 图书信息 书名 Artificial Intelligence in Drug Design 简介 本书探讨了人工智能（AI）、机器学习（ML）和深度学习（DL）在药物设计中的应用。本书中的章节描述了如何应用AI/ML/DL方法来加速和革新传统的药物设计方法，如：基于结构和配体的、增强的和多靶点的新药设计、SAR和大数据分析、结合/活性的预测、ADMET、药代动力学和药物-靶点结合的持续时间、精准医学和选择有利的化学合成路线。介绍了这些方法的应用范围有多广，以及它们对今天和不久的将来的生产力有多大的影响。本书采用非常成功的《分子生物学方法》系列格式编写，各章包括对各自主题的介绍、必要的软件和工具清单、逐步的、易于复制的建模协议，以及关于故障排除和避免已知陷阱的提示。 本书既前沿又独特，是结构和分子生物学家、计算和药物化学家、药理学家和药物设计专家的宝贵资源。 主编 Alexander Heifetz From: Computational Drug Discovery, Evotec (UK) Ltd., Abingdon, UK 出版商名称 Humana, New York, NY 插图数量 14 幅黑白插图，89 幅彩色插图 版权信息 The Editor(s) (if applicable) and The Author(s), under exclusive license to Springer Science+Business Media, LLC, part of Springer Nature 2022 页数 XI, 529页 ISSN 1064-3745 DOI https:///10.1007/978-1-0716-1787-8 图书目录 前言(第i-xi页) 人工智能在药物设计中的应用：机遇与挑战 (第1-59页) Morgan Thomas, Andrew Boardman, Miguel Garcia-Ortegon, Hongbin Yang, Chris de Graaf, Andreas Bender 机器学习在药理学和ADMET终点建模中的应用 (第61-101页) Andreas H. Göller, Lara Kuhnke, Antonius ter Laak, Katharina Meier, Alexander Hillisch 用人工智能对抗COVID-19 (第103-112页) Stefania Monteleone, Tahsin F. Kellici, Michelle Southey, Michael J. Bodkin, Alexander Heifetz 人工智能和机器学习在药物发现中的应用 (第113-124页) Rishi R. Gupta 深度学习和计算化学 (第125-151页) Tim James, Dimitar Hristozov 人工智能是否影响了药物发现 (第153-176页) Atanas Patronov, Kostas Papadopoulos, Ola Engkvist 网络驱动的药物发现 (第177-190页) Jonny Wray, Alan Whitmore 用机器学习预测GPCR配体的结合持续时间 (第191-205页) Andrew Potterton, Alexander Heifetz, Andrea Townsend-Nicholson 用化学语言模型进行新的分子设计 (第207-232页) Francesca Grisoni, Gisbert Schneider 用于QSAR的深度神经网络 (第233-260页) Yuting Xu 基于结构的药物设计中的深度学习 (第261-271页) Andrew Anighoro 深度学习在基于配体的新药设计中的应用 (第273-299页) Ferruccio Palazzesi, Alfonso Pozzan 利用深度学习的超高通量蛋白质配体对接 (第301-319页) Austin Clyde 人工智能和量子计算是下一个制药业的颠覆者 (第321-347页) Tânia Cova, Carla Vitorino, Márcio Ferreira, Sandra Nunes, Paola Rondon-Villarreal, Alberto Pais 化合物设计中的人工智能 (第349-382页) Christoph Grebner, Hans Matter, Gerhard Hessler 人工智能、机器学习和深度学习的真实药物设计案例 (第383-407页) Christophe Muller, Obdulia Rabal, Constantino Diaz Gonzalez 人工智能驱动的可合成的新化合物的从头设计 (第409-419页) Govinda Bhisetti, Cheng Fang 从组学数据中进行机器学习 (第421-431页) René Rex 治疗性抗体开发中的深度学习 (第433-445页) Jeremy M. Shaver, Joshua Smith, Tileli Amimeur 机器学习用于ADMET预测 (第447-460页) Lei Jia, Hua Gao 人工智能在药代动力学预测中的应用机会和考虑因素 (第461-482页) Matthew R. Wright 药物安全和代谢中的人工智能 (第483-501页) Graham F. Smith 使用匹配的分子对进行分子生成 (第503-521页) Sandeep Pal, Peter Pogány, James Andrew Lumley 后记 (第523-529页) |
|
|
