掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
中醫入門必背歌訣
-
>
醫驗集要
-
>
尋回中醫失落的元神2:象之篇
-
>
補遺雷公炮制便覽 (一函2冊)
-
>
人體解剖學常用詞圖解(精裝)
-
>
神醫華佗(奇方妙治)
-
>
(精)河南古代醫家經驗輯
智能藥物研發——新藥研發中的人工智能 版權信息
- ISBN：9787302618386
- 條形碼：9787302618386 ; 978-7-302-61838-6
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
智能藥物研發——新藥研發中的人工智能 本書特色
《智能藥物研發--新藥研發中的人工智能》闡述了人工智能技術為新藥研發帶來的革命性變化，極大節省了人力、物力、時間和資源成本，適合以計算機、生物、化學等為主要專業的學生、老師以及研究學者使用，為其未來專業深造提供交叉學科的相關知識。
智能藥物研發——新藥研發中的人工智能 內容簡介
《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征方法、基于分子表征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。
智能藥物研發——新藥研發中的人工智能 目錄
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 計算機輔助藥物發現8
2.2 使用人工智能進行藥物開發的原因9
2.3 用于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 基于圖的分子表示15
第4章 基于分子表征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 基于序列的預訓練策略18
4.3.1 基于SMILES的預訓練策略18
4.3.2 基于描述符的預訓練策略19
4.4 基于圖的預訓練策略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 基于SMILES的分子性質預測模型32
5.5 基于圖的分子性質預測模型34
5.6 基于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 基于圖的生成模型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 總結52
第7章 基于深度學習的藥物-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征56
7.4.1 藥物分子的表征 56
7.4.2 蛋白質的表征58
7.5 基于機器學習的預測模型60
7.6 基于深度學習的預測模型61
7.6.1 基于循環網絡的預測模型61
7.6.2 基于卷積的預測模型62
7.6.3 基于生成的預測模型63
7.6.4 基于圖的預測模型64
7.7 總結65
第8章 基于深度學習的藥物-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 基于序列結構的預測模型68
8.3.1 基于相似性的方法68
8.3.2 相似性和神經網絡相結合的方法70
8.4 基于圖神經網絡的預測模型70
8.4.1 基于圖神經網絡的方法71
8.4.2 基于知識圖譜的方法72
8.5 信息提取模型73
8.6 基于復雜網絡的方法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 基于翻譯的模型 84
9.3.2 基于張量分解的模型84
9.3.3 基于神經網絡的模型85
9.4 基于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 基于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 用于逆合成設計的模型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 用于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 實體特征的提取116
11.2.3 候選實體的分類118
11.3 深度學習方法119
11.3.1 基于單一神經網絡的方法 121
11.3.2 基于多任務學習的方法123
11.3.3 基于遷移學習的方法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
展開全部
書友推薦
- >
莉莉和章魚
- >
隨園食單
- >
月亮虎
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
羅庸西南聯大授課錄
- >
上帝之肋:男人的真實旅程
- >
我從未如此眷戀人間
- >
李白與唐代文化
本類暢銷
