科技 类型
可以朗读 语音朗读
251千字 字数
2024-07-01 发行日期
展开全部

主编推荐语

本书着重介绍人工智能技术在医药研发领域的应用。

内容简介

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。

目录

  • 版权信息
  • 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
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。