封面
版权信息
版权
内容提要
前言
内容概述
致谢
第1章 绪论
1.1 人工智能发展历史
1.2 传统计算机辅助药物设计的历史
1.3 人工智能辅助药物研发概况
第2章 机器学习的基本概念
2.1 机器学习、深度学习与人工智能
2.2 机器学习的分类
2.3 机器学习与药物研发
2.4 参考资料
第3章 支持向量机
3.1 支持向量机简介
3.2 间隔与支持向量
3.3 核函数
3.4 软间隔与正则化
3.5 支持向量回归
3.6 支持向量机算法
3.7 示例
3.8 参考资料
第4章 决策树
4.1 决策树简介
4.2 决策树划分选择
4.3 示例
第5章 集成学习
5.1 集成学习简介
5.2 集成方法
5.3 随机森林
5.4 示例
5.5 参考资料
第6章 k近邻算法
6.1 k近邻算法概述
6.2 k近邻算法的实现
6.3 示例：用k近邻算法改进约会网站的配对效果
6.4 示例：手写识别系统
6.5 参考资料
第7章 神经网络
7.1 生物神经元对人工神经元的启发
7.2 生物神经网络与人工神经网络的主要区别
7.3 前馈神经网络
7.4 反向传播算法
7.5 激活函数
7.6 用Tensorflow构建神经网络，实现激酶抑制剂分类
7.7 参考资料
第8章 卷积神经网络
8.1 卷积神经网络的结构
8.2 卷积神经网络的相关计算
8.3 示例：用卷积神经网络预测药物分子性质
8.4 参考资料
第9章 生成式深度学习
9.1 深度学习与GAN
9.2 GAN的相关概念
9.3 GAN理论基础
9.4 GAN的训练过程
9.5 GAN的应用与代码示例
9.6 GAN的特点和GAN ZOO
9.7 参考资料
第10章 Python编程基础与计算环境搭建
10.1 Python简介
10.2 Python基本编程
10.3 Python语言基本要素
10.4 深度学习框架的搭建
10.5 参考资料
第11章 常用数据库介绍
11.1 药物数据库
11.2 蛋白质数据库
11.3 药物-靶点数据库
11.4 参考资料
第12章 分子对接
12.1 计算机辅助药物设计概念
12.2 分子对接的原理与分类
12.3 分子对接的操作流程
12.4 人工智能在分子对接中的应用
12.5 参考资料
第13章 QSAR的深度学习新应用
13.1 QSAR
13.2 传统的QSAR
13.3 QSAR模型构建步骤
13.4 机器学习背景下的QSAR
13.5 参考资料
第14章 分子的特征工程
14.1 药物分子结构
14.2 分子描述符
14.3 分子指纹
14.4 药物分子的特征工程
14.5 参考资料
第15章 药物分子性质预测
15.1 药物代谢动力学
15.2 Lipinski原则
15.3 机器学习中的药物分子性质预测
15.4 深度学习中的药物分子性质预测
15.5 参考资料
第16章 分子从头生成
16.1 先导化合物的优化
16.2 药物分子设计的原则
16.3 传统的先导化合物优化
16.4 计算机辅助的先导化合物优化
16.5 分子从头生成简介
16.6 深度学习与分子从头生成
16.7 参考资料
第17章 蛋白质结构预测
17.1 蛋白质的结构与功能
17.2 蛋白质折叠动力学简介
17.3 蛋白质结构预测算法
17.4 蛋白质结构预测的颠覆性发展
17.5 基于蛋白质结构预测的药物设计
17.6 参考资料
第18章 蛋白质-分子结合的深度学习预测
18.1 药物靶点的基本概念
18.2 药物靶点与小分子的相互作用
18.3 药物靶点与小分子的结合自由能的计算
18.4 人工智能预测蛋白质-配体分子结合能的实战
18.5 参考资料
更新时间：2024-07-05 17:49:33
完结共118章
倒序