幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

人工智慧輔助藥物設計

  • 作者：常珊//謝良旭|責編:吳晉瑜
  • 出版社：人民郵電
  • ISBN：9787115633927
  • 出版日期：2024/07/01
  • 裝幀：平裝
  • 頁數：288
人民幣：RMB 109.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書著重介紹人工智慧技術在醫藥研發領域的應用。全書按照循序漸進的方式組織內容：先介紹人工智慧的基本方法和生物醫藥的基本概念，然後介紹人工智慧在分子表示、藥物分子性質預測、分子生成、配體與蛋白質結合能力預測，以及蛋白質結構預測等新葯研發任務中的具體應用，並結合具體示例，介紹如何將人工智慧方法應用到實際的藥物研發中。
    要想更好地掌握本書涵蓋的內容，讀者須掌握Python語言和藥物學的基礎知識。本書適合想了解人工智慧輔助藥物研發的從業人員、高等院校醫工交叉學科的學生閱讀，也適合對人工智慧輔助醫藥研發感興趣的藥物研發人員、程序員閱讀。
作者介紹
常珊//謝良旭|責編:吳晉瑜
目錄
第1章  緒論
  1.1  人工智慧發展歷史
  1.2  傳統電腦輔助藥物設計的歷史
  1.3  人工智慧輔助藥物研發概況
第2章  機器學習的基本概念
  2.1  機器學習、深度學習與人工智慧
    2.1.1  人工智慧
    2.1.2  機器學習的關鍵術語
  2.2  機器學習的分類
    2.2.1  按任務類型分類
    2.2.2  按學習方式分類
  2.3  機器學習與藥物研發
    2.3.1  藥物設計方法
    2.3.2  藥物設計中常見的機器學習方法
    2.3.3  預測模型的構建
  2.4  參考資料
第3章  支持向量機
  3.1  支持向量機簡介
  3.2  間隔與支持向量
  3.3  核函數
  3.4  軟間隔與正則化
  3.5  支持向量回歸
  3.6  支持向量機演算法
    3.6.1  選塊演算法
    3.6.2  分解演算法
    3.6.3  模糊支持向量機演算法
    3.6.4  序貫最小優化演算法
  3.7  示例
  3.8  參考資料
第4章  決策樹
  4.1  決策樹簡介
  4.2  決策樹劃分選擇
    4.2.1  信息熵
    4.2.2  信息增益
    4.2.3  信息增益率
    4.2.4  基尼指數
  4.3  示例
第5章  集成學習
  5.1  集成學習簡介
    5.1.1  Bagging
    5.1.2  Boosting
  5.2  集成方法
    5.2.1  集成學習的結合策略
    5.2.2  增加基學習器多樣性的
方法
  5.3  隨機森林
  5.4  示例
  5.5  參考資料
第6章  k近鄰演算法
  6.1  k近鄰演算法概述

    6.1.1  k近鄰演算法
    6.1.2  距離加權近鄰演算法
    6.1.3  對k近鄰演算法的說明
  6.2  k近鄰演算法的實現
    6.2.1  準備：使用Python導入數據
    6.2.2  從文本文件中解析數據
    6.2.3  如何測試分類器
  6.3  示例：用k近鄰演算法改進約會網站的配對效果
  6.4  示例：手寫識別系統
  6.5  參考資料
第7章  神經網路
  7.1  生物神經元對人工神經元的啟發
  7.2  生物神經網路與人工神經網路的主要區別
  7.3  前饋神經網路
  7.4  反向傳播演算法
  7.5  激活函數
    7.5.1  Logistic函數
    7.5.2  Tanh函數
    7.5.3  ReLU函數
    7.5.4  LeakyReLU函數
    7.5.5  Swish函數
  7.6  用Tensorflow構建神經網路，實現激?抑製劑分類
    7.6.1  數據預處理
    7.6.2  神經網路構建
    7.6.3  模型訓練
    7.6.4  模型使用
  7.7  參考資料
第8章  卷積神經網路
  8.1  卷積神經網路的結構
    8.1.1  卷積層
    8.1.2  池化層
    8.1.3  反池化
    8.1.4  激活函數層
    8.1.5  全連接層
  8.2  卷積神經網路的相關計算
    8.2.1  特徵圖
    8.2.2  感受野
    8.2.3  填充
    8.2.4  膨脹卷積
  8.3  示例：用卷積神經網路預測藥物分子性質
  8.4  參考資料
第9章  生成式深度學習
  9.1  深度學習與GAN
    9.1.1  深度學習
    9.1.2  GAN
  9.2  GAN的相關概念
    9.2.1  梯度下降法
    9.2.2  信息熵與KL散度
    9.2.3  納什均衡
    9.2.4  高斯分佈和高斯過程

  9.3  GAN理論基礎
    9.3.1  什麼是GAN
    9.3.2  GAN的原理
  9.4  GAN的訓練過程
    9.4.1  訓練判別器D
    9.4.2  訓練生成器G
  9.5  GAN的應用與代碼示例
  9.6  GAN的特點和GANZOO
    9.6.1  GAN的優點
    9.6.2  GAN的缺點
    9.6.3  GANZOO
  9.7  參考資料
第10章  Python編程基礎與計算環境搭建
  10.1  Python簡介
  10.2  Python基本編程
    10.2.1  Anaconda介紹
    10.2.2  安裝Anaconda
    10.2.3  終端窗口運行Python代碼片段
    10.2.4  PyCharm簡介
    10.2.5  配置PyCharm
    10.2.6  在PyCharm中編寫Python腳本
  10.3  Python語言基本要素
    10.3.1  基本數據類型
    10.3.2  if語句
    10.3.3  循環語句
    10.3.4  函數
    10.3.5  類
  10.4  深度學習框架的搭建
    10.4.1  TensorFlow和PyTorch簡介
    10.4.2  安裝TensorFlow
    10.4.3  安裝PyTorch
  10.5  參考資料
第11章  常用資料庫介紹
  11.1  藥物資料庫
    11.1.1  PubChem資料庫
    11.1.2  DrugBank資料庫
    11.1.3  DGIdb
    11.1.4  ChEMBL
    11.1.5  ETCM
  11.2  蛋白質資料庫
    11.2.1  UniProt資料庫
    11.2.2  PDB
    11.2.3  NCBI資料庫
    11.2.4  SMART資料庫
    11.2.5  Pfam資料庫
    11.2.6  STRING
    11.2.7  其他蛋白質資料庫
  11.3  藥物-靶點資料庫
    11.3.1  TTD
    11.3.2  BindingDB

    11.3.3  其他藥物-靶點資料庫
  11.4  參考資料
第12章  分子對接
  12.1  電腦輔助藥物設計概念
  12.2  分子對接的原理與分類
    12.2.1  分子對接的原理
    12.2.2  分子對接的分類
  12.3  分子對接的操作流程
  12.4  人工智慧在分子對接中的應用
    12.4.1  打分函數
    12.4.2  蛋白質-配體分子對接中的機器學習
    12.4.3  基於深度學習的多?與蛋白質相互作用的預測框架
  12.5  參考資料
第13章  QSAR的深度學習新應用
  13.1  QSAR
    13.1.1  QSAR的定義
    13.1.2  QSAR的發展簡介
    13.1.3  QSAR模型研究方法
  13.2  傳統的QSAR
    13.2.12  D-QSAR的基本原理
    13.2.23  D-QSAR的基本原理
  13.3  QSAR模型構建步驟
    13.3.1  軟體介紹
    13.3.23  D-QSAR操作步驟
  13.4  機器學習背景下的QSAR
    13.4.1  常見的機器學習方法
    13.4.2  深度學習方法
  13.5  參考資料
第14章  分子的特徵工程
  14.1  藥物分子結構
    14.1.1  什麼是分子
    14.1.2  什麼是分子鍵
    14.1.3  什麼是分子構象
    14.1.4  什麼是分子的手性
  14.2  分子描述符
    14.2.1  什麼是分子描述符
    14.2.2  分子描述符的分類
    14.2.3  SMILES字元串
    14.2.4  SMARTS字元串
  14.3  分子指紋
    14.3.1  什麼是分子指紋
    14.3.2  分子訪問系統結構鍵
    14.3.3  擴展連通性指紋
  14.4  藥物分子的特徵工程
    14.4.1  什麼是分子特徵
    14.4.2  其他特徵化方法
    14.4.3  特徵選擇
  14.5  參考資料
第15章  藥物分子性質預測
  15.1  藥物代謝動力學

    15.1.1  藥物代謝動力學介紹
    15.1.2  ADMET簡介
    15.1.3  解離常數
  15.2  Lipinski原則
    15.2.1  Lipinski原則介紹
    15.2.2  Lipinski原則的簡單程序實現
  15.3  機器學習中的藥物分子性質預測
    15.3.1  數據特徵化處理
    15.3.2  機器學習預測藥物分子性質
  15.4  深度學習中的藥物分子性質預測
    15.4.1  特徵化處理和數據集劃分
    15.4.2  深度學習預測藥物分子性質
  15.5  參考資料
第16章  分子從頭生成
  16.1  先導化合物的優化
  16.2  藥物分子設計的原則
    16.2.1  前葯設計
    16.2.2  孿葯設計
    16.2.3  軟葯設計
  16.3  傳統的先導化合物優化
    16.3.1  採用生物電子等排體進行替換
    16.3.2  生物電子等排體的分類
  16.4  電腦輔助的先導化合物優化
    16.4.1  QSAR
    16.4.2  骨架躍遷
  16.5  分子從頭生成簡介
    16.5.1  什麼是分子從頭生成
    16.5.2  分子生成的分類
  16.6  深度學習與分子從頭生成
    16.6.1  分子從頭生成背景
    16.6.2  分子從頭生成模型
    16.6.3  分子從頭生成的挑戰
  16.7  參考資料
第17章  蛋白質結構預測
  17.1  蛋白質的結構與功能
    17.1.1  蛋白質的結構層次
    17.1.2  蛋白質的功能
  17.2  蛋白質摺疊動力學簡介
    17.2.1  蛋白質摺疊
    17.2.2  蛋白質摺疊動力學
  17.3  蛋白質結構預測演算法
    17.3.1  遺傳演算法
    17.3.2  模擬退火演算法
    17.3.3  同源建模方法
  17.4  蛋白質結構預測的顛覆性發展
  17.5  基於蛋白質結構預測的藥物設計
    17.5.1  分子對接
    17.5.2  基於半監督學習的藥物-靶點相互作用研究
    17.5.3  藥物-靶點結合親和力研究
  17.6  參考資料

第18章  蛋白質-分子結合的深度學習預測
  18.1  藥物靶點的基本概念
  18.2  藥物靶點與小分子的相互作用
  18.3  藥物靶點與小分子的結合自由能的計算
    18.3.1  基於物理模型的方法
    18.3.2  經驗打分函數
    18.3.3  基於知識的方法
    18.3.4  基於深度學習的蛋白質-配體分子結合能力
  18.4  人工智慧預測蛋白質-配體分子結合能的實戰
    18.4.1  藥物靶點與小分子的特徵提取
    18.4.2  基於蛋白質與配體相互作用的指紋提取
    18.4.3  人工智慧模型預測蛋白質-配體結合常數
  18.5  參考資料

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032