本书概述了药物设计中人工智能方法开发与应用的最新进展，内容涵盖药物发现与开发、计算化学、药物化学、药物设计、药理学等多个交叉领域。本书系统介绍了人工智能对传统药物设计方法的加速和革新，包括基于结构和配体的药物设计、增强和多目标从头药物设计、从头分子生成、靶点结合活性与结合预测、ADMET（吸收、分布、代谢、排泄和毒性）性质、药代动力学、药物代谢、药物毒性预测、精准医疗、化学合成路线预测、大数据分析，以及人工智能对未来药物研发的影响。
本书知识体系新颖、章节架构独特，内容广泛且翔实，案例丰富、图文并茂，可供医药研发领域从业者、投资者、高等医药院校师生及对新药研发感兴趣者阅读。

第1章 人工智能在药物设计中的应用：机遇与挑战
1.1 引言：药物设计面临哪些挑战
1.2 人工智能在药物设计中的应用
1.3 药物设计中人工智能决策的挑战
1.4 总结
第2章 机器学习在药理学和ADMET终点建模中的应用
2.1 引言
2.2 ML在ADMET问题中的应用
2.3 总结与展望
第3章 以人工智能挑战新型冠状病毒感染
3.1 引言
3.2 基于结构的药物再利用
3.3 人工智能在药物再利用中的应用
3.4 研究中的再利用药物
3.5 挑战与展望
第4章 人工智能和机器学习在药物发现中的应用
4.1 引言
4.2 生成化学
4.3 靶点分析
4.4 ADMET预测和评分
4.5 合成规划
4.6 总结
第5章 深度学习与计算化学
5.1 引言
5.2 深度学习在计算化学中的应用
5.3 深度学习的影响
5.4 深度学习的开放性问题
5.5 深度学习的未来
第6章 人工智能是否影响了药物发现
6.1 引言
6.2 从头设计工具
6.3 人工智能和生成模型在药物发现中的应用
6.4 生成模型的前世今生
6.5 生成模型的使用：分布学习vs导向学习
6.6 在药物发现中的应用
6.7 REINVENT：使用生成模型
6.8 化合物库的分子从头设计
6.9 人工智能应用面临的挑战与未来发展
第7章 网络驱动的药物发现
7.1 引言
7.2 网络生物学和药理学
7.3 对药物发现的影响
7.4 网络驱动的药物发现
7.5 验证
7.6 总结
第8章 GPCR配体滞留时间的机器学习预测
8.1 引言
8.2 材料
8.3 方法
8.4 注释
第9章 基于化学语言模型的从头分子设计
9.1 引言
9.2 材料
9.3 方法
第10章 用于QSAR的深度神经网络
10.1 引言
10.2 分子特征
10.3 深度神经网络结构
10.4 改进模型性能
10.5 模型的可解释性
10.6 总结
第11章 基于结构的药物设计中的深度学习
11.1 引言
11.2 评分函数
11.3 基于结构的虚拟筛选
11.4 展望
第12章 深度学习在基于配体的从头药物设计中的应用
12.1 引言
12.2 从头设计：历史和背景
12.3 从头设计的神经网络架构
12.4 基于配体的深度生成模型在从头药物设计中的应用
12.5 基于配体的深度生成模型的界限突破
12.6 总结
第13章 超高通量蛋白-配体对接与深度学习
13.1 引言
13.2 材料
13.3 方法
第14章 人工智能和量子计算——制药行业的下一个颠覆者
14.1 引言
14.2 方法
14.3 总结
第15章 人工智能在化合物设计中的应用
15.1 引言
15.2 材料
15.3 方法
15.4 总结
第16章 人工智能、机器学习和深度学习的实际药物设计案例
16.1 引言
16.2 应用领域
16.3 总结与展望
第17章 人工智能——提高从头设计新化合物的可合成性
17.1 引言
17.2 计算分子生成
17.3 逆合成规划和合成可行性评估
17.4 合成可行性和深度生成算法的结合
17.5 总结
第18章 基于组学数据的机器学习
18.1 引言
18.2 数据探索
18.3 模型的定义
18.4 超参数搜索
18.5 模型验证
18.6 最终模型的训练和解释
第19章 深度学习在治疗性抗体开发中的应用
19.1 引言
19.2 抗体开发中的监督学习
19.3 抗体开发中的无监督学习
19.4 总结
第20章 机器学习在ADMET预测中的应用
20.1 引言
20.2 材料
20.3 方法
20.4 注释
20.5 总结
第21章 人工智能在药代动力学预测应用中的机遇与思考
21.1 引言
21.2 DMPK的演变
21.3 人工智能在药代动力学预测中的机遇
21.4 数据的质量
21.5 体内数据
21.6 机遇与挑战
21.7 前瞻性视角
第22章 人工智能在药物安全性和代谢中的应用
22.1 引言
22.2 药物代谢和药代动力学的演变
22.3 计算毒理学模型的应用
22.4 未来展望
第23章 基于匹配分子对的分子构思
23.1 引言
23.2 MMP算法
23.3 BioDig：GSK转换数据库
23.4 基于MMP的大规模分子构思
23.5 基于MMP知识库的价值量化
23.6 新转换日益增长的tail命令
23.7 实用的MedChem转换子集
23.8 MMP作为分子生成工具的评估
23.9 第一次测试——人工参与
23.10 第二次测试——模仿人工
23.11 第三次测试——遗留项目
23.12 总结