时间：2023-12-01
ISBN：9787030768698
定价：¥248.00
购买这本书可以去
内容简介
《人工智能药物研发》概述了药物设计中人工智能方法开发与应用的*新进展，内容涵盖药物发现与开发、计算化学、药物化学、药物设计、药理学等多个交叉领域。《人工智能药物研发》系统介绍了人工智能对传统药物设计方法的加速和革新，包括基于结构和配体的药物设计、增强和多目标从头药物设计、从头分子生成、靶点结合活性与结合预测、ADMET（吸收、分布、代谢、排泄和毒性）性质、药代动力学、药物代谢、药物毒性预测、精准医疗、化学合成路线预测、大数据分析，以及人工智能对未来药物研发的影响。
作者简介
暂缺《人工智能药物研发》作者简介
目录
目录
第1章 人工智能在药物设计中的应用：机遇与挑战 1
1.1 引言：药物设计面临哪些挑战 1
1.2 人工智能在药物设计中的应用 4
1.3 药物设计中人工智能决策的挑战29
1.4 总结 32
第2章 机器学习在药理学和ADMET终点建模中的应用 46
2.1 引言46
2.2 ML在ADMET问题中的应用 48
2.3 总结与展望70
第3章 以人工智能挑战新型冠状病毒感染 79
3.1 引言79
3.2 基于结构的药物再利用81
3.3 人工智能在药物再利用中的应用82
3.4 研究中的再利用药物83
3.5 挑战与展望84
第4章 人工智能和机器学习在药物发现中的应用 88
4.1 引言88
4.2 生成化学92
4.3 靶点分析93
4.4 ADMET预测和评分93
4.5 合成规划94
4.6 总结95
第5章 深度学习与计算化学 99
5.1 引言99
5.2 深度学习在计算化学中的应用 103
5.3 深度学习的影响 107
5.4 深度学习的开放性问题 109
5.5 深度学习的未来 112
第6章 人工智能是否影响了药物发现 119
6.1 引言 119
6.2 从头设计工具 120
6.3 人工智能和生成模型在药物发现中的应用 121
6.4 生成模型的前世今生 122
6.5 生成模型的使用：分布学习vs导向学习 122
6.6 在药物发现中的应用 123
6.7 REINVENT：使用生成模型 127
6.8 化合物库的分子从头设计 129
6.9 人工智能应用面临的挑战与未来发展 129
第7章 网络驱动的药物发现 137
7.1 引言 137
7.2 网络生物学和药理学 138
7.3 对药物发现的影响 139
7.4 网络驱动的药物发现 141
7.5 验证 143
7.6 总结 144
第8章 GPCR配体滞留时间的机器学习预测 147
8.1 引言 147
8.2 材料 151
8.3 方法 151
8.4 注释 155
第9章 基于化学语言模型的从头分子设计 158
9.1 引言 158
9.2 材料 160
9.3 方法 162
第10章 用于QSAR的深度神经网络 180
10.1 引言 180
10.2 分子特征 182
10.3 深度神经网络结构 184
10.4 改进模型性能 187
10.5 模型的可解释性 190
10.6 总结 193
第11章 基于结构的药物设计中的深度学习 202
11.1 引言 202
11.2 评分函数 203
11.3 基于结构的虚拟筛选 206
11.4 展望 206
第12章 深度学习在基于配体的从头药物设计中的应用 211
12.1 引言 211
12.2 从头设计：历史和背景 212
12.3 从头设计的神经网络架构 213
12.4 基于配体的深度生成模型在从头药物设计中的应用 221
12.5 基于配体的深度生成模型的界限突破 224
12.6 总结 225
第13章 超高通量蛋白 -配体对接与深度学习 233
13.1 引言 233
13.2 材料 234
13.3 方法 236
第14章 人工智能和量子计算——制药行业的下一个颠覆者 249
14.1 引言 250
14.2 方法 253
14.3 总结 265
第15章 人工智能在化合物设计中的应用 270
15.1 引言 270
15.2 材料 271
15.3 方法 272
15.4 总结 287
第16章 人工智能、机器学习和深度学习的实际药物设计案例 297
16.1 引言 297
16.2 应用领域 298
16.3 总结与展望 308
第17章 人工智能——提高从头设计新化合物的可合成性 318
17.1 引言 318
17.2 计算分子生成 319
17.3 逆合成规划和合成可行性评估 320
17.4 合成可行性和深度生成算法的结合 323
17.5 总结 324
第18章 基于组学数据的机器学习 327
18.1 引言 327
18.2 数据探索 328
18.3 模型的定义 330
18.4 超参数搜索 330
18.5 模型验证 332
18.6 *终模型的训练和解释 332
第19章 深度学习在治疗性抗体开发中的应用 335
19.1 引言 335
19.2 抗体开发中的监督学习 337
19.3 抗体开发中的无监督学习 340
19.4 总结 342
第20章 机器学习在ADMET预测中的应用 345
20.1 引言 345
20.2 材料 346
20.3 方法 349
20.4 注释 352
20.5 总结 353
第21章 人工智能在药代动力学预测应用中的机遇与思考 356
21.1 引言 356
21.2 DMPK的演变 356
21.3 人工智能在药代动力学预测中的机遇 358
21.4 数据的质量 363
21.5 体内数据 365
21.6 机遇与挑战 367
21.7 前瞻性视角 368
第22章 人工智能在药物安全性和代谢中的应用 372
22.1 引言 372
22.2 药物代谢和药代动力学的演变 374
22.3 计算毒理学模型的应用 376
22.4 未来展望 382
第23章 基于匹配分子对的分子构思 388
23.1 引言 388
23.2 MMP算法 389
23.3 BioDig：GSK转换数据库 389
23.4 基于MMP的大规模分子构思 391
23.5 基于MMP知识库的价值量化 392
23.6 新转换日益增长的tail命令 393
23.7 实用的MedChem转换子集 395
23.8 MMP作为分子生成工具的评估 396
23.9 **次测试——人工参与 398
23.10 第二次测试——模仿人工 399
23.11 第三次测试——遗留项目 400
23.12 总结 401
第1章 人工智能在药物设计中的应用：机遇与挑战 1
1.1 引言：药物设计面临哪些挑战 1
1.2 人工智能在药物设计中的应用 4
1.3 药物设计中人工智能决策的挑战29
1.4 总结 32
第2章 机器学习在药理学和ADMET终点建模中的应用 46
2.1 引言46
2.2 ML在ADMET问题中的应用 48
2.3 总结与展望70
第3章 以人工智能挑战新型冠状病毒感染 79
3.1 引言79
3.2 基于结构的药物再利用81
3.3 人工智能在药物再利用中的应用82
3.4 研究中的再利用药物83
3.5 挑战与展望84
第4章 人工智能和机器学习在药物发现中的应用 88
4.1 引言88
4.2 生成化学92
4.3 靶点分析93
4.4 ADMET预测和评分93
4.5 合成规划94
4.6 总结95
第5章 深度学习与计算化学 99
5.1 引言99
5.2 深度学习在计算化学中的应用 103
5.3 深度学习的影响 107
5.4 深度学习的开放性问题 109
5.5 深度学习的未来 112
第6章 人工智能是否影响了药物发现 119
6.1 引言 119
6.2 从头设计工具 120
6.3 人工智能和生成模型在药物发现中的应用 121
6.4 生成模型的前世今生 122
6.5 生成模型的使用：分布学习vs导向学习 122
6.6 在药物发现中的应用 123
6.7 REINVENT：使用生成模型 127
6.8 化合物库的分子从头设计 129
6.9 人工智能应用面临的挑战与未来发展 129
第7章 网络驱动的药物发现 137
7.1 引言 137
7.2 网络生物学和药理学 138
7.3 对药物发现的影响 139
7.4 网络驱动的药物发现 141
7.5 验证 143
7.6 总结 144
第8章 GPCR配体滞留时间的机器学习预测 147
8.1 引言 147
8.2 材料 151
8.3 方法 151
8.4 注释 155
第9章 基于化学语言模型的从头分子设计 158
9.1 引言 158
9.2 材料 160
9.3 方法 162
第10章 用于QSAR的深度神经网络 180
10.1 引言 180
10.2 分子特征 182
10.3 深度神经网络结构 184
10.4 改进模型性能 187
10.5 模型的可解释性 190
10.6 总结 193
第11章 基于结构的药物设计中的深度学习 202
11.1 引言 202
11.2 评分函数 203
11.3 基于结构的虚拟筛选 206
11.4 展望 206
第12章 深度学习在基于配体的从头药物设计中的应用 211
12.1 引言 211
12.2 从头设计：历史和背景 212
12.3 从头设计的神经网络架构 213
12.4 基于配体的深度生成模型在从头药物设计中的应用 221
12.5 基于配体的深度生成模型的界限突破 224
12.6 总结 225
第13章 超高通量蛋白 -配体对接与深度学习 233
13.1 引言 233
13.2 材料 234
13.3 方法 236
第14章 人工智能和量子计算——制药行业的下一个颠覆者 249
14.1 引言 250
14.2 方法 253
14.3 总结 265
第15章 人工智能在化合物设计中的应用 270
15.1 引言 270
15.2 材料 271
15.3 方法 272
15.4 总结 287
第16章 人工智能、机器学习和深度学习的实际药物设计案例 297
16.1 引言 297
16.2 应用领域 298
16.3 总结与展望 308
第17章 人工智能——提高从头设计新化合物的可合成性 318
17.1 引言 318
17.2 计算分子生成 319
17.3 逆合成规划和合成可行性评估 320
17.4 合成可行性和深度生成算法的结合 323
17.5 总结 324
第18章 基于组学数据的机器学习 327
18.1 引言 327
18.2 数据探索 328
18.3 模型的定义 330
18.4 超参数搜索 330
18.5 模型验证 332
18.6 *终模型的训练和解释 332
第19章 深度学习在治疗性抗体开发中的应用 335
19.1 引言 335
19.2 抗体开发中的监督学习 337
19.3 抗体开发中的无监督学习 340
19.4 总结 342
第20章 机器学习在ADMET预测中的应用 345
20.1 引言 345
20.2 材料 346
20.3 方法 349
20.4 注释 352
20.5 总结 353
第21章 人工智能在药代动力学预测应用中的机遇与思考 356
21.1 引言 356
21.2 DMPK的演变 356
21.3 人工智能在药代动力学预测中的机遇 358
21.4 数据的质量 363
21.5 体内数据 365
21.6 机遇与挑战 367
21.7 前瞻性视角 368
第22章 人工智能在药物安全性和代谢中的应用 372
22.1 引言 372
22.2 药物代谢和药代动力学的演变 374
22.3 计算毒理学模型的应用 376
22.4 未来展望 382
第23章 基于匹配分子对的分子构思 388
23.1 引言 388
23.2 MMP算法 389
23.3 BioDig：GSK转换数据库 389
23.4 基于MMP的大规模分子构思 391
23.5 基于MMP知识库的价值量化 392
23.6 新转换日益增长的tail命令 393
23.7 实用的MedChem转换子集 395
23.8 MMP作为分子生成工具的评估 396
23.9 **次测试——人工参与 398
23.10 第二次测试——模仿人工 399
23.11 第三次测试——遗留项目 400
23.12 总结 401
猜您喜欢
