人工智能辅助药物设计电子书

内容提要

前言

资源与支持

第1章 绪论

1.1 人工智能发展历史

1.2 传统计算机辅助药物设计的历史

1.3 人工智能辅助药物研发概况

第2章 机器学习的基本概念

2.1 机器学习、深度学习与人工智能

2.1.1 人工智能

2.1.2 机器学习的关键术语

2.2 机器学习的分类

2.2.1 按任务类型分类

2.2.2 按学习方式分类

2.3 机器学习与药物研发

2.3.1 药物设计方法

2.3.2 药物设计中常见的机器学习方法

2.3.3 预测模型的构建

2.4 参考资料

第3章 支持向量机

3.1 支持向量机简介

3.2 间隔与支持向量

3.3 核函数

3.4 软间隔与正则化

3.5 支持向量回归

3.6 支持向量机算法

3.6.1 选块算法

3.6.2 分解算法

3.6.3 模糊支持向量机算法

3.6.4 序贯最小优化算法

3.7 示例

3.8 参考资料

第4章 决策树

4.1 决策树简介

4.2 决策树划分选择

4.2.1 信息熵

4.2.2 信息增益

4.2.3 信息增益率

4.2.4 基尼指数

4.3 示例

第5章 集成学习

5.1 集成学习简介

5.1.1 Bagging

5.1.2 Boosting

5.2 集成方法

5.2.1 集成学习的结合策略

5.2.2 增加基学习器多样性的方法

5.3 随机森林

5.4 示例

5.5 参考资料

第6章 k近邻算法

6.1 k近邻算法概述

6.1.1 k近邻算法

6.1.2 距离加权近邻算法

6.1.3 对k近邻算法的说明

6.2 k近邻算法的实现

6.2.1 准备：使用Python导入数据

6.2.2 从文本文件中解析数据

6.2.3 如何测试分类器

6.3 示例：用k近邻算法改进约会网站的配对效果

6.4 示例：手写识别系统

6.5 参考资料

第7章 神经网络

7.1 生物神经元对人工神经元的启发

7.2 生物神经网络与人工神经网络的主要区别

7.3 前馈神经网络

7.4 反向传播算法

7.5 激活函数

7.5.1 Logistic函数

7.5.2 Tanh函数

7.5.3 ReLU函数

7.5.4 Leaky ReLU函数

7.5.5 Swish函数

7.6 用Tensorflow构建神经网络，实现激酶抑制剂分类

7.6.1 数据预处理

7.6.2 神经网络构建

7.6.3 模型训练

7.6.4 模型使用

7.7 参考资料

第8章 卷积神经网络

8.1 卷积神经网络的结构

8.1.1 卷积层

8.1.2 池化层

8.1.3 反池化

8.1.4 激活函数层

8.1.5 全连接层

8.2 卷积神经网络的相关计算

8.2.1 特征图

8.2.2 感受野

8.2.3 填充

8.2.4 膨胀卷积

8.3 示例：用卷积神经网络预测药物分子性质

8.4 参考资料

第9章 生成式深度学习

9.1 深度学习与GAN

9.1.1 深度学习

9.1.2 GAN

9.2 GAN的相关概念

9.2.1 梯度下降法

9.2.2 信息熵与KL散度

9.2.3 纳什均衡

9.2.4 高斯分布和高斯过程

9.3 GAN理论基础

9.3.1 什么是GAN

9.3.2 GAN的原理

9.4 GAN的训练过程

9.4.1 训练判别器D

9.4.2 训练生成器G

9.5 GAN的应用与代码示例

9.6 GAN的特点和GAN ZOO

9.6.1 GAN的优点

9.6.2 GAN的缺点

9.6.3 GAN ZOO

9.7 参考资料

第10章 Python编程基础与计算环境搭建

10.1 Python简介

10.2 Python基本编程

10.2.1 Anaconda介绍

10.2.2 安装Anaconda

10.2.3 终端窗口运行Python代码片段

10.2.4 PyCharm简介

10.2.5 配置PyCharm

10.2.6 在PyCharm中编写Python脚本

10.3 Python语言基本要素

10.3.1 基本数据类型

10.3.2 if语句

10.3.3 循环语句

10.3.4 函数

10.3.5 类

10.4 深度学习框架的搭建

10.4.1 TensorFlow和PyTorch简介

10.4.2 安装TensorFlow

10.4.3 安装PyTorch

10.5 参考资料

第11章 常用数据库介绍

11.1 药物数据库

11.1.1 PubChem数据库

11.1.2 DrugBank数据库

11.1.3 DGIdb

11.1.4 ChEMBL

11.1.5 ETCM

11.2 蛋白质数据库

11.2.1 UniProt数据库

11.2.2 PDB

11.2.3 NCBI数据库

11.2.4 SMART数据库

11.2.5 Pfam数据库

11.2.6 STRING

11.2.7 其他蛋白质数据库

11.3 药物-靶点数据库

11.3.1 TTD

11.3.2 BindingDB

11.3.3 其他药物-靶点数据库

11.4 参考资料

第12章 分子对接

12.1 计算机辅助药物设计概念

12.2 分子对接的原理与分类

12.2.1 分子对接的原理

12.2.2 分子对接的分类

12.3 分子对接的操作流程

12.4 人工智能在分子对接中的应用

12.4.1 打分函数

12.4.2 蛋白质-配体分子对接中的机器学习

12.4.3 基于深度学习的多肽与蛋白质相互作用的预测框架

12.5 参考资料

第13章 QSAR的深度学习新应用

13.1 QSAR

13.1.1 QSAR的定义

13.1.2 QSAR的发展简介

13.1.3 QSAR模型研究方法

13.2 传统的QSAR

13.2.1 2D-QSAR的基本原理

13.2.2 3D-QSAR的基本原理

13.3 QSAR模型构建步骤

13.3.1 软件介绍

13.3.2 3D-QSAR操作步骤

13.4 机器学习背景下的QSAR

13.4.1 常见的机器学习方法

13.4.2 深度学习方法

13.5 参考资料

第14章 分子的特征工程

14.1 药物分子结构

14.1.1 什么是分子

14.1.2 什么是分子键

14.1.3 什么是分子构象

14.1.4 什么是分子的手性

14.2 分子描述符

14.2.1 什么是分子描述符

14.2.2 分子描述符的分类

14.2.3 SMILES字符串

14.2.4 SMARTS字符串

14.3 分子指纹

14.3.1 什么是分子指纹

14.3.2 分子访问系统结构键

14.3.3 扩展连通性指纹

14.4 药物分子的特征工程

14.4.1 什么是分子特征

14.4.2 其他特征化方法

14.4.3 特征选择

14.5 参考资料

第15章 药物分子性质预测

15.1 药物代谢动力学

15.1.1 药物代谢动力学介绍

15.1.2 ADMET简介

15.1.3 解离常数

15.2 Lipinski原则

15.2.1 Lipinski原则介绍

15.2.2 Lipinski原则的简单程序实现

15.3 机器学习中的药物分子性质预测

15.3.1 数据特征化处理

15.3.2 机器学习预测药物分子性质

15.4 深度学习中的药物分子性质预测

15.4.1 特征化处理和数据集划分

15.4.2 深度学习预测药物分子性质

15.5 参考资料

第16章 分子从头生成

16.1 先导化合物的优化

16.2 药物分子设计的原则

16.2.1 前药设计

16.2.2 孪药设计

16.2.3 软药设计

16.3 传统的先导化合物优化

16.3.1 采用生物电子等排体进行替换

16.3.2 生物电子等排体的分类

16.4 计算机辅助的先导化合物优化

16.4.1 QSAR

16.4.2 骨架跃迁

16.5 分子从头生成简介

16.5.1 什么是分子从头生成

16.5.2 分子生成的分类

16.6 深度学习与分子从头生成

16.6.1 分子从头生成背景

16.6.2 分子从头生成模型

16.6.3 分子从头生成的挑战

16.7 参考资料

第17章 蛋白质结构预测

17.1 蛋白质的结构与功能

17.1.1 蛋白质的结构层次

17.1.2 蛋白质的功能

17.2 蛋白质折叠动力学简介

17.2.1 蛋白质折叠

17.2.2 蛋白质折叠动力学

17.3 蛋白质结构预测算法

17.3.1 遗传算法

17.3.2 模拟退火算法

17.3.3 同源建模方法

17.4 蛋白质结构预测的颠覆性发展

17.5 基于蛋白质结构预测的药物设计

17.5.1 分子对接

17.5.2 基于半监督学习的药物-靶点相互作用研究

17.5.3 药物-靶点结合亲和力研究

17.6 参考资料

第18章 蛋白质-分子结合的深度学习预测

18.1 药物靶点的基本概念

18.2 药物靶点与小分子的相互作用

18.3 药物靶点与小分子的结合自由能的计算

18.3.1 基于物理模型的方法

18.3.2 经验打分函数

18.3.3 基于知识的方法

18.3.4 基于深度学习的蛋白质-配体分子结合能力

18.4 人工智能预测蛋白质-配体分子结合能的实战

18.4.1 药物靶点与小分子的特征提取

18.4.2 基于蛋白质与配体相互作用的指纹提取

18.4.3 人工智能模型预测蛋白质-配体结合常数

18.5 参考资料