智能藥物研發 — 新藥研發中的人工智能
宋弢、曾湘祥、王爽、王建民
買這商品的人也買了...
-
$352量化交易學習指南 基於R語言 -
線性代數應該這樣學, 3/e$419$398 -
$658文本機器學習 -
GAN 對抗式生成網路 (GANs in Action: Deep learning with Generative Adversarial Networks)$750$593 -
$862分佈式人工智能：基於tensorflow、rtos與群體智能體系 -
$505移動通信大數據分析 — 數據挖掘與機器學習實戰 -
$505TypeScript入門與實戰 -
$505深度學習與圍棋 -
$469數據科學與商業分析 用機器學習與統計學優化商業決策 -
$250復雜系統建模與模擬 — 基於 Python 語言 -
$458數亦有道 Python 數據科學指南 -
$352智能控制, 2/e -
打下最紮實 AI 基礎不依賴套件：手刻機器學習神經網路穩健前進$1,200$948 -
數據分析方法論和業務實戰（全彩）$474$450 -
大數據技術及架構圖解實戰派$876$832 -
$300AutoCAD 2022 中文版電氣設計從入門到精通 -
$509數據驅動的智能駕駛 -
$607利用 Python 實現概率、統計及機器學習方法（原書第2版） -
醫學影像深度學習$354$336 -
$509YOLO 目標檢測 -
新範式來臨 - 用 PyTorch 了解 LLM 開發微調 ChatGLM 全過程$980$774 -
LLM 走進你的電腦 - 自己動手開發大型語言模型應用$880$695 -
臨床診療人工智能 — 可解釋、可通用的臨床決策支持系統$468$445 -
深度學習$474$450 -
台灣之光物件辨識 - 最新 YOLO 原理精讀+實戰$800$632
相關主題
商品描述
《智能藥物研發--新藥研發中的人工智能》圍繞生物化學分子，介紹了新藥研發過程中各階段的人工智能技術，主要內容包括人工智能在生物分子的化學表徵方法、基於分子表徵的無監督預訓練方法、分子性質預測、智能分子生成、藥物-靶標相互作用預測、藥物-藥物相互作用預測、生物醫藥知識圖譜應用、分子逆合成設計及生物醫學命名實體識別等方面的應用。
目錄大綱
目 錄
第1章 緒論1
1.1 新藥研發概述1
1.2 新藥研究階段2
1.2.1 靶標的選擇與確證2
1.2.2 模型的建立2
1.2.3 先導化合物的發現3
1.2.4 先導化合物的優化3
1.3 新藥開發階段4
1.3.1 臨床前研究4
1.3.2 臨床研究5
1.3.3 新藥申請6
1.3.4 批準上市6
1.4 藥物研發中的藥物信息學6
第2章 計算和數據驅動的藥物發現8
2.1 電腦輔助藥物發現8
2.2 使用人工智能進行藥物開發的原因9
2.3 用於藥物設計的人工智能方法的類型9
2.4 人工智能在藥物設計中的應用10
第3章 生物分子的化學表徵方法13
3.1 概述13
3.2 基於序列的分子表示14
3.2.1 基於SMILES的分子表示14
3.2.2 基於描述符的分子表示14
3.3 基於圖的分子表示15
第4章 基於分子表徵的無監督預訓練方法16
4.1 概述16
4.2 分子無監督預訓練策略17
4.3 基於序列的預訓練策略18
4.3.1 基於SMILES的預訓練策略18
4.3.2 基於描述符的預訓練策略19
4.4 基於圖的預訓練策略20
4.5 無監督預訓練應用22
4.5.1 分子性質預測23
4.5.2 藥物-藥物相互作用預測24
4.5.3 藥物-靶標相互作用預測25
4.6 總結26
第5章 分子性質預測27
5.1 概述27
5.2 分子性質預測模型通用數據集27
5.3 傳統機器學習在分子性質預測中的應用29
5.4 基於SMILES的分子性質預測模型32
5.5 基於圖的分子性質預測模型34
5.6 基於元學習的分子性質預測模型37
5.7 總結41
第6章 智能分子生成43
6.1 概述43
6.2 生成模型通用數據集44
6.3 基於SMILES的生成模型45
6.3.1 基於VAE的分子生成模型45
6.3.2 基於GAN的分子生成模型46
6.3.3 基於RNN的分子生成模型47
6.4 基於圖的生成模型48
6.4.1 基於VAE的分子生成模型48
6.4.2 基於GAN的分子生成模型49
6.4.3 基於RNN的分子生成模型50
6.4.4 基於流的分子生成模型50
6.5 總結52
第7章 基於深度學習的藥物-靶標相互作用預測53
7.1 概述53
7.2 數據集53
7.3 虛擬篩選軟件55
7.4 藥物分子與蛋白質靶標的表徵56
7.4.1 藥物分子的表徵 56
7.4.2 蛋白質的表徵58
7.5 基於機器學習的預測模型60
7.6 基於深度學習的預測模型61
7.6.1 基於循環網絡的預測模型61
7.6.2 基於捲積的預測模型62
7.6.3 基於生成的預測模型63
7.6.4 基於圖的預測模型64
7.7 總結65
第8章 基於深度學習的藥物-藥物相互作用預測67
8.1 概述67
8.2 常見的藥物相互作用數據庫67
8.3 基於序列結構的預測模型68
8.3.1 基於相似性的方法68
8.3.2 相似性和神經網絡相結合的方法70
8.4 基於圖神經網絡的預測模型70
8.4.1 基於圖神經網絡的方法71
8.4.2 基於知識圖譜的方法72
8.5 信息提取模型73
8.6 基於復雜網絡的方法76
8.7 總結77
第9章 生物醫藥知識圖譜79
9.1 概述79
9.2 構建生物醫藥知識圖譜的常見數據庫80
9.3 知識圖譜嵌入模型81
9.3.1 基於翻譯的模型 84
9.3.2 基於張量分解的模型84
9.3.3 基於神經網絡的模型85
9.4 基於知識圖譜的生物醫學預測任務86
9.4.1 藥物不良反應預測86
9.4.2 藥物重定位89
9.5 總結92
第10章 基於深度學習的分子逆合成設計94
10.1 概述 94
10.2 逆合成設計的準備97
10.2.1 化學反應數據集97
10.2.2 化學反應的數據表示99
10.2.3 原子映射101
10.2.4 評估標準103
10.3 用於逆合成設計的模型104
10.3.1 單步逆合成設計104
10.3.2 多步逆合成設計108
10.4 用於逆合成設計的進階工具110
10.4.1 Chematica110
10.4.2 ASKCOS112
10.4.3 RoboRXN112
10.5 總結 113
第11章 生物醫學命名實體識別114
11.1 概述 114
11.2 深度學習BioNER結構115
11.2.1 數據集的準備 116
11.2.2 實體特徵的提取116
11.2.3 候選實體的分類118
11.3 深度學習方法119
11.3.1 基於單一神經網絡的方法 121
11.3.2 基於多任務學習的方法123
11.3.3 基於遷移學習的方法125
11.3.4 基於混合模型的方法128
11.4 不同方法的比較分析130
11.4.1 數據集130
11.4.2 評價標準與性能比較131
11.5 挑戰與展望135
參考文獻137
