智能藥物研發(fā)：新藥研發(fā)中的人工智能

第1章  緒論1
1.1  新藥研發(fā)概述1
1.2  新藥研究階段2
1.2.1  靶標的選擇與確證2
1.2.2  模型的建立2
1.2.3  先導化合物的發(fā)現(xiàn)3
1.2.4  先導化合物的優(yōu)化3
1.3  新藥開發(fā)階段4
1.3.1  臨床前研究4
1.3.2  臨床研究5
1.3.3  新藥申請6
1.3.4  批準上市6
1.4  藥物研發(fā)中的藥物信息學6
第2章  計算和數(shù)據(jù)驅動的藥物發(fā)現(xiàn)8
2.1  計算機輔助藥物發(fā)現(xiàn)8
2.2  使用人工智能進行藥物開發(fā)的原因9
2.3  用于藥物設計的人工智能方法的類型9
2.4  人工智能在藥物設計中的應用10
第3章  生物分子的化學表征方法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  基于圖的分子表示15
第4章  基于分子表征的無監(jiān)督預訓練方法16
4.1  概述16
4.2  分子無監(jiān)督預訓練策略17
4.3  基于序列的預訓練策略18
4.3.1  基于SMILES的預訓練策略18
4.3.2  基于描述符的預訓練策略19
4.4  基于圖的預訓練策略20
4.5  無監(jiān)督預訓練應用22
4.5.1  分子性質預測23
4.5.2  藥物-藥物相互作用預測24
4.5.3  藥物-靶標相互作用預測25
4.6  總結26
第5章  分子性質預測27
5.1  概述27
5.2  分子性質預測模型通用數(shù)據(jù)集27
5.3  傳統(tǒng)機器學習在分子性質預測中的應用29
5.4  基于SMILES的分子性質預測模型32
5.5  基于圖的分子性質預測模型34
5.6  基于元學習的分子性質預測模型37
5.7  總結41
第6章  智能分子生成43
6.1  概述43
6.2  生成模型通用數(shù)據(jù)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  基于圖的生成模型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  總結52
第7章  基于深度學習的藥物-靶標相互作用預測53
7.1  概述53
7.2  數(shù)據(jù)集53
7.3  虛擬篩選軟件55
7.4  藥物分子與蛋白質靶標的表征56
7.4.1  藥物分子的表征 56
7.4.2  蛋白質的表征58
7.5  基于機器學習的預測模型60
7.6  基于深度學習的預測模型61
7.6.1  基于循環(huán)網(wǎng)絡的預測模型61
7.6.2  基于卷積的預測模型62
7.6.3  基于生成的預測模型63
7.6.4  基于圖的預測模型64
7.7  總結65
第8章  基于深度學習的藥物-藥物相互作用預測67
8.1  概述67
8.2  常見的藥物相互作用數(shù)據(jù)庫67
8.3  基于序列結構的預測模型68
8.3.1  基于相似性的方法68
8.3.2  相似性和神經(jīng)網(wǎng)絡相結合的方法70
8.4  基于圖神經(jīng)網(wǎng)絡的預測模型70
8.4.1  基于圖神經(jīng)網(wǎng)絡的方法71
8.4.2  基于知識圖譜的方法72
8.5  信息提取模型73
8.6  基于復雜網(wǎng)絡的方法76
8.7  總結77
第9章  生物醫(yī)藥知識圖譜79
9.1  概述79
9.2  構建生物醫(yī)藥知識圖譜的常見數(shù)據(jù)庫80
9.3  知識圖譜嵌入模型81
9.3.1  基于翻譯的模型 84
9.3.2  基于張量分解的模型84
9.3.3  基于神經(jīng)網(wǎng)絡的模型85
9.4  基于知識圖譜的生物醫(yī)學預測任務86
9.4.1  藥物不良反應預測86
9.4.2  藥物重定位89
9.5  總結92
第10章  基于深度學習的分子逆合成設計94
10.1  概述 94
10.2  逆合成設計的準備97
10.2.1  化學反應數(shù)據(jù)集97
10.2.2  化學反應的數(shù)據(jù)表示99
10.2.3  原子映射101
10.2.4  評估標準103
10.3  用于逆合成設計的模型104
10.3.1  單步逆合成設計104
10.3.2  多步逆合成設計108
10.4  用于逆合成設計的進階工具110
10.4.1  Chematica110
10.4.2  ASKCOS112
10.4.3  RoboRXN112
10.5  總結 113
第11章  生物醫(yī)學命名實體識別114
11.1  概述 114
11.2  深度學習BioNER結構115
11.2.1  數(shù)據(jù)集的準備 116
11.2.2  實體特征的提取116
11.2.3  候選實體的分類118
11.3  深度學習方法119
11.3.1  基于單一神經(jīng)網(wǎng)絡的方法 121
11.3.2  基于多任務學習的方法123
11.3.3  基于遷移學習的方法125
11.3.4  基于混合模型的方法128
11.4  不同方法的比較分析130
11.4.1  數(shù)據(jù)集130
11.4.2  評價標準與性能比較131
11.5  挑戰(zhàn)與展望135
參考文獻137