目录

前言

2024年诺贝尔化学奖，AI赋能生命科学

关于《人工智能辅助药物设计》

编辑推荐

内容简介

作者简介

图书目录

《人工智能辅助药物设计》全书速览

结束语

前言

10月9日，2024年诺贝尔化学奖花落蛋白质结构预测和设计领域使用AI技术的科学家——David Baker、Demis Hassabis 和 John Jumper 。这三位科学家因在蛋白质结构预测和设计方面做出的卓越贡献而获奖。其中，David Baker因在计算蛋白质设计方面的工作获得一半的奖项，而另一半由 Demis Hassabis 和 John Jumper 共同获得，以表彰他们在蛋白质结构预测方面的成就。

2024年诺贝尔化学奖，AI赋能生命科学

关于2024年诺贝尔化学奖的揭晓，再次将AI For Science尤其是AI赋能生命科学推上风口浪尖，也让国内外众多从事相关研究的科学家以及从业人员对AI在科学领域的应用信心倍增。今年，这一奖项特别强调了AI在蛋白质结构预测方面的革命性贡献，尤其是AlphaFold AI技术的成功。这不仅是对技术的肯定，更是对未来科研方向的指引。

值得一提的是，蛋白质结构预测和设计在药物设计中起着至关重要的作用。‌通过解析目标蛋白质的三维结构，研究人员能够精确地设计和优化药物分子，提高其对特定生物靶标的亲和力和选择性，从而增加药物的功效和安全性‌。

关于《人工智能辅助药物设计》

接下来给大家推荐一本关于药物设计的书籍，如何用人工智能辅助药物设计的干货图书，一经上市就登上了当当“计算机与互联网”图书排行榜前列。本书从药物设计概念讲起到借助人工智能辅助，帮助相关人员在日常工作中轻松做药物设计！另外，关注本文博主，点赞+收藏本文，且在本文评论区评论“AI辅助药物设计”，将选取三名幸运读者送出纸质版《人工智能辅助药物设计》一本，截止时间：2024.10.19。入手《人工智能辅助药物设计》传送门：《人工智能辅助药物设计》(常珊 谢良旭)【简介_书评_在线阅读】 - 当当图书或者https://item.jd.com/14648178.html，个人觉得这本书非常的不错，是一本不可多得的好书，值得拥有去学习。

编辑推荐

适读人群 ：人工智能技术在医药研发领域的应用，案例基于Python语言，揭秘人工智能在药物设计开发领域中的核心技术，用AI提升医疗水平。

1. 揭秘人工智能如何赋能药物设计/研发。

2. 涵盖人工智能应用于药物设计领域的核心技术。

3. 基于Python语言介绍人工智能的应用案例，展示人工智能在分子表示、药物分子性质预测、分子生成、配体与蛋白质结合能力预测，以及蛋白质结构预测等新药研发任务中的具体应用。

内容简介

本书着重介绍人工智能技术在医药研发领域的应用。全书按照循序渐进的方式组织内容：先介绍人工智能的基本方法和生物医药的基本概念，然后介绍人工智能在分子表示、药物分子性质预测、分子生成、配体与蛋白质结合能力预测，以及蛋白质结构预测等新药研发任务中的具体应用，并结合具体示例，介绍如何将人工智能方法应用到实际的药物研发中。

要想更好地掌握本书涵盖的内容，读者须掌握 Python 语言和药物学的基础知识。本书适合想了解人工智能辅助药物研发的从业人员、高等院校医工交叉学科的学生阅读，也适合对人工智能辅助医药研发感兴趣的药物研发人员、程序员阅读。

作者简介

常珊 教授，美国密苏里大学哥伦比亚分校博士后，江苏理工学院生物信息与医药工程研究所所长。主要研究方向为人工智能辅助药物设计、机器学习和高性能计算。近年来，发表学术论文 120 余篇，被 SCI 检索 100 余篇，Google Scholar 引用 1700 余次，获得软件著作权 14 项，申请发明专利 35 项（授权 9 项），参与出版专著 3 部，译著 1 部。主持国家自然科学基金面上项目 1 项，完成国家自然科学基金 2 项、NSFC- 广东联合基金子课题 1 项以及其他省部级和企业横向课题 10 余个。多次参加国际生物分子结构预测竞赛（CASP），排名位居国际前列，在 2022 年的 CASP 15 中获得蛋白质 -Ligand 预测赛道冠军。

谢良旭 香港大学博士，江苏理工学院生物信息与医药工程研究所副研究员。中国化学会会员、中国人工智能学会终身会员、Current Topics in Medicinal Chemistry 专刊编辑、江苏省中以产业技术研究院青年博士创新联盟成员。主要研究方向为人工智能辅助药物筛选和探索重要生物过程的分子机制。荣获江苏省高等学校科学技术研究成果三等奖，入选江苏省“双创博士”计划、常州市青年科技人才托举工程项目。近年来，发表 SCI 论文 40 余篇，主持国家自然科学基金、江苏省自然科学基金等多个项目。

图书目录

第 1章 绪论 1

1.1 人工智能发展历史 1

1.2 传统计算机辅助药物设计的历史 3

1.3 人工智能辅助药物研发概况 3

第 2章 机器学习的基本概念 5

2.1 机器学习、深度学习与人工智能 5

2.1.1 人工智能 5

2.1.2 机器学习的关键术语 7

2.2 机器学习的分类 12

2.2.1 按任务类型分类 12

2.2.2 按学习方式分类 13

2.3 机器学习与药物研发 14

2.3.1 药物设计方法 15

2.3.2 药物设计中常见的机器学习方法 16

2.3.3 预测模型的构建 17

2.4 参考资料 18

第3章 支持向量机 20

3.1 支持向量机简介 20

3.2 间隔与支持向量 21

3.3 核函数 22

3.4 软间隔与正则化 25

3.5 支持向量回归 29

3.6 支持向量机算法 31

3.6.1 选块算法 31

3.6.2 分解算法 32

3.6.3 模糊支持向量机算法 32

3.6.4 序贯最小优化算法 33

3.7 示例 34

3.8 参考资料 37

第4章 决策树 39

4.1 决策树简介 39

4.2 决策树划分选择 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 基尼指数 45

4.3 示例 46

第5章 集成学习 51

5.1 集成学习简介 51

5.1.1 Bagging 52

5.1.2 Boosting 53

5.2 集成方法 54

5.2.1 集成学习的结合策略 54

5.2.2 增加基学习器多样性的

方法 55

5.3 随机森林 56

5.4 示例 57

5.5 参考资料 64

第6章 k近邻算法 65

6.1 k近邻算法概述 65

6.1.1 k近邻算法 65

6.1.2 距离加权近邻算法 67

6.1.3 对k近邻算法的说明 68

6.2 k近邻算法的实现 69

6.2.1 准备：使用Python导入数据 70

6.2.2 从文本文件中解析数据 71

6.2.3 如何测试分类器 72

6.3 示例：用k近邻算法改进约会网站的配对效果 72

6.4 示例：手写识别系统 79

6.5 参考资料 82

第7章 神经网络 84

7.1 生物神经元对人工神经元的启发 84

7.2 生物神经网络与人工神经网络的主要区别 86

7.3 前馈神经网络 87

7.4 反向传播算法 89

7.5 激活函数 90

7.5.1 Logistic函数 91

7.5.2 Tanh函数 91

7.5.3 ReLU函数 92

7.5.4 Leaky ReLU函数 93

7.5.5 Swish函数 93

7.6 用Tensorflow构建神经网络，实现激酶抑制剂分类 94

7.6.1 数据预处理 94

7.6.2 神经网络构建 96

7.6.3 模型训练 98

7.6.4 模型使用 99

7.7 参考资料 100

第8章 卷积神经网络 102

8.1 卷积神经网络的结构 102

8.1.1 卷积层 102

8.1.2 池化层 107

8.1.3 反池化 110

8.1.4 激活函数层 111

8.1.5 全连接层 111

8.2 卷积神经网络的相关计算 112

8.2.1 特征图 112

8.2.2 感受野 113

8.2.3 填充 114

8.2.4 膨胀卷积 115

8.3 示例：用卷积神经网络预测药物分子性质 116

8.4 参考资料 118

第9章 生成式深度学习 119

9.1 深度学习与GAN 119

9.1.1 深度学习 119

9.1.2 GAN 120

9.2 GAN的相关概念 121

9.2.1 梯度下降法 121

9.2.2 信息熵与KL散度 122

9.2.3 纳什均衡 123

9.2.4 高斯分布和高斯过程 123

9.3 GAN理论基础 124

9.3.1 什么是GAN 124

9.3.2 GAN的原理 124

9.4 GAN的训练过程 126

9.4.1 训练判别器D 127

9.4.2 训练生成器G 127

9.5 GAN的应用与代码示例 128

9.6 GAN的特点和GAN ZOO 132

9.6.1 GAN的优点 132

9.6.2 GAN的缺点 132

9.6.3 GAN ZOO 133

9.7 参考资料 134

第 10章 Python编程基础与计算环境搭建 135

10.1 Python简介 135

10.2 Python基本编程 136

10.2.1 Anaconda介绍 137

10.2.2 安装Anaconda 137

10.2.3 终端窗口运行Python代码片段 140

10.2.4 PyCharm简介 140

10.2.5 配置PyCharm 140

10.2.6 在PyCharm中编写Python脚本 142

10.3 Python语言基本要素 143

10.3.1 基本数据类型 143

10.3.2 if语句 147

10.3.3 循环语句 147

10.3.4 函数 148

10.3.5 类 149

10.4 深度学习框架的搭建 150

10.4.1 TensorFlow和PyTorch简介 150

10.4.2 安装TensorFlow 151

10.4.3 安装PyTorch 152

10.5 参考资料 154

第 11章 常用数据库介绍 155

11.1 药物数据库 155

11.1.1 PubChem数据库 155

11.1.2 DrugBank数据库 158

11.1.3 DGIdb 160

11.1.4 ChEMBL 161

11.1.5 ETCM 164

11.2 蛋白质数据库 165

11.2.1 UniProt数据库 165

11.2.2 PDB 167

11.2.3 NCBI数据库 168

11.2.4 SMART数据库 170

11.2.5 Pfam数据库 172

11.2.6 STRING 172

11.2.7 其他蛋白质数据库 174

11.3 药物-靶点数据库 174

11.3.1 TTD 174

11.3.2 BindingDB 175

11.3.3 其他药物-靶点数据库 177

11.4 参考资料 178

第 12章 分子对接 180

12.1 计算机辅助药物设计概念 180

12.2 分子对接的原理与分类 182

12.2.1 分子对接的原理 182

12.2.2 分子对接的分类 182

12.3 分子对接的操作流程 183

12.4 人工智能在分子对接中的应用 191

12.4.1 打分函数 191

12.4.2 蛋白质-配体分子对接中的机器学习 192

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 192

12.5 参考资料 193

第 13章 QSAR的深度学习新应用 195

13.1 QSAR 195

13.1.1 QSAR的定义 195

13.1.2 QSAR的发展简介 196

13.1.3 QSAR模型研究方法 197

13.2 传统的QSAR 199

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模型构建步骤 203

13.3.1 软件介绍 203

13.3.2 3D-QSAR操作步骤 203

13.4 机器学习背景下的QSAR 211

13.4.1 常见的机器学习方法 212

13.4.2 深度学习方法 213

13.5 参考资料 214

第 14章 分子的特征工程 218

14.1 药物分子结构 218

14.1.1 什么是分子 218

14.1.2 什么是分子键 218

14.1.3 什么是分子构象 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 分子描述符的分类 221

14.2.3 SMILES字符串 222

14.2.4 SMARTS字符串 223

14.3 分子指纹 224

14.3.1 什么是分子指纹 224

14.3.2 分子访问系统结构键 224

14.3.3 扩展连通性指纹 225

14.4 药物分子的特征工程 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 特征选择 227

14.5 参考资料 228

第 15章 药物分子性质预测 231

15.1 药物代谢动力学 231

15.1.1 药物代谢动力学介绍 231

15.1.2 ADMET简介 232

15.1.3 解离常数 233

15.2 Lipinski原则 233

15.2.1 Lipinski原则介绍 233

15.2.2 Lipinski原则的简单程序实现 234

15.3 机器学习中的药物分子性质预测 235

15.3.1 数据特征化处理 235

15.3.2 机器学习预测药物分子性质 237

15.4 深度学习中的药物分子性质预测 239

15.4.1 特征化处理和数据集划分 239

15.4.2 深度学习预测药物分子性质 241

15.5 参考资料 244

第 16章 分子从头生成 245

16.1 先导化合物的优化 245

16.2 药物分子设计的原则 245

16.2.1 前药设计 245

16.2.2 孪药设计 247

16.2.3 软药设计 247

16.3 传统的先导化合物优化 247

16.3.1 采用生物电子等排体进行替换 247

16.3.2 生物电子等排体的分类 248

16.4 计算机辅助的先导化合物优化 249

16.4.1 QSAR 249

16.4.2 骨架跃迁 251

16.5 分子从头生成简介 252

16.5.1 什么是分子从头生成 252

16.5.2 分子生成的分类 253

16.6 深度学习与分子从头生成 254

16.6.1 分子从头生成背景 254

16.6.2 分子从头生成模型 256

16.6.3 分子从头生成的挑战 258

16.7 参考资料 259

第 17章 蛋白质结构预测 262

17.1 蛋白质的结构与功能 262

17.1.1 蛋白质的结构层次 262

17.1.2 蛋白质的功能 264

17.2 蛋白质折叠动力学简介 264

17.2.1 蛋白质折叠 264

17.2.2 蛋白质折叠动力学 265

17.3 蛋白质结构预测算法 266

17.3.1 遗传算法 266

17.3.2 模拟退火算法 267

17.3.3 同源建模方法 268

17.4 蛋白质结构预测的颠覆性发展 269

17.5 基于蛋白质结构预测的药物设计 271

17.5.1 分子对接 271

17.5.2 基于半监督学习的药物-靶点相互作用研究 272

17.5.3 药物-靶点结合亲和力研究 273

17.6 参考资料 274

第 18章 蛋白质-分子结合的深度学习预测 276

18.1 药物靶点的基本概念 276

18.2 药物靶点与小分子的相互作用 277

18.3 药物靶点与小分子的结合自由能的计算 278

18.3.1 基于物理模型的方法 279

18.3.2 经验打分函数 280

18.3.3 基于知识的方法 281

18.3.4 基于深度学习的蛋白质-配体分子结合能力 281

18.4 人工智能预测蛋白质-配体分子结合能的实战 283

18.4.1 药物靶点与小分子的特征提取 283

18.4.2 基于蛋白质与配体相互作用的指纹提取 284

18.4.3 人工智能模型预测蛋白质-配体结合常数 285

18.5 参考资料 288

《人工智能辅助药物设计》全书速览

结束语

通过上文的介绍，在2024年诺贝尔化学奖的启发下，我们看到了AI在药物设计中的无限可能。《人工智能辅助药物设计》不仅为我们提供了一个学习和探索这一领域的平台，更是对未来科研趋势的一次深刻洞察。AI技术正在重塑药物设计的未来，无论你是学术界的研究者，还是工业界的实践者，《人工智能辅助药物设计》都将带你探索AI在药物设计中的奥秘，抓住科研前沿，共同迎接智能科技带来的新机遇。