智能药物研发——新药研发中的人工智能
《智能药物研发--新药研发中的人工智能》围绕生物化学分子，介绍了新药研发过程中各阶段的人工智能技术，主要内容包括人工智能在生物分子的化学表征方法、基于分子表征的无监督预训练方法、分子性质预测、智能分子生成、药物-靶标相互作用预测、药物-药物相互作用预测、生物医药知识图谱应用、分子逆合成设计及生物医学命名实体识别等方面的应用。
简介
《智能药物研发--新药研发中的人工智能》围绕生物化学分子，介绍了新药研发过程中各阶段的人工智能技术，主要内容包括人工智能在生物分子的化学表征方法、基于分子表征的无监督预训练方法、分子性质预测、智能分子生成、药物-靶标相互作用预测、药物-药物相互作用预测、生物医药知识图谱应用、分子逆合成设计及生物医学命名实体识别等方面的应用。
热门划线
智能药物研发——新药研发中的人工智能
宋弢 曾湘祥 王爽 王建民
- 目 录
- 绪论1
- 1.1 新药研发概述1
- 1.2 新药研究阶段2
- 1.2.1 靶标的选择与确证2
- 1.2.2 模型的建立2
- 1.2.3 先导化合物的发现3
- 1.2.4 先导化合物的优化3
- 1.3 新药开发阶段4
- 1.3.1 临床前研究4
- 1.3.2 临床研究5
- 1.3.3 新药申请6
- 1.3.4 批准上市6
- 1.4 药物研发中的药物信息学6
- 计算和数据驱动的药物发现8
- 2.1 计算机辅助药物发现8
- 2.2 使用人工智能进行药物开发的原因9
- 2.3 用于药物设计的人工智能方法的类型9
- 2.4 人工智能在药物设计中的应用10
- 生物分子的化学表征方法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 基于图的分子表示15
- 基于分子表征的无监督预训练方法16
- 4.1 概述16
- 4.2 分子无监督预训练策略17
- 4.3 基于序列的预训练策略18
- 4.3.1 基于SMILES的预训练策略18
- 4.3.2 基于描述符的预训练策略19
- 4.4 基于图的预训练策略20
- 4.5 无监督预训练应用22
- 4.5.1 分子性质预测23
- 4.5.2 药物-药物相互作用预测24
- 4.5.3 药物-靶标相互作用预测25
- 4.6 总结26
- 分子性质预测27
- 5.1 概述27
- 5.2 分子性质预测模型通用数据集27
- 5.3 传统机器学习在分子性质预测中的应用29
- 5.4 基于SMILES的分子性质预测模型32
- 5.5 基于图的分子性质预测模型34
- 5.6 基于元学习的分子性质预测模型37
- 5.7 总结41
- 智能分子生成43
- 6.1 概述43
- 6.2 生成模型通用数据集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 基于图的生成模型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 总结52
- 7.1 概述53
- 7.2 数据集53
- 7.3 虚拟筛选软件55
- 7.4 药物分子与蛋白质靶标的表征56
- 7.4.1 药物分子的表征 56
- 7.4.2 蛋白质的表征58
- 7.5 基于机器学习的预测模型60
- 7.6 基于深度学习的预测模型61
- 7.6.1 基于循环网络的预测模型61
- 7.6.2 基于卷积的预测模型62
- 7.6.3 基于生成的预测模型63
- 7.6.4 基于图的预测模型64
- 7.7 总结65
- 8.1 概述67
- 8.2 常见的药物相互作用数据库67
- 8.3 基于序列结构的预测模型68
- 8.3.1 基于相似性的方法68
- 8.3.2 相似性和神经网络相结合的方法70
- 8.4 基于图神经网络的预测模型70
- 8.4.1 基于图神经网络的方法71
- 8.4.2 基于知识图谱的方法72
- 8.5 信息提取模型73
- 8.6 基于复杂网络的方法76
- 8.7 总结77
- 生物医药知识图谱79
- 9.1 概述79
- 9.2 构建生物医药知识图谱的常见数据库80
- 9.3 知识图谱嵌入模型81
- 9.3.1 基于翻译的模型 84
- 9.3.2 基于张量分解的模型84
- 9.3.3 基于神经网络的模型85
- 9.4 基于知识图谱的生物医学预测任务86
- 9.4.1 药物不良反应预测86
- 9.4.2 药物重定位89
- 9.5 总结92
- 基于深度学习的分子逆合成设计94
- 10.1 概述 94
- 10.2 逆合成设计的准备97
- 10.2.1 化学反应数据集97
- 10.2.2 化学反应的数据表示99
- 10.2.3 原子映射101
- 10.2.4 评估标准103
- 10.3 用于逆合成设计的模型104
- 10.3.1 单步逆合成设计104
- 10.3.2 多步逆合成设计108
- 10.4 用于逆合成设计的进阶工具110
- 10.4.1 Chematica110
- 10.4.2 ASKCOS112
- 10.4.3 RoboRXN112
- 10.5 总结 113
- 生物医学命名实体识别114
- 11.1 概述 114
- 11.2 深度学习BioNER结构115
- 11.2.1 数据集的准备 116
- 11.2.2 实体特征的提取116
- 11.2.3 候选实体的分类118
- 11.3 深度学习方法119
- 11.3.1 基于单一神经网络的方法 121
- 11.3.2 基于多任务学习的方法123
- 11.3.3 基于迁移学习的方法125
- 11.3.4 基于混合模型的方法128
- 11.4 不同方法的比较分析130
- 11.4.1 数据集130
- 11.4.2 评价标准与性能比较131
- 11.5 挑战与展望135
- 参考文献137