人工智能藥物研發

作 者:(美)亞歷山大·海菲茲 著 白仁仁 譯

出 版 社:科學出版社

出版日期:2023年12月01日

頁 數:402

開本：16開

裝 幀:精裝

ISBN:9787030768698

內容介紹

本書概述了藥物設計中人工智慧方法開發與應用的近期新進展，內容涵蓋藥物發現與開發、計算化學、藥物化學、藥物設計、藥理學等多個交叉領域。本書系統介紹了人工智慧對傳統藥物設計方法的加速和革新，包括基於結構和配體的藥物設計、增強和多目標從頭藥物設計、從頭分子生成、靶點結合活性與結合預測、ADMET（吸收、分佈、代謝、排泄和毒性）性質、藥代動力學、藥物代謝、藥物毒性預測、精準醫療、化學合成路線、大藥物分析，對未來人工智慧的影響。本書知識體系新穎、章節架構獨特，內容廣泛且翔實，案例豐富、圖文並茂，可供醫藥研發領域從業者、投資者、高等醫藥院校師生及對新藥研發有興趣者閱讀。

目錄

人工智能與藥物設計

作 者:李洪林,鄭明月,朱峰 等 編

出 版 社:化學工業出版社

出版日期:2023年06月01日

頁 數:668

裝 幀:精裝

開本：16開

ISBN:9787122429285

編輯推薦

本書讀者對象為廣大有志從事生命科學領域與藥物研發領域交叉研究的科研或技術工作者，一、透過系統介紹人工智慧演算法，闡述不同演算法的原理、應用場景與演算法特點，為後續介紹人工智慧與藥物研發的交叉內容提供基礎，一方面為非電腦專業的讀者普及演算法方面的認知，另一方面為電腦專業的讀者提供系統性回顧；二、為數據基礎與表徵；三、以藥物研發流程為書籍脈絡，針對每個人工智慧演算法課融入的關鍵步驟，首先介紹藥物設計基礎原理與現存挑戰，進而係統性回顧介紹AI演算法在該研究方向上的進展。四、程序代碼。

本書以人才培養，特色鮮明：

①本書結合分層式、漸近式和拓展式等多樣的知識介紹形式，深入淺出地介紹藥物設計原理，剖析人工智慧的交叉應用實例，展望發展方向，適合於不同知識儲備、不同研究領域的讀者。

② 目標面向藥物科學、生命科學領域與電腦科學領域的交叉研究。分別以介紹人工智慧演算法與藥物設計原則為基礎，闡述基礎原則；介紹交叉應用與研究進展，讓讀者概覽前沿內容；之後提供程序程式碼實例，讓讀者學以致用，進行實戰練習。 「教-學-用」一脈貫通。

③各章節的作者均為所涉研究專題的專家，精通各領域的研究進展、存在的問題和發展前景，透過展望與總結，對有志於開展相關方面研究的讀者指明了更深入的研究方向。

內容簡介

本書主要內容分為四部分：①人工智慧演算法基礎；②資料基礎與特性分析；③人工智慧與藥物設計；④程式碼。透過系統性介紹人工智慧演算法，闡述不同演算法的原理、應用場景和演算法特點，為後續介紹人工智慧與藥物研發的交叉內容提供基礎。全書以藥物研發流程為脈絡，針對每個人工智慧演算法融入的關鍵步驟，首先介紹藥物設計基礎原理與現存挑戰，進而係統性回顧介紹人工智慧演算法在該研究方向上的進展情況，每部分都穿插介紹已有的交叉應用實例，以利於加深對圖書內容的理解與靈活運用。提供原始的程式碼文件，為讀者開展實踐應用提供直接資料。

目錄

緒論 ——人工智慧與藥物設計的發展 001

第一部分 人工智慧演算法基礎 009

第1章 機器學習基礎 010

1.1 監督學習 010

1.1.1 概念 010

1.1.2 分類 011

1.1.3 回歸 013

1.1.4 小結 015

1.2 無監督學習 015

1.2.1 無監督學習的基本概念 015

1.2.2 無監督學習的基本演算法 016

1.2.3 小結 028

1.3 強化學習 029

1.3.1 強化學習的概念 029

1.3.2 有模型學習與免模型學習 030

1.3.3 求解方法 031

1.3.4 強化學習演算法 033

1.3.5 小結 036

1.4 模型評估與驗證 037

1.4.1 模型評估指標介紹 037

1.4.2 模型驗證方法介紹 041

1.4.3 小結 044

1.5 應用實例與代碼 044

1.5.1 監督學習應用 044

1.5.2 無監督學習應用 045

參考文獻 046

拓展閱讀 047

第2章 深度網路結構設計基礎 050

2.1 卷積神經網路 050

2.1.1 卷積神經網路的組件 050

2.1.2 神經網路的訓練 053

2.1.3 基於卷積神經網路的影像分類 054

2.1.4 基於卷積神經網路的影像分割 057

2.2 循環神經網路 063

2.2.1 循環神經網路結構 063

2.2.2 雙向循環神經網路 064

2.2.3 深度循環神經網路 065

2.2.4 長短期記憶網 065

2.2.5 雙向長短期記憶網 066

2.2.6 門控循環單元 067

2.2.7 基於長短期記憶網路的視訊分類 067

2.3 Transformer 068

2.3.1 自然語言處理中的Transformer 068

2.3.2 視覺任務中的Transformer 070

2.4 圖神經網路 071

2.4.1 圖卷積神經網路 072

2.4.2 圖注意力網 072

2.5 小結 073

參考文獻 073

拓展閱讀 074

第3章 深度生成模型 078

3.1 變分自編碼器 078

3.1.1 自編碼器 078

3.1.2 隱變數生成模型 080

3.1.3 變分自編碼器 081

3.2 生成式對抗網路 084

3.2.1 生成式對抗網路的理論分析 085

3.2.2 Wasserstein生成式對抗網路 086

3.3 流生成模型 088

3.3.1 隨機變數替換 088

3.3.2 標準化流 089

3.3.3 RealNVP網路 091

3.3.4 Glow 091

3.3.5 流模型在文字預訓練表示上的應用 093

3.4 小結 093

參考文獻 094

第4章 深度強化學習 095

4.1 基於值函數的演算法 095

4.1.1 動態規劃 096

4.1.2 蒙特卡羅方法 097

4.1.3 時間差分學習 097

4.1.4 基於值函數的深度強化學習 098

4.2 策略梯度演算法 102

4.2.1 策略梯度 102

4.2.2 策略梯度的基本形式 102

4.2.3 基於執行器-評價器的策略梯度方法 104

4.2.4 深度確定性策略梯度 106

4.2.5 非同步優勢演算法 107

4.3 CartPole程式設計實例 108

4.3.1 CartPole簡介 108

4.3.2 DQN 109

4.3.3 Actor-Critic 111

4.3.4 訓練結果 113

4.4 小結 113

參考文獻 114

拓展閱讀 114

第5章 自然語言處理、知識圖譜與可解釋人工智慧 117

5.1 自然語言處理與文本挖掘 117

5.1.1 自然語言處理概論 117

5.1.2 NLP任務 119

5.1.3 醫學領域的NLP任務 121

5.1.4 NLP評估度量 123

5.1.5 NLP實務準備 124

5.1.6 醫療領域的關係抽取 130

5.1.7 應用案例：藥品不良反應抽取 133

5.1.8 小結 135

5.2 知識圖譜 135

5.2.1 知識圖譜介紹 135

5.2.2 知識圖譜建構技術 137

5.2.3 知識圖譜的應用技術 139

5.2.4 生物醫學知識圖 140

5.2.5 應用案例：基於「疾病-化合物」關係的藥物篩檢 142

5.2.6 小結 142

5.3 可解釋人工智慧 142

5.3.1 可解釋性概述 142

5.3.2 可解釋性相關方法 143

5.3.3 可解釋性的評估方法 149

5.3.4 可解釋性應用案例 150

5.3.5 小結 151

參考文獻 151

拓展閱讀 154

第二部分 資料基礎與表徵 159

第6章 分子結構與生物活性資料 160

6.1 生物大分子結構資料庫 160

6.1.1 蛋白質和核酸三維結構資料庫 161

6.1.2 生物大分子複合物結構資料庫 163

6.1.3 特定功能或結構類型的生物大分子結構資料庫 168

6.1.4 肽類結構資料庫 174

6.2 小分子結構資料庫 175

6.2.1 綜合性庫 175

6.2.2 分子晶體結構資料庫 179

6.2.3 天然產物資料庫 181

6.2.4 虛擬篩選分子庫 182

6.2.5 演算法產生的虛擬分子庫 183

6.3 生物活性資料庫 186

6.4 小結 188

參考文獻 191

拓展閱讀 195

第7章 分子資料的表徵 198

7.1 小分子化合物的特性 198

7.1.1 基於專業知識的小分子表徵 198

7.1.2 基於字串的表徵 206

7.1.3 基於圖的表徵 214

7.1.4 基於影像的表徵 218

7.1.5 實施案例 221

7.2 蛋白質的表徵 221

7.2.1 基於序列固有性質 222

7.2.2 基於物理化學性質 228

7.2.3 基於結構性質 232

7.2.4 蛋白質表徵相關工具 233

7.3 核酸序列的特性 236

7.3.1 基於序列資訊的特徵表徵 236

7.3.2 基於物理化學性質的特徵表徵 243

7.3.3 基於二級結構的特徵表徵 250

7.3.4 實施案例 253

7.4 小結與展望 253

參考文獻 253

拓展閱讀 257

第三部分 人工智慧與藥物設計 261

第8章 藥物標靶發現與辨識 262

8.1 生物組學分析與藥物標靶發現與藥物重定位 262

8.1.1 多組學資料分析 262

8.1.2 基於組學的藥物標靶預測 262

8.1.3 基於組學的藥物重定位 267

8.1.4 案例解析 269

8.1.5 小結與展望 271

8.2 基於序列的蛋白質可藥標靶性的發現 272

8.2.1 基於蛋白質序列相似性的功能預測方法 272

8.2.2 可靠藥物標靶資訊的資料來源 277

8.2.3 基於序列相似性比對的可藥標靶性發現 279

8.2.4 基於序列衍生性質的可藥標靶性發現 280

8.3 基於結構與網絡的可藥靶性辨識 285

8.3.1 基於結構的可藥靶性辨識 285

8.3.2 基於網路的可藥靶性辨識 291

8.3.3 小結與展望 303

8.4 網路藥理學與藥物重定向 303

8.4.1 網絡藥理學概論 303

8.4.2 生物分子網絡的建構 305

8.4.3 基於網路的標靶發現和藥物重定向 311

8.4.4 實施案例－基於圖神經網路的藥物重定位 316

8.4.5 小結與展望 317

參考文獻 317

第9章 分子結構預測 323

9.1 蛋白質結構預測 323

9.1.1 蛋白質結構 323

9.1.2 蛋白質二級結構預測 325

9.1.3 蛋白質三級結構預測 326

9.1.4 基於模板的蛋白質結構建模 328

9.1.5 基於穿線法的蛋白質結構預測 330

9.1.6 基於片段組裝的方法 332

9.1.7 從頭折疊演算法 333

9.1.8 基於胺基酸協同突變的接觸預測 334

9.1.9 基於端對端的結構預測 335

9.1.10 小結與展望 338

9.2 核酸結構預測 338

9.2.1 核酸結構概論 338

9.2.2 核酸結構預測中的傳統計算方法 341

9.2.3 人工智慧在核酸結構預測的應用 346

9.2.4 應用實例與代碼 348

9.2.5 小結與展望 349

9.3 小分子構象預測 349

9.3.1 分子的幾何結構 349

9.3.2 小分子構象預測方法的發展 351

9.3.3 實施案例 357

9.3.4 小結與展望 360

參考文獻 360

拓展閱讀 370

第10章 量子化學與分子力場的發展 373

10.1 人工智慧用於計算化學 373

10.1.1 加速量子化學計算 373

10.1.2 人工智慧用於化學反應 377

10.1.3 人工智慧在高階量子電荷預測的應用 383

10.1.4 小結與展望 388

10.2 分子力場的發展及最佳化 389

10.2.1 經典分子力場 389

10.2.2 極化力場 394

10.2.3 機器學習力場 396

10.2.4 機器學習力場的優點 401

10.2.5 機器學習力場的挑戰 404

參考文獻 406

拓展閱讀 411

第11章 小分子藥物生成與從頭設計 414

11.1 基於片段的藥物設計 414

11.1.1 簡介 414

11.1.2 FBDD步驟 415

11.1.3 電腦輔助的基於片段的藥物設計 420

11.1.4 FBDD的經典成功案例 420

11.1.5 小結與展望 423

11.2 分子生成模型 423

11.2.1 基於GAN的分子生成模型 423

11.2.2 其他分子生成模型 437

11.2.3 基於GAN的分子生成模型的優點與不足 440

11.2.4 分子生成模型的挑戰與展望 442

11.2.5 小結 445

11.3 三維分子生成 446

11.3.1 三維分子生成中的分子表示 446

11.3.2 三維分子生成模型 449

11.3.3 三維分子生成模型在藥物發現的應用 456

11.4 逆合成預測 457

11.4.1 簡介 457

11.4.2 單步逆合成 457

11.4.3 多步驟逆合成 461

11.4.4 小結 463

11.5 反應表現預測及反應條件最佳化 463

11.5.1 反應產率預測 463

11.5.2 反應活性預測 466

11.5.3 反應選擇性預測 467

11.5.4 反應活化能和過渡態預測 470

11.5.5 反應條件最佳化 472

11.5.6 小結 474

參考文獻 474

拓展閱讀 482

第12章 小分子藥物設計與優化 485

12.1 小分子-標靶結合親和力預測與評分函數的設計 485

12.1.1 小分子標靶結合親和力預測與評分函數 485

12.1.2 基於人工智慧的評分函數 486

12.1.3 基於人工智慧的DTA預測模型 496

12.1.4 問題與展望 498

12.2 融合人工智慧的分子對接與虛擬篩選方法 499

12.2.1 分子對接方法與挑戰 499

12.2.2 機器學習與係綜對接 499

12.2.3 深度學習與結合構象預測 502

12.2.4 深度學習與虛擬篩選 505

12.3 基於配體的虛擬篩選 507

12.3.1 傳統基於配體的虛擬篩選方法 507

12.3.2 基於人工智慧的配體虛擬篩選方法 511

參考文獻 514

拓展閱讀 519

第13章 基於人工智慧的大分子藥物設計 522

13.1 大環類藥物設計 522

13.1.1 大環類藥物概述 522

13.1.2 大環類藥物的研究現況 523

13.1.3 大環類藥物的設計方法 527

13.1.4 大環類藥物的設計實例 532

13.2 蛋白質與多肽類大分子藥物設計 535

13.2.1 蛋白質與多肽類大分子藥物概述 535

13.2.2 蛋白質與多肽類大分子藥物設計的挑戰 536

13.2.3 蛋白質與多肽類大分子藥物的設計方法 538

13.2.4 蛋白質與多肽類大分子藥物的設計實例 543

13.3 核酸類大分子藥物設計 545

13.3.1 核酸類大分子藥物概述 545

13.3.2 核酸類大分子藥物的設計模式 546

13.3.3 核酸類大分子藥物的設計方法 548

13.3.4 核酸類大分子藥物的設計實例－以NucleicNet為例 551

參考文獻 555

拓展閱讀 559

第14章 ADMET性質預測 562

14.1 基於人工智慧的ADMET預報 562

14.1.1 基於人工智慧的ADMET預報概覽 562

14.1.2 可解釋性人工智慧在ADMET的應用 567

14.2 藥物毒性預測 574

14.2.1 藥物毒理學簡介 574

14.2.2 計算毒理學的出現與發展 575

14.2.3 人工智慧在毒性預測的進展 575

14.2.4 毒性預測模型 576

14.2.5 人工智慧的可解釋性與警示子結構的辨識 582

14.2.6 小結與展望 583

14.3 藥物代謝物預測 584

14.3.1 藥物代謝及藥物代謝預測簡介 584

14.3.2 藥物代謝物預測的研究現況 585

14.3.3 藥物代謝物預測的案例分析 591

14.3.4 藥物代謝預測的挑戰與展望 593

參考文獻 594

拓展閱讀 603

第15章 藥物晶型預測與劑型設計 606

15.1 藥物晶型預測 606

15.1.1 藥物晶型的結構 606

15.1.2 藥物晶型的性質 608

15.1.3 藥物晶型的預測 610

15.2 藥物劑型設計 617

15.2.1 藥物劑型簡介 617

15.2.2 原料藥性質對劑型及製程的影響 619

15.2.3 藥物劑型設計與預測 622

15.3 展望 624

參考文獻 625

拓展閱讀 627

附錄：縮寫對照表 629

索引 637