人工智能藥物研發(fā)

目錄
第1章 人工智能在藥物設(shè)計中的應(yīng)用：機遇與挑戰(zhàn) 1
1.1 引言：藥物設(shè)計面臨哪些挑戰(zhàn) 1
1.2 人工智能在藥物設(shè)計中的應(yīng)用 4
1.3 藥物設(shè)計中人工智能決策的挑戰(zhàn)29
1.4 總結(jié) 32
第2章 機器學習在藥理學和ADMET終點建模中的應(yīng)用 46
2.1 引言46
2.2 ML在ADMET問題中的應(yīng)用 48
2.3 總結(jié)與展望70
第3章 以人工智能挑戰(zhàn)新型冠狀病毒感染 79
3.1 引言79
3.2 基于結(jié)構(gòu)的藥物再利用81
3.3 人工智能在藥物再利用中的應(yīng)用82
3.4 研究中的再利用藥物83
3.5 挑戰(zhàn)與展望84
第4章 人工智能和機器學習在藥物發(fā)現(xiàn)中的應(yīng)用 88
4.1 引言88
4.2 生成化學92
4.3 靶點分析93
4.4 ADMET預(yù)測和評分93
4.5 合成規(guī)劃94
4.6 總結(jié)95
第5章 深度學習與計算化學 99
5.1 引言99
5.2 深度學習在計算化學中的應(yīng)用 103
5.3 深度學習的影響 107
5.4 深度學習的開放性問題 109
5.5 深度學習的未來 112
第6章 人工智能是否影響了藥物發(fā)現(xiàn) 119
6.1 引言 119
6.2 從頭設(shè)計工具 120
6.3 人工智能和生成模型在藥物發(fā)現(xiàn)中的應(yīng)用 121
6.4 生成模型的前世今生 122
6.5 生成模型的使用：分布學習vs導向?qū)W習 122
6.6 在藥物發(fā)現(xiàn)中的應(yīng)用 123
6.7 REINVENT：使用生成模型 127
6.8 化合物庫的分子從頭設(shè)計 129
6.9 人工智能應(yīng)用面臨的挑戰(zhàn)與未來發(fā)展 129
第7章 網(wǎng)絡(luò)驅(qū)動的藥物發(fā)現(xiàn) 137
7.1 引言 137
7.2 網(wǎng)絡(luò)生物學和藥理學 138
7.3 對藥物發(fā)現(xiàn)的影響 139
7.4 網(wǎng)絡(luò)驅(qū)動的藥物發(fā)現(xiàn) 141
7.5 驗證 143
7.6 總結(jié) 144
第8章 GPCR配體滯留時間的機器學習預(yù)測 147
8.1 引言 147
8.2 材料 151
8.3 方法 151
8.4 注釋 155
第9章 基于化學語言模型的從頭分子設(shè)計 158
9.1 引言 158
9.2 材料 160
9.3 方法 162
第10章 用于QSAR的深度神經(jīng)網(wǎng)絡(luò) 180
10.1 引言 180
10.2 分子特征 182
10.3 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 184
10.4 改進模型性能 187
10.5 模型的可解釋性 190
10.6 總結(jié) 193
第11章 基于結(jié)構(gòu)的藥物設(shè)計中的深度學習 202
11.1 引言 202
11.2 評分函數(shù) 203
11.3 基于結(jié)構(gòu)的虛擬篩選 206
11.4 展望 206
第12章 深度學習在基于配體的從頭藥物設(shè)計中的應(yīng)用 211
12.1 引言 211
12.2 從頭設(shè)計：歷史和背景 212
12.3 從頭設(shè)計的神經(jīng)網(wǎng)絡(luò)架構(gòu) 213
12.4 基于配體的深度生成模型在從頭藥物設(shè)計中的應(yīng)用 221
12.5 基于配體的深度生成模型的界限突破 224
12.6 總結(jié) 225
第13章 超高通量蛋白 -配體對接與深度學習 233
13.1 引言 233
13.2 材料 234
13.3 方法 236
第14章 人工智能和量子計算——制藥行業(yè)的下一個顛覆者 249
14.1 引言 250
14.2 方法 253
14.3 總結(jié) 265
第15章 人工智能在化合物設(shè)計中的應(yīng)用 270
15.1 引言 270
15.2 材料 271
15.3 方法 272
15.4 總結(jié) 287
第16章 人工智能、機器學習和深度學習的實際藥物設(shè)計案例 297
16.1 引言 297
16.2 應(yīng)用領(lǐng)域 298
16.3 總結(jié)與展望 308
第17章 人工智能——提高從頭設(shè)計新化合物的可合成性 318
17.1 引言 318
17.2 計算分子生成 319
17.3 逆合成規(guī)劃和合成可行性評估 320
17.4 合成可行性和深度生成算法的結(jié)合 323
17.5 總結(jié) 324
第18章 基于組學數(shù)據(jù)的機器學習 327
18.1 引言 327
18.2 數(shù)據(jù)探索 328
18.3 模型的定義 330
18.4 超參數(shù)搜索 330
18.5 模型驗證 332
18.6 *終模型的訓練和解釋 332
第19章 深度學習在治療性抗體開發(fā)中的應(yīng)用 335
19.1 引言 335
19.2 抗體開發(fā)中的監(jiān)督學習 337
19.3 抗體開發(fā)中的無監(jiān)督學習 340
19.4 總結(jié) 342
第20章 機器學習在ADMET預(yù)測中的應(yīng)用 345
20.1 引言 345
20.2 材料 346
20.3 方法 349
20.4 注釋 352
20.5 總結(jié) 353
第21章 人工智能在藥代動力學預(yù)測應(yīng)用中的機遇與思考 356
21.1 引言 356
21.2 DMPK的演變 356
21.3 人工智能在藥代動力學預(yù)測中的機遇 358
21.4 數(shù)據(jù)的質(zhì)量 363
21.5 體內(nèi)數(shù)據(jù) 365
21.6 機遇與挑戰(zhàn) 367
21.7 前瞻性視角 368
第22章 人工智能在藥物安全性和代謝中的應(yīng)用 372
22.1 引言 372
22.2 藥物代謝和藥代動力學的演變 374
22.3 計算毒理學模型的應(yīng)用 376
22.4 未來展望 382
第23章 基于匹配分子對的分子構(gòu)思 388
23.1 引言 388
23.2 MMP算法 389
23.3 BioDig：GSK轉(zhuǎn)換數(shù)據(jù)庫 389
23.4 基于MMP的大規(guī)模分子構(gòu)思 391
23.5 基于MMP知識庫的價值量化 392
23.6 新轉(zhuǎn)換日益增長的tail命令 393
23.7 實用的MedChem轉(zhuǎn)換子集 395
23.8 MMP作為分子生成工具的評估 396
23.9 **次測試——人工參與 398
23.10 第二次測試——模仿人工 399
23.11 第三次測試——遺留項目 400
23.12 總結(jié) 401