中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
人工智能輔助藥物設計 版權信息
- ISBN：9787115633927
- 條形碼：9787115633927 ; 978-7-115-63392-7
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
人工智能輔助藥物設計 本書特色
1. 揭秘人工智能如何賦能藥物設計 研發。
2. 涵蓋人工智能應用于藥物設計領域的核心技術。
3. 基于Python語言介紹人工智能的應用案例，展示人工智能在分子表示、藥物分子性質預測、分子生成、配體與蛋白質結合能力預測，以及蛋白質結構預測等新藥研發任務中的具體應用
人工智能輔助藥物設計 內容簡介
本書著重介紹人工智能技術在醫藥研發領域的應用。全書按照循序漸進的方式組織內容：先介紹人工智能的基本方法和生物醫藥的基本概念，然后介紹人工智能在分子表示、藥物分子性質預測、分子生成、配體與蛋白質結合能力預測，以及蛋白質結構預測等新藥研發任務中的具體應用，并結合具體示例，介紹如何將人工智能方法應用到實際的藥物研發中。 要想更好地掌握本書涵蓋的內容，讀者須掌握 Python 語言和藥物學的基礎知識。本書適合想了解人工智能輔助藥物研發的從業人員、高等院校醫工交叉學科的學生閱讀，也適合對人工智能輔助醫藥研發感興趣的藥物研發人員、程序員閱讀。
人工智能輔助藥物設計 目錄
第 1章 緒論1
1.1 人工智能發展歷史1
1.2 傳統計算機輔助藥物設計的歷史3
1.3 人工智能輔助藥物研發概況3
第 2章 機器學習的基本概念5
2.1 機器學習、深度學習與人工智能5
2.1.1 人工智能5
2.1.2 機器學習的關鍵術語7
2.2 機器學習的分類12
2.2.1 按任務類型分類12
2.2.2 按學習方式分類13
2.3 機器學習與藥物研發14
2.3.1 藥物設計方法15
2.3.2 藥物設計中常見的機器學習方法16
2.3.3 預測模型的構建17
2.4 參考資料18
第3章 支持向量機20
3.1 支持向量機簡介20
3.2 間隔與支持向量21
3.3 核函數22
3.4 軟間隔與正則化25
3.5 支持向量回歸29
3.6 支持向量機算法31
3.6.1 選塊算法31
3.6.2 分解算法32
3.6.3 模糊支持向量機算法32
3.6.4 序貫*小優化算法33
3.7 示例34
3.8 參考資料37
第4章 決策樹39
4.1 決策樹簡介39
4.2 決策樹劃分選擇40
4.2.1 信息熵40
4.2.2 信息增益42
4.2.3 信息增益率44
4.2.4 基尼指數45
4.3 示例46
第5章 集成學習51
5.1 集成學習簡介51
5.1.1 Bagging52
5.1.2 Boosting53
5.2 集成方法54
5.2.1 集成學習的結合策略54
5.2.2 增加基學習器多樣性的
方法55
5.3 隨機森林56
5.4 示例57
5.5 參考資料64
第6章 k近鄰算法65
6.1 k近鄰算法概述65
6.1.1 k近鄰算法65
6.1.2 距離加權近鄰算法67
6.1.3 對k近鄰算法的說明68
6.2 k近鄰算法的實現69
6.2.1 準備：使用Python導入數據70
6.2.2 從文本文件中解析數據71
6.2.3 如何測試分類器72
6.3 示例：用k近鄰算法改進約會網站的配對效果72
6.4 示例：手寫識別系統79
6.5 參考資料82
第7章 神經網絡84
7.1 生物神經元對人工神經元的啟發84
7.2 生物神經網絡與人工神經網絡的主要區別86
7.3 前饋神經網絡87
7.4 反向傳播算法89
7.5 激活函數90
7.5.1 Logistic函數91
7.5.2 Tanh函數91
7.5.3 ReLU函數92
7.5.4 Leaky ReLU函數93
7.5.5 Swish函數93
7.6 用Tensorflow構建神經網絡，實現激酶抑制劑分類94
7.6.1 數據預處理94
7.6.2 神經網絡構建96
7.6.3 模型訓練98
7.6.4 模型使用99
7.7 參考資料100
第8章 卷積神經網絡102
8.1 卷積神經網絡的結構102
8.1.1 卷積層102
8.1.2 池化層107
8.1.3 反池化110
8.1.4 激活函數層111
8.1.5 全連接層111
8.2 卷積神經網絡的相關計算112
8.2.1 特征圖112
8.2.2 感受野113
8.2.3 填充114
8.2.4 膨脹卷積115
8.3 示例：用卷積神經網絡預測藥物分子性質116
8.4 參考資料118
第9章 生成式深度學習119
9.1 深度學習與GAN119
9.1.1 深度學習119
9.1.2 GAN120
9.2 GAN的相關概念121
9.2.1 梯度下降法121
9.2.2 信息熵與KL散度122
9.2.3 納什均衡123
9.2.4 高斯分布和高斯過程123
9.3 GAN理論基礎124
9.3.1 什么是GAN124
9.3.2 GAN的原理124
9.4 GAN的訓練過程126
9.4.1 訓練判別器D127
9.4.2 訓練生成器G127
9.5 GAN的應用與代碼示例128
9.6 GAN的特點和GAN ZOO132
9.6.1 GAN的優點132
9.6.2 GAN的缺點132
9.6.3 GAN ZOO133
9.7 參考資料134
第 10章 Python編程基礎與計算環境搭建135
10.1 Python簡介135
10.2 Python基本編程136
10.2.1 Anaconda介紹137
10.2.2 安裝Anaconda137
10.2.3 終端窗口運行Python代碼片段140
10.2.4 PyCharm簡介140
10.2.5 配置PyCharm140
10.2.6 在PyCharm中編寫Python腳本142
10.3 Python語言基本要素143
10.3.1 基本數據類型143
10.3.2 if語句147
10.3.3 循環語句147
10.3.4 函數148
10.3.5 類149
10.4 深度學習框架的搭建150
10.4.1 TensorFlow和PyTorch簡介150
10.4.2 安裝TensorFlow151
10.4.3 安裝PyTorch152
10.5 參考資料154
第 11章 常用數據庫介紹155
11.1 藥物數據庫155
11.1.1 PubChem數據庫155
11.1.2 DrugBank數據庫158
11.1.3 DGIdb160
11.1.4 ChEMBL161
11.1.5 ETCM164
11.2 蛋白質數據庫165
11.2.1 UniProt數據庫165
11.2.2 PDB167
11.2.3 NCBI數據庫168
11.2.4 SMART數據庫170
11.2.5 Pfam數據庫172
11.2.6 STRING172
11.2.7 其他蛋白質數據庫174
11.3 藥物-靶點數據庫174
11.3.1 TTD174
11.3.2 BindingDB175
11.3.3 其他藥物-靶點數據庫177
11.4 參考資料178
第 12章 分子對接180
12.1 計算機輔助藥物設計概念180
12.2 分子對接的原理與分類182
12.2.1 分子對接的原理182
12.2.2 分子對接的分類182
12.3 分子對接的操作流程183
12.4 人工智能在分子對接中的應用191
12.4.1 打分函數191
12.4.2 蛋白質-配體分子對接中的機器學習192
12.4.3 基于深度學習的多肽與蛋白質相互作用的預測框架192
12.5 參考資料193
第 13章 QSAR的深度學習新應用195
13.1 QSAR195
13.1.1 QSAR的定義195
13.1.2 QSAR的發展簡介196
13.1.3 QSAR模型研究方法197
13.2 傳統的QSAR199
13.2.1 2D-QSAR的基本原理199
13.2.2 3D-QSAR的基本原理201
13.3 QSAR模型構建步驟203
13.3.1 軟件介紹203
13.3.2 3D-QSAR操作步驟203
13.4 機器學習背景下的QSAR211
13.4.1 常見的機器學習方法212
13.4.2 深度學習方法213
13.5 參考資料214
第 14章 分子的特征工程218
14.1 藥物分子結構218
14.1.1 什么是分子218
14.1.2 什么是分子鍵218
14.1.3 什么是分子構象219
14.1.4 什么是分子的手性220
14.2 分子描述符221
14.2.1 什么是分子描述符221
14.2.2 分子描述符的分類221
14.2.3 SMILES字符串222
14.2.4 SMARTS字符串223
14.3 分子指紋224
14.3.1 什么是分子指紋224
14.3.2 分子訪問系統結構鍵224
14.3.3 擴展連通性指紋225
14.4 藥物分子的特征工程226
14.4.1 什么是分子特征226
14.4.2 其他特征化方法226
14.4.3 特征選擇227
14.5 參考資料228
第 15章 藥物分子性質預測231
15.1 藥物代謝動力學231
15.1.1 藥物代謝動力學介紹231
15.1.2 ADMET簡介232
15.1.3 解離常數233
15.2 Lipinski原則233
15.2.1 Lipinski原則介紹233
15.2.2 Lipinski原則的簡單程序實現234
15.3 機器學習中的藥物分子性質預測235
15.3.1 數據特征化處理235
15.3.2 機器學習預測藥物分子性質237
15.4 深度學習中的藥物分子性質預測239
15.4.1 特征化處理和數據集劃分239
15.4.2 深度學習預測藥物分子性質241
15.5 參考資料244
第 16章 分子從頭生成245
16.1 先導化合物的優化245
16.2 藥物分子設計的原則245
16.2.1 前藥設計245
16.2.2 孿藥設計247
16.2.3 軟藥設計247
16.3 傳統的先導化合物優化247
16.3.1 采用生物電子等排體進行替換247
16.3.2 生物電子等排體的分類248
16.4 計算機輔助的先導化合物優化249
16.4.1 QSAR249
16.4.2 骨架躍遷251
16.5 分子從頭生成簡介252
16.5.1 什么是分子從頭生成252
16.5.2 分子生成的分類253
16.6 深度學習與分子從頭生成254
16.6.1 分子從頭生成背景254
16.6.2 分子從頭生成模型256
16.6.3 分子從頭生成的挑戰258
16.7 參考資料259
第 17章 蛋白質結構預測262
17.1 蛋白質的結構與功能262
17.1.1 蛋白質的結構層次262
17.1.2 蛋白質的功能264
17.2 蛋白質折疊動力學簡介264
17.2.1 蛋白質折疊264
17.2.2 蛋白質折疊動力學265
17.3 蛋白質結構預測算法266
17.3.1 遺傳算法266
17.3.2 模擬退火算法267
17.3.3 同源建模方法268
17.4 蛋白質結構預測的顛覆性發展269
17.5 基于蛋白質結構預測的藥物設計271
17.5.1 分子對接271
17.5.2 基于半監督學習的藥物-靶點相互作用研究272
17.5.3 藥物-靶點結合親和力研究273
17.6 參考資料274
第 18章 蛋白質-分子結合的深度學習預測276
18.1 藥物靶點的基本概念276
18.2 藥物靶點與小分子的相互作用277
18.3 藥物靶點與小分子的結合自由能的計算278
18.3.1 基于物理模型的方法279
18.3.2 經驗打分函數280
18.3.3 基于知識的方法281
18.3.4 基于深度學習的蛋白質-配體分子結合能力281
18.4 人工智能預測蛋白質-配體分子結合能的實戰283
18.4.1 藥物靶點與小分子的特征提取283
18.4.2 基于蛋白質與配體相互作用的指紋提取284
18.4.3 人工智能模型預測蛋白質-配體結合常數285
18.5 參考資料288
1.1 人工智能發展歷史1
1.2 傳統計算機輔助藥物設計的歷史3
1.3 人工智能輔助藥物研發概況3
第 2章 機器學習的基本概念5
2.1 機器學習、深度學習與人工智能5
2.1.1 人工智能5
2.1.2 機器學習的關鍵術語7
2.2 機器學習的分類12
2.2.1 按任務類型分類12
2.2.2 按學習方式分類13
2.3 機器學習與藥物研發14
2.3.1 藥物設計方法15
2.3.2 藥物設計中常見的機器學習方法16
2.3.3 預測模型的構建17
2.4 參考資料18
第3章 支持向量機20
3.1 支持向量機簡介20
3.2 間隔與支持向量21
3.3 核函數22
3.4 軟間隔與正則化25
3.5 支持向量回歸29
3.6 支持向量機算法31
3.6.1 選塊算法31
3.6.2 分解算法32
3.6.3 模糊支持向量機算法32
3.6.4 序貫*小優化算法33
3.7 示例34
3.8 參考資料37
第4章 決策樹39
4.1 決策樹簡介39
4.2 決策樹劃分選擇40
4.2.1 信息熵40
4.2.2 信息增益42
4.2.3 信息增益率44
4.2.4 基尼指數45
4.3 示例46
第5章 集成學習51
5.1 集成學習簡介51
5.1.1 Bagging52
5.1.2 Boosting53
5.2 集成方法54
5.2.1 集成學習的結合策略54
5.2.2 增加基學習器多樣性的
方法55
5.3 隨機森林56
5.4 示例57
5.5 參考資料64
第6章 k近鄰算法65
6.1 k近鄰算法概述65
6.1.1 k近鄰算法65
6.1.2 距離加權近鄰算法67
6.1.3 對k近鄰算法的說明68
6.2 k近鄰算法的實現69
6.2.1 準備：使用Python導入數據70
6.2.2 從文本文件中解析數據71
6.2.3 如何測試分類器72
6.3 示例：用k近鄰算法改進約會網站的配對效果72
6.4 示例：手寫識別系統79
6.5 參考資料82
第7章 神經網絡84
7.1 生物神經元對人工神經元的啟發84
7.2 生物神經網絡與人工神經網絡的主要區別86
7.3 前饋神經網絡87
7.4 反向傳播算法89
7.5 激活函數90
7.5.1 Logistic函數91
7.5.2 Tanh函數91
7.5.3 ReLU函數92
7.5.4 Leaky ReLU函數93
7.5.5 Swish函數93
7.6 用Tensorflow構建神經網絡，實現激酶抑制劑分類94
7.6.1 數據預處理94
7.6.2 神經網絡構建96
7.6.3 模型訓練98
7.6.4 模型使用99
7.7 參考資料100
第8章 卷積神經網絡102
8.1 卷積神經網絡的結構102
8.1.1 卷積層102
8.1.2 池化層107
8.1.3 反池化110
8.1.4 激活函數層111
8.1.5 全連接層111
8.2 卷積神經網絡的相關計算112
8.2.1 特征圖112
8.2.2 感受野113
8.2.3 填充114
8.2.4 膨脹卷積115
8.3 示例：用卷積神經網絡預測藥物分子性質116
8.4 參考資料118
第9章 生成式深度學習119
9.1 深度學習與GAN119
9.1.1 深度學習119
9.1.2 GAN120
9.2 GAN的相關概念121
9.2.1 梯度下降法121
9.2.2 信息熵與KL散度122
9.2.3 納什均衡123
9.2.4 高斯分布和高斯過程123
9.3 GAN理論基礎124
9.3.1 什么是GAN124
9.3.2 GAN的原理124
9.4 GAN的訓練過程126
9.4.1 訓練判別器D127
9.4.2 訓練生成器G127
9.5 GAN的應用與代碼示例128
9.6 GAN的特點和GAN ZOO132
9.6.1 GAN的優點132
9.6.2 GAN的缺點132
9.6.3 GAN ZOO133
9.7 參考資料134
第 10章 Python編程基礎與計算環境搭建135
10.1 Python簡介135
10.2 Python基本編程136
10.2.1 Anaconda介紹137
10.2.2 安裝Anaconda137
10.2.3 終端窗口運行Python代碼片段140
10.2.4 PyCharm簡介140
10.2.5 配置PyCharm140
10.2.6 在PyCharm中編寫Python腳本142
10.3 Python語言基本要素143
10.3.1 基本數據類型143
10.3.2 if語句147
10.3.3 循環語句147
10.3.4 函數148
10.3.5 類149
10.4 深度學習框架的搭建150
10.4.1 TensorFlow和PyTorch簡介150
10.4.2 安裝TensorFlow151
10.4.3 安裝PyTorch152
10.5 參考資料154
第 11章 常用數據庫介紹155
11.1 藥物數據庫155
11.1.1 PubChem數據庫155
11.1.2 DrugBank數據庫158
11.1.3 DGIdb160
11.1.4 ChEMBL161
11.1.5 ETCM164
11.2 蛋白質數據庫165
11.2.1 UniProt數據庫165
11.2.2 PDB167
11.2.3 NCBI數據庫168
11.2.4 SMART數據庫170
11.2.5 Pfam數據庫172
11.2.6 STRING172
11.2.7 其他蛋白質數據庫174
11.3 藥物-靶點數據庫174
11.3.1 TTD174
11.3.2 BindingDB175
11.3.3 其他藥物-靶點數據庫177
11.4 參考資料178
第 12章 分子對接180
12.1 計算機輔助藥物設計概念180
12.2 分子對接的原理與分類182
12.2.1 分子對接的原理182
12.2.2 分子對接的分類182
12.3 分子對接的操作流程183
12.4 人工智能在分子對接中的應用191
12.4.1 打分函數191
12.4.2 蛋白質-配體分子對接中的機器學習192
12.4.3 基于深度學習的多肽與蛋白質相互作用的預測框架192
12.5 參考資料193
第 13章 QSAR的深度學習新應用195
13.1 QSAR195
13.1.1 QSAR的定義195
13.1.2 QSAR的發展簡介196
13.1.3 QSAR模型研究方法197
13.2 傳統的QSAR199
13.2.1 2D-QSAR的基本原理199
13.2.2 3D-QSAR的基本原理201
13.3 QSAR模型構建步驟203
13.3.1 軟件介紹203
13.3.2 3D-QSAR操作步驟203
13.4 機器學習背景下的QSAR211
13.4.1 常見的機器學習方法212
13.4.2 深度學習方法213
13.5 參考資料214
第 14章 分子的特征工程218
14.1 藥物分子結構218
14.1.1 什么是分子218
14.1.2 什么是分子鍵218
14.1.3 什么是分子構象219
14.1.4 什么是分子的手性220
14.2 分子描述符221
14.2.1 什么是分子描述符221
14.2.2 分子描述符的分類221
14.2.3 SMILES字符串222
14.2.4 SMARTS字符串223
14.3 分子指紋224
14.3.1 什么是分子指紋224
14.3.2 分子訪問系統結構鍵224
14.3.3 擴展連通性指紋225
14.4 藥物分子的特征工程226
14.4.1 什么是分子特征226
14.4.2 其他特征化方法226
14.4.3 特征選擇227
14.5 參考資料228
第 15章 藥物分子性質預測231
15.1 藥物代謝動力學231
15.1.1 藥物代謝動力學介紹231
15.1.2 ADMET簡介232
15.1.3 解離常數233
15.2 Lipinski原則233
15.2.1 Lipinski原則介紹233
15.2.2 Lipinski原則的簡單程序實現234
15.3 機器學習中的藥物分子性質預測235
15.3.1 數據特征化處理235
15.3.2 機器學習預測藥物分子性質237
15.4 深度學習中的藥物分子性質預測239
15.4.1 特征化處理和數據集劃分239
15.4.2 深度學習預測藥物分子性質241
15.5 參考資料244
第 16章 分子從頭生成245
16.1 先導化合物的優化245
16.2 藥物分子設計的原則245
16.2.1 前藥設計245
16.2.2 孿藥設計247
16.2.3 軟藥設計247
16.3 傳統的先導化合物優化247
16.3.1 采用生物電子等排體進行替換247
16.3.2 生物電子等排體的分類248
16.4 計算機輔助的先導化合物優化249
16.4.1 QSAR249
16.4.2 骨架躍遷251
16.5 分子從頭生成簡介252
16.5.1 什么是分子從頭生成252
16.5.2 分子生成的分類253
16.6 深度學習與分子從頭生成254
16.6.1 分子從頭生成背景254
16.6.2 分子從頭生成模型256
16.6.3 分子從頭生成的挑戰258
16.7 參考資料259
第 17章 蛋白質結構預測262
17.1 蛋白質的結構與功能262
17.1.1 蛋白質的結構層次262
17.1.2 蛋白質的功能264
17.2 蛋白質折疊動力學簡介264
17.2.1 蛋白質折疊264
17.2.2 蛋白質折疊動力學265
17.3 蛋白質結構預測算法266
17.3.1 遺傳算法266
17.3.2 模擬退火算法267
17.3.3 同源建模方法268
17.4 蛋白質結構預測的顛覆性發展269
17.5 基于蛋白質結構預測的藥物設計271
17.5.1 分子對接271
17.5.2 基于半監督學習的藥物-靶點相互作用研究272
17.5.3 藥物-靶點結合親和力研究273
17.6 參考資料274
第 18章 蛋白質-分子結合的深度學習預測276
18.1 藥物靶點的基本概念276
18.2 藥物靶點與小分子的相互作用277
18.3 藥物靶點與小分子的結合自由能的計算278
18.3.1 基于物理模型的方法279
18.3.2 經驗打分函數280
18.3.3 基于知識的方法281
18.3.4 基于深度學習的蛋白質-配體分子結合能力281
18.4 人工智能預測蛋白質-配體分子結合能的實戰283
18.4.1 藥物靶點與小分子的特征提取283
18.4.2 基于蛋白質與配體相互作用的指紋提取284
18.4.3 人工智能模型預測蛋白質-配體結合常數285
18.5 參考資料288
展開全部
人工智能輔助藥物設計 作者簡介
常珊 教授，美國密蘇里大學哥倫比亞分校博士后，江蘇理工學院生物信息與醫藥工程研究所所長。主要研究方向為人工智能輔助藥物設計、機器學習和高性能計算。近年來，發表學術論文 120 余篇，被 SCI 檢索 100 余篇，Google Scholar 引用 1700 余次，獲得軟件著作權 14 項，申請發明專利 35 項（授權 9 項），參與出版專著 3 部，譯著 1 部。主持國家自然科學基金面上項目 1 項，完成國家自然科學基金 2 項、NSFC- 廣東聯合基金子課題 1 項以及其他省部級和企業橫向課題 10 余個。多次參加國際生物分子結構預測競賽（CASP），排名位居國際前列，在 2022 年的 CASP 15 中獲得蛋白質 -Ligand 預測賽道冠軍。
謝良旭 香港大學博士，江蘇理工學院生物信息與醫藥工程研究所副研究員。中國化學會會員、中國人工智能學會終身會員、Current Topics in Medicinal Chemistry 專刊編輯、江蘇省中以產業技術研究院青年博士創新聯盟成員。主要研究方向為人工智能輔助藥物篩選和探索重要生物過程的分子機制。榮獲江蘇省高等學校科學技術研究成果三等獎，入選江蘇省“雙創博士”計劃、常州市青年科技人才托舉工程項目。近年來，發表 SCI 論文 40 余篇，主持國家自然科學基金、江蘇省自然科學基金等多個項目。
書友推薦
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
隨園食單
- >
月亮與六便士
- >
伯納黛特,你要去哪(2021新版)
- >
推拿
- >
朝聞道
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
本類暢銷
