藥物發(fā)現(xiàn)方法學：研究范式的演化

●目錄 
序一
序二
前言
第1章 緒論：從SAR到QSAR 1
1.1 藥物發(fā)現(xiàn)方法與QSAR 1
1.1.1 藥物發(fā)現(xiàn)方法學起源 1
1.1.2 早期的QSAR方法 1
1.2 分子結(jié)構(gòu)的表征 3
1.2.1 化學子結(jié)構(gòu)的劃分 3
1.2.2 分子結(jié)構(gòu)的線性編碼 6
1.2.3 分子描述符 6
1.2.4 分子結(jié)構(gòu)數(shù)據(jù)的清洗 7
1.2.5 分子描述符的選擇與規(guī)范化 9
1.2.6 分子描述符的組合與變換 10
1.3 QSAR方法的難題與悖論 13
1.3.1 取代基貢獻的加和性 13
1.3.2 活性斷崖 19
1.4 小結(jié) 22
參考文獻 23
第2章 信息技術(shù)的演化 29
2.1 從CPU、GPU到TPU：硬件的演化 29
2.1.1 從真空管到大規(guī)模集成電路 29
2.1.2 馮?諾依曼體系結(jié)構(gòu) 29
2.2 從LISP到Python：軟件的演化 31
2.2.1 從指令驅(qū)動到過程驅(qū)動 31
2.2.2 從面向結(jié)構(gòu)的程序設計到可視化程序組裝 32
2.2.3 CPU、GPU與TPU 33
2.2.4 函數(shù)、神經(jīng)元與馮?諾依曼計算機體系結(jié)構(gòu) 34
2.3 從AI到DNN：人工智能理論與技術(shù)的演化 35
2.3.1 早期AI的重要概念和成就 35
2.3.2 AI新階段與ANN 36
2.4 深度學習的底層邏輯 38
2.4.1 數(shù)據(jù)的結(jié)構(gòu) 38
2.4.2 程序設計與計算機語言 40
2.4.3 AIDD相關(guān)的開源工具 42
2.5 DNN的原理和基本框架 44
2.5.1 神經(jīng)元、神經(jīng)網(wǎng)絡與深度神經(jīng)網(wǎng)絡的基本框架 44
2.5.2 多層感知器 46
2.5.3 RNN與雙向長短期記憶機制 46
2.5.4 卷積神經(jīng)網(wǎng)絡與生成對抗網(wǎng)絡 46
2.5.5 變換器與注意力機制 50
2.6 小結(jié) 50
參考文獻 53
第3章 藥物發(fā)現(xiàn)方法的演化 56
3.1 藥物發(fā)現(xiàn)技術(shù)簡史 56
3.2 中醫(yī)藥發(fā)現(xiàn)方法學的演化 58
3.2.1 中藥的四大經(jīng)典 59
3.2.2 中藥理論的演化 60
3.2.3 現(xiàn)代中藥研究的模式 66
3.3 藥物發(fā)現(xiàn)范式的演化 73
3.3.1 表型藥物發(fā)現(xiàn)過程的演化 74
3.3.2 基于靶標的藥物發(fā)現(xiàn) 77
3.3.3 藥物發(fā)現(xiàn)中的分子信息學基本問題 90
3.3.4 ADMET相關(guān)的重要參數(shù) 91
3.3.5 中西藥學的互惠與交融 96
3.4 小結(jié) 99
參考文獻 100
第4章 藥物設計方法的演化 111
4.1 藥物設計的基本原理 111
4.1.1 分子生物學的中心法則 112
4.1.2 藥物設計所依據(jù)的基本物理模型 116
4.2 小分子模型的演變 118
4.2.1 從化學式到拓撲結(jié)構(gòu) 118
4.2.2 從拓撲結(jié)構(gòu)到幾何結(jié)構(gòu) 119
4.2.3 從幾何結(jié)構(gòu)到分子構(gòu)象 122
4.2.4 從化學合成到分子組裝 122
4.2.5 從分子組裝到分子機器 123
4.3 蛋白質(zhì)模型的演變 124
4.3.1 蛋白質(zhì)分子的一級結(jié)構(gòu) 124
4.3.2 蛋白質(zhì)分子的二級結(jié)構(gòu) 129
4.3.3 蛋白質(zhì)分子的三級結(jié)構(gòu) 131
4.3.4 蛋白質(zhì)分子的四級結(jié)構(gòu) 132
4.4 從靜態(tài)結(jié)構(gòu)到動態(tài)結(jié)構(gòu) 135
4.4.1 藥物分子對靶標的調(diào)控 135
4.4.2 分子的動態(tài)識別 137
4.5 小結(jié) 140
參考文獻 142
第5章 大數(shù)據(jù)與藥物發(fā)現(xiàn) 147
5.1 藥物發(fā)現(xiàn)領(lǐng)域的大數(shù)據(jù)來源 148
5.1.1 高通量科學實驗產(chǎn)生的數(shù)據(jù) 148
5.1.2 高性能計算模擬實驗產(chǎn)生的數(shù)據(jù) 149
5.1.3 科技文獻和醫(yī)藥衛(wèi)生服務信息化產(chǎn)生的數(shù)據(jù) 151
5.1.4 生物大數(shù)據(jù)帶來的主要機遇與挑戰(zhàn) 152
5.1.5 生物大數(shù)據(jù)分析的工具 156
5.2 精準醫(yī)療與大數(shù)據(jù) 157
5.2.1 常規(guī)藥物治療與精準治療 157
5.2.2 大數(shù)據(jù)在精準醫(yī)療中的應用 160
5.2.3 與精準醫(yī)學和大數(shù)據(jù)相關(guān)的倫理問題 166
5.3 大數(shù)據(jù)與虛擬藥物篩選 168
5.3.1 早期的虛擬篩選 169
5.3.2 基于共識的虛擬篩選 170
5.3.3 迭代式虛擬篩選 170
5.3.4 虛擬篩選與HTS的整合 170
5.4 小結(jié) 171
參考文獻 172
第6章 人工智能輔助藥物發(fā)現(xiàn)與設計 179
6.1 AIDD概論 180
6.1.1 AI在化學與藥物設計中的應用簡史 181
6.1.2 AI在藥物靶標發(fā)現(xiàn)與確認中的應用 182
6.1.3 AI在先導化合物的發(fā)現(xiàn)中的應用 183
6.1.4 AI在先導化合物的優(yōu)化設計中的應用 183
6.1.5 AI在臨床試驗設計中的應用 184
6.2 AI與因果關(guān)系和統(tǒng)計關(guān)系 186
6.2.1 變量之間關(guān)系的類型 187
6.2.2 神經(jīng)網(wǎng)絡與信息變換 188
6.2.3 DNN與間接關(guān)系 188
6.2.4 RNN與雙向關(guān)系 189
6.2.5 RNN與遞歸現(xiàn)象 191
6.2.6 分子結(jié)構(gòu)信息的傳遞與長短期記憶機制 192
6.2.7 CNN與模式信號增強 193
6.2.8 圖神經(jīng)網(wǎng)絡與圖卷積網(wǎng)絡 195
6.2.9 生成對抗網(wǎng)絡與競爭過程的模擬 196
6.2.10 變換器與注意機制 197
6.2.11 從BERT到ChatGPT 198
6.3 AI與蛋白質(zhì)三維結(jié)構(gòu)的從頭預測 202
6.3.1 蛋白質(zhì)結(jié)構(gòu)預測簡史 202
6.3.2 驅(qū)動蛋白質(zhì)折疊的物理因素 203
6.3.3 蛋白質(zhì)同源性與基于實驗數(shù)據(jù)的結(jié)構(gòu)預測 203
6.3.4 同源建模的一般過程 205
6.3.5 AlphaFold2的成功經(jīng)驗 207
6.3.6 尚未解決的蛋白質(zhì)結(jié)構(gòu)預測問題 209
6.4 GPT對藥物發(fā)現(xiàn)與設計思路的顛覆 211
6.4.1 靶標的發(fā)現(xiàn)和鑒定 213
6.4.2 藥物分子的自動生成與虛擬藥物篩選 214
6.4.3 AIDD的任務類型與算法的架構(gòu)選擇 217
6.5 小結(jié) 219
參考文獻 222
第7章 藥物治療學與藥物發(fā)現(xiàn)學的演化 231
7.1 化學療法的演化 231
7.1.1 天然藥物療法 231
7.1.2 芳香療法 234
7.1.3 化學合成藥物療法 239
7.2 生物藥療法的演化 247
7.2.1 傳統(tǒng)的生物藥 248
7.2.2 基因療法 249
7.2.3 細胞療法 252
7.3 個性化醫(yī)療 256
7.3.1 藥物基因組學與藥物遺傳學 257
7.3.2 時間醫(yī)學與藥物療效 258
7.4 小結(jié) 260
參考文獻 261
第8章 總結(jié)與展望 266
8.1 藥物發(fā)現(xiàn)方法學演化的里程碑事件 266
8.2 AI與藥物發(fā)現(xiàn)方法學：挑戰(zhàn)和機遇 269
8.2.1 數(shù)據(jù)、算法與算力、數(shù)據(jù)與程序的遞歸式重構(gòu) 270
8.2.2 程序自我改進與學科的遞歸式演化 271
8.3 藥物發(fā)現(xiàn)過程的終點與終極的科學問題 274
8.3.1 藥物發(fā)現(xiàn)學的終點問題 276
8.3.2 與藥學相關(guān)的生命科學終極問題 277
參考文獻 278
春風夜雨珠江南—后記 280