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

電腦及AI輔助小分子藥物設計(理論與實踐)(精)

  • 作者：編者:薛穎//馮志煒|責編:楊燕玲
  • 出版社：化學工業
  • ISBN：9787122510655
  • 出版日期：2026/10/01
  • 裝幀：精裝
  • 頁數：312
人民幣：RMB 198 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書系統介紹了小分子藥物研發中電腦與人工智慧技術的核心應用。全書從藥物發現與開發的全流程出發，涵蓋靶點識別、先導化合物優化、藥物化學、體外與體內研究、臨床試驗等關鍵環節，重點解析了電腦輔助藥物設計與人工智慧在分子對接、結合口袋預測、結構建模、虛擬篩選等方面的理論與實踐方法。
    書中詳細講解了同源建模、分子動力學模擬、AI驅動的結合模式預測工具（如AlphaFold3、DynamicBind等），以及生成式AI在小分子與多?藥物設計中的應用。此外，本書還提供了豐富的實操案例與環境配置指南，包括PyMOL、Chimera、MCCS工具鏈等，適合藥物研發人員、生物信息學研究者及相關專業學生閱讀，能助力實現高效、精準的藥物設計與開發。
作者介紹
編者:薛穎//馮志煒|責編:楊燕玲
目錄
第1章  藥物的發現與開發
  1.1  靶點選擇
    1.1.1  細胞靶點
    1.1.2  遺傳靶點
    1.1.3  靶點選擇的關鍵技術
  1.2  先導化合物的發現與優化
    1.2.1  識別小分子調節劑
    1.2.2  高內涵先導化合物的轉化
    1.2.3  合成與分離
    1.2.4  組合化學
    1.2.5  分析檢測方法開發
    1.2.6  高通量篩選
  1.3  藥物化學
    1.3.1  化合物庫的發展
    1.3.2  結構-活性關係研究
    1.3.3  化學合成
  1.4  體外研究
    1.4.1  體外研究的主要形式
    1.4.2  體外研究的優勢
    1.4.3  藥物親和力與選擇性
    1.4.4  細胞疾病模型
    1.4.5  作用機制研究
    1.4.6  先導化合物優化
  1.5  體內研究
    1.5.1  疾病狀態的動物模型
    1.5.2  行為研究
    1.5.3  功能成像
    1.5.4  離體研究
  1.6  臨床試驗
    1.6.1  0期：人體微劑量研究
    1.6.2  Ⅰ期：臨床藥理評價
    1.6.3  Ⅱ期：控制臨床評價
    1.6.4  Ⅲ期：延長臨床試驗
    1.6.5  Ⅳ期：上市后監測
  1.7  本章結語
第2章  小分子藥物開發
  2.1  小分子藥物
    2.1.1  小分子藥物的特點與優勢
    2.1.2  小分子藥物在不同治療領域的應用
    2.1.3  小分子藥物的類別
  2.2  小分子藥物的靶點分類
    2.2.1  G蛋白偶聯受體
    2.2.2  ?類靶點
    2.2.3  其他靶點
  2.3  電腦輔助藥物設計
    2.3.1  電腦輔助藥物設計的步驟
    2.3.2  核心方法
  2.4  AI藥物設計
    2.4.1  靶點預測與結構預測
    2.4.2  生成式小分子設計

    2.4.3  毒性與葯代動力學預測
    2.4.4  AI藥物設計的成功實例
  2.5  本章結語
第3章  同源建模
  3.1  同源建模的技術原理
    3.1.1  同源建模的具體方法和流程
    3.1.2  同源建模的優勢與局限性
    3.1.3  深度學習驅動的結構建模：AlphaFold與RoseTTAFold
  3.2  SWISS-MODEL
    3.2.1  模板搜索和選擇過程
    3.2.2  模型構建過程
    3.2.3  結構評估與驗證
    3.2.4  模型優化與序列疊合問題
  3.3  RoseTTAFold
    3.3.1  技術原理
    3.3.2  在線預測步驟
  3.4  AlphaFold
    3.4.1  核心功能和原理
    3.4.2  已知的AlphaFold預測結構
    3.4.3  在線使用AlphaFold3進行預測
  3.5  本章結語
第4章  分子對接與結合口袋
  4.1  分子對接理論
    4.1.1  分子對接方法的分類
    4.1.2  經典分子對接工具
    4.1.3  分子對接過程中的挑戰
  4.2  構象搜索及打分函數
    4.2.1  構象搜索
    4.2.2  打分函數
  4.3  結合口袋預測
    4.3.1  蛋白質結合口袋
    4.3.2  預測結合口袋的工具
  4.4  Chimera對接軟體的介紹及操作實踐
    4.4.1  軟體介紹
    4.4.2  安裝
    4.4.3  操作流程
    4.4.4  操作實踐
  4.5  分子對接常用的開源資料庫
    4.5.1  NCI資料庫
    4.5.2  ZINC資料庫
    4.5.3  ChEMBL資料庫
    4.5.4  PubChem資料庫
    4.5.5  資料庫對比與實際應用建議
  4.6  MCCS受體-配體對接工具及能量分解工具包
    4.6.1  MCCS Toolchain
    4.6.2  構建MCCS Docker鏡像
    4.6.3  MCCS Docker對接的實例操作
  4.7  本章結語
第5章  AI相關環境及工具的介紹、配置及使用
  5.1  安裝Ubuntu

    5.1.1  啟用WSL功能
    5.1.2  進入WSL環境並設置根目錄
  5.2  安裝Anaconda及Jupyter Lab
    5.2.1  Anaconda下載與安裝步驟
    5.2.2  驗證Anaconda安裝
    5.2.3  安裝Jupyter Lab
  5.3  NumPy基礎
  5.4  Pandas基礎
  5.5  Matplotlib基礎
  5.6  Scikit-learn安裝
  5.7  CUDA/PyTorch安裝
    5.7.1  PyTorch介紹
    5.7.2  PyTorch安裝
    5.7.3  PyTorch入門
  5.8  RDKit基礎
    5.8.1  RDKit介紹
    5.8.2  RDKit下載與安裝
  5.9  本章結語
第6章  AI用於受體-配體的結合模式預測
  6.1  基於深度學習的分子對接模型的概述
    6.1.1  損失函數的定義與作用
    6.1.2  AI結合模式預測的優勢和應用
    6.1.3  受體-配體結合模式預測的AI工具
  6.2  AlphaFold
    6.2.1  AlphaFold3的本地安裝
    6.2.2  AlphaFold3實例演示
    6.2.3  AlphaFold3的結果解讀
    6.2.4  AlphaFold3進行單個受體的高通量篩選（小規模數據）
  6.3  DynamicBind
    6.3.1  DynamicBind的安裝及部署
    6.3.2  DynamicBind的案例測試
    6.3.3  DynamicBind的案例結果解讀
  6.4  AlphaFill
    6.4.1  AlphaFill Server
    6.4.2  AlphaFill分析蛋白質和小分子相互作用
  6.5  DeepDocking
    6.5.1  DeepDocking的安裝與部署
    6.5.2  手動運行DeepDocking
  6.6  本章結語
第7章  基於生成式AI的小分子設計
  7.1  生成式小分子設計的概述
    7.1.1  基於生成式AI的小分子設計的優勢
    7.1.2  生成模型與藥物設計的結合
    7.1.3  傳統小分子設計的挑戰與生成式AI的優勢
  7.2  生成式小分子設計的應用
    7.2.1  拓展分子設計的思路
    7.2.2  支持定製化藥物開發
    7.2.3  提供首創新葯與同類最優藥物候選分子
    7.2.4  降低新葯研發成本與周期
    7.2.5  生成式小分子設計的未來前景

  7.3  AI生成模型概述
    7.3.1  生成模型的定義與分類
    7.3.2  生成式小分子設計的目標與需求
  7.4  AI生成模型演算法示例
    7.4.1  變分自編碼器
    7.4.2  生成對抗網路
    7.4.3  自回歸模型
    7.4.4  擴散模型
  7.5  本章結語
第8章  AI驅動的多?藥物從頭設計
  8.1  擴散模型的原理及框架
    8.1.1  擴散模型的擴散框架
    8.1.2  預測過程
    8.1.3  加噪與去噪過程
    8.1.4  損失函數計算
    8.1.5  自條件化訓練技巧
  8.2  RFdiffusion的搭建及調試
    8.2.1  克隆RFdiffusion倉庫
    8.2.2  下載模型權重文件
    8.2.3  安裝SE3-Transformer
    8.2.4  獲取PPI支架示例
    8.2.5  運行擴散腳本
    8.2.6  基本執行-無條件單體設計
    8.2.7  圖案支架構建
    8.2.8  部分擴散
    8.2.9  結合體設計
    8.2.10  結合體設計的實際考慮
    8.2.11  對稱寡聚物的生成
    8.2.12  Docker
  8.3  RFdiffusion的案例解析
    8.3.1  無條件蛋白質單體生成
    8.3.2  高階對稱寡聚體生成
    8.3.3  功能位點支架設計
    8.3.4  蛋白質與?結合體從頭設計
  8.4  本章結語
第9章  AI智能在線資料庫
  9.1  AI智能資料庫的概述
    9.1.1  主要資料庫平台
    9.1.2  AI驅動的智能資料庫的獨特優勢
  9.2  AI驅動領域專屬資料庫
    9.2.1  Virus-CKB：病毒領域的AI驅動資料庫
    9.2.2  Pain-CKB：疼痛領域的AI系統化知識庫
    9.2.3  AI資料庫系統平台：快速建立與發布的解決方案
  9.3  AI智能資料庫搭建的思路
  9.4  AI智能資料庫搭建的技術過程
    9.4.1  構建MCCS Docker鏡像
    9.4.2  收集數據
    9.4.3  準備下載的列表並下載相關的靶點PDB
    9.4.4  下載靶點PDB及使用MCCS進行文件切割
    9.4.5  進一步清理文件

    9.4.6  產生口袋文件及生成口袋的圖片
    9.4.7  利用腳本生成GCP平台需要的數據
  9.5  AI GCP平台的搭建
    9.5.1  安裝Visual Studios
    9.5.2  克隆並下載代碼
    9.5.3  安裝其他軟體
    9.5.4  編譯併發布資料庫平台
  9.6  本章結語
第10章  ADMET性質預測：傳統方法與人工智慧方法的解析及展望
  10.1  ADMET介紹
  10.2  傳統的ADMET預測方法
    10.2.1  主要策略和技術
    10.2.2  優勢
    10.2.3  劣勢
    10.2.4  工具
  10.3  AI預測ADMET的主要策略和技術
    10.3.1  具體流程及相應原理
    10.3.2  優勢
    10.3.3  劣勢
    10.3.4  未來前景及發展方向
  10.4  使用工具預測ADMET
    10.4.1  使用傳統工具預測ADMET
    10.4.2  使用AI工具預測ADMET
    10.4.3  高級功能使用
  10.5  傳統方法與AI預測的比較
  10.6  本章結語
第11章  PyMOL藥物設計可視化軟體
  11.1  簡介
    11.1.1  開發背景
    11.1.2  主要功能
  11.2  安裝與配置
    11.2.1  安裝
    11.2.2  基本配置
  11.3  基本使用方法
    11.3.1  載入分子結構
    11.3.2  視圖操作
    11.3.3  分子顏色和樣式調整
  11.4  使用案例詳解
    11.4.1  視角旋轉與移動
    11.4.2  ASHLC菜單
    11.4.3  滑鼠設置
    11.4.4  動畫
    11.4.5  具體實例操作步驟
  11.5  本章結語
第12章  分子動力學模擬
  12.1  分子動力學概述
    12.1.1  蛋白質動態結構與功能關係研究中分子動力學模擬的優勢
    12.1.2  分子動力學的原理
    12.1.3  分子動力學模擬軟體
    12.1.4  分子動力學的應用

  12.2  Amber的安裝詳解
    12.2.1  基礎環境
    12.2.2  依賴庫的安裝
    12.2.3  安裝Conda和CUDA
    12.2.4  安裝Amber
  12.3  Amber執行腳本例子詳解
    12.3.1  執行動力學模擬的主腳本解析
    12.3.2  動力學每個階段的執行過程
  12.4  本章結語

  • 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