书名：人工智能药物研发  

定价：248.0 

ISBN：9787030768698  

作者：（美）亚历山大·海菲兹（Alexander Heifetz）  

出版时间：2023-12

出版社：科学出版社 

内容提要

本书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。本书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。  

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 最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 第一次测试——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