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(dǎo)化合物的發(fā)現(xiàn)3
1.2.4  先導(dǎo)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(qū)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(shè)計的人工智能方法的類型9
2.4  人工智能在藥物設(shè)計中的應(yīng)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(yù)訓(xùn)練方法16
4.1  概述16
4.2  分子無監(jiān)督預(yù)訓(xùn)練策略17
4.3  基于序列的預(yù)訓(xùn)練策略18
4.3.1  基于SMILES的預(yù)訓(xùn)練策略18
4.3.2  基于描述符的預(yù)訓(xùn)練策略19
4.4  基于圖的預(yù)訓(xùn)練策略20
4.5  無監(jiān)督預(yù)訓(xùn)練應(yīng)用22
4.5.1  分子性質(zhì)預(yù)測23
4.5.2  藥物-藥物相互作用預(yù)測24
4.5.3  藥物-靶標相互作用預(yù)測25
4.6  總結(jié)26
第5章  分子性質(zhì)預(yù)測27
5.1  概述27
5.2  分子性質(zhì)預(yù)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(zhì)預(yù)測中的應(yīng)用29
5.4  基于SMILES的分子性質(zhì)預(yù)測模型32
5.5  基于圖的分子性質(zhì)預(yù)測模型34
5.6  基于元學習的分子性質(zhì)預(yù)測模型37
5.7  總結(jié)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(jié)52
第7章  基于深度學習的藥物-靶標相互作用預(yù)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(zhì)靶標的表征56
7.4.1  藥物分子的表征 56
7.4.2  蛋白質(zhì)的表征58
7.5  基于機器學習的預(yù)測模型60
7.6  基于深度學習的預(yù)測模型61
7.6.1  基于循環(huán)網(wǎng)絡(luò)的預(yù)測模型61
7.6.2  基于卷積的預(yù)測模型62
7.6.3  基于生成的預(yù)測模型63
7.6.4  基于圖的預(yù)測模型64
7.7  總結(jié)65
第8章  基于深度學習的藥物-藥物相互作用預(yù)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(jié)構(gòu)的預(yù)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(luò)相結(jié)合的方法70
8.4  基于圖神經(jīng)網(wǎng)絡(luò)的預(yù)測模型70
8.4.1  基于圖神經(jīng)網(wǎng)絡(luò)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(fù)雜網(wǎng)絡(luò)的方法76
8.7  總結(jié)77
第9章  生物醫(yī)藥知識圖譜79
9.1  概述79
9.2  構(gòu)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(luò)的模型85
9.4  基于知識圖譜的生物醫(yī)學預(yù)測任務(wù)86
9.4.1  藥物不良反應(yīng)預(yù)測86
9.4.2  藥物重定位89
9.5  總結(jié)92
第10章  基于深度學習的分子逆合成設(shè)計94
10.1  概述 94
10.2  逆合成設(shè)計的準備97
10.2.1  化學反應(yīng)數(shù)據(jù)集97
10.2.2  化學反應(yīng)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(shè)計的模型104
10.3.1  單步逆合成設(shè)計104
10.3.2  多步逆合成設(shè)計108
10.4  用于逆合成設(shè)計的進階工具110
10.4.1  Chematica110
10.4.2  ASKCOS112
10.4.3  RoboRXN112
10.5  總結(jié) 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(jié)構(gòu)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(luò)的方法 121
11.3.2  基于多任務(wù)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