《智能药物研发--新药研发中的人工智能》围绕生物化学分子，介绍了新药研发过程中各阶段的人工智能技术，主要内容包括人工智能在生物分子的化学表征方法、基于分子表征的无监督预训练方法、分子性质预测、智能分子生成、药物-靶标相互作用预测、药物-药物相互作用预测、生物医药知识图谱应用、分子逆合成设计及生物医学命名实体识别等方面的应用。

目 录
第1章 绪论
1.1 新药研发概述
1.2 新药研究阶段
1.2.1 靶标的选择与确证
1.2.2 模型的建立
1.2.3 先导化合物的发现
1.2.4 先导化合物的优化
1.3 新药开发阶段
1.3.1 临床前研究
1.3.2 临床研究
1.3.3 新药申请
1.3.4 批准上市
1.4 药物研发中的药物信息学
第2章 计算和数据驱动的药物发现
2.1 计算机辅助药物发现
2.2 使用人工智能进行药物开发的原因
2.3 用于药物设计的人工智能方法的类型
2.4 人工智能在药物设计中的应用
第3章 生物分子的化学表征方法
3.1 概述
3.2 基于序列的分子表示
3.2.1 基于SMILES的分子表示
3.2.2 基于描述符的分子表示
3.3 基于图的分子表示
第4章 基于分子表征的无监督预训练方法
4.1 概述
4.2 分子无监督预训练策略
4.3 基于序列的预训练策略
4.3.1 基于SMILES的预训练策略
4.3.2 基于描述符的预训练策略
4.4 基于图的预训练策略
4.5 无监督预训练应用
4.5.1 分子性质预测
4.5.2 药物-药物相互作用预测
4.5.3 药物-靶标相互作用预测
4.6 总结
第5章 分子性质预测
5.1 概述
5.2 分子性质预测模型通用数据集
5.3 传统机器学习在分子性质预测中的应用
5.4 基于SMILES的分子性质预测模型
5.5 基于图的分子性质预测模型
5.6 基于元学习的分子性质预测模型
5.7 总结
第6章 智能分子生成
6.1 概述
6.2 生成模型通用数据集
6.3 基于SMILES的生成模型
6.3.1 基于VAE的分子生成模型
6.3.2 基于GAN的分子生成模型
6.3.3 基于RNN的分子生成模型
6.4 基于图的生成模型
6.4.1 基于VAE的分子生成模型
6.4.2 基于GAN的分子生成模型
6.4.3 基于RNN的分子生成模型
6.4.4 基于流的分子生成模型
6.5 总结
第7章 基于深度学习的药物-靶标相互作用预测
7.1 概述
7.2 数据集
7.3 虚拟筛选软件
7.4 药物分子与蛋白质靶标的表征
7.4.1 药物分子的表征
7.4.2 蛋白质的表征
7.5 基于机器学习的预测模型
7.6 基于深度学习的预测模型
7.6.1 基于循环网络的预测模型
7.6.2 基于卷积的预测模型
7.6.3 基于生成的预测模型
7.6.4 基于图的预测模型
7.7 总结
第8章 基于深度学习的药物-药物相互作用预测
8.1 概述
8.2 常见的药物相互作用数据库
8.3 基于序列结构的预测模型
8.3.1 基于相似性的方法
8.3.2 相似性和神经网络相结合的方法
8.4 基于图神经网络的预测模型
8.4.1 基于图神经网络的方法
8.4.2 基于知识图谱的方法
8.5 信息提取模型
8.6 基于复杂网络的方法
8.7 总结
第9章 生物医药知识图谱
9.1 概述
9.2 构建生物医药知识图谱的常见数据库
9.3 知识图谱嵌入模型
9.3.1 基于翻译的模型
9.3.2 基于张量分解的模型
9.3.3 基于神经网络的模型
9.4 基于知识图谱的生物医学预测任务
9.4.1 药物不良反应预测
9.4.2 药物重定位
9.5 总结
第10章 基于深度学习的分子逆合成设计
10.1 概述
10.2 逆合成设计的准备
10.2.1 化学反应数据集
10.2.2 化学反应的数据表示
10.2.3 原子映射
10.2.4 评估标准
10.3 用于逆合成设计的模型
10.3.1 单步逆合成设计
10.3.2 多步逆合成设计
10.4 用于逆合成设计的进阶工具
10.4.1 Chematica
10.4.2 ASKCOS
10.4.3 RoboRXN
10.5 总结
第11章 生物医学命名实体识别
11.1 概述
11.2 深度学习BioNER结构
11.2.1 数据集的准备
11.2.2 实体特征的提取
11.2.3 候选实体的分类
11.3 深度学习方法
11.3.1 基于单一神经网络的方法
11.3.2 基于多任务学习的方法
11.3.3 基于迁移学习的方法
11.3.4 基于混合模型的方法
11.4 不同方法的比较分析
11.4.1 数据集
11.4.2 评价标准与性能比较
11.5 挑战与展望
参考文献

前 言新药研发是一个周期长、耗费高的过程，
大部分药物成功上市需要10～15年。新药研发中许多化
学生物实测技术在所谓的“wet实验室”中开展，而计
算方法的开发和应用有助于加速药物发现，因其不在生
物体内或体外开展实验，通常被称为“in silico”。
计算方法已经广泛应用了几十年，随着人工智能的兴起
，特别是机器学习和深度学习技术的成熟，新药研发有
了创新，基于人工智能的新药研发不仅有效缩短了药物
发现的时间，而且诞生了全新的智能药物。本书介绍了
应用于新药研发领域的先进人工智能技术，涵盖了新药
研发的多个阶段，总结了人工智能技术在不同阶段常用
的数据集和对应的深度学习技术的发展情况。本书第1
～2章介绍了新药研发的主要过程和用到的主流的人工
智能技术的类型。将人工智能技术应用到药物研发是一
项多学科交叉的工作，首要挑战是用计算机语言描述和
表达具有化学意义的分子结构。第3章介绍了与药物研
发相关的化学分子的多种描述符，阐述了这些具有化学
意义的分子是如何转换为计算机语言进行存储计算的。
在本书的多个章节中，以分子的计算机描述符作为分类
标准，介绍了基于多种描述符发展的人工智能技术。第
4章描述了在人工智能技术中，关于分子的不同种类的
计算机描述符是如何进行无监督预训练学习的。新药发
现中只有符合特定理化性质的化合物分子才能成为候选
化合物，而分子结构决定分子性质，本书第5章介绍了
分子性质预测模型。根据分子结构进行预测也称为基于
配体的预测，最初是使用数学模型预测某些分子性质。
近几十年，这一过程转向使用大规模数据源和分子描述
符库，利用更现代的机器学习算法自动生成预测模型。
药物发现本身就是一个多目标或多参数的挑战，被批准
的药物必须满足在预定剂量下的安全性和有效性的要求
，药物设计面临的重大挑战之一是新的分子结构的生成
—如何设计分子才能满足所考虑的疾病领域确定的各种
重要约束条件。本书第6章介绍了人工智能技术在智能
分子生成领域的发展，常用的深度学习模型包括变分自
编码器、生成对抗网络和循环神经网络等，模型通过对
现有的大量分子数据结构的学习，生成全新的、满足要
求的智能分子。药物在生物体内的目标是与靶标蛋白结
合，药物-靶标相互作用在药物发现过程中起着至关重
要的作用，主要目标是为特定靶标寻找合适的新配体。
本书第7章介绍了人工智能技术在药物-靶标相互作用预
测中的应用，包括药物分子与靶标的表征方法以及基于
机器学习和深度学习的预测模型。在药物的实际应用过
程中，由于服药个体的差异性和疾病类型的复杂性，病
人同时或在一定时间内服用两种或两种以上药物，可使
药效加强或副作用减轻，也可使药效减弱或出现不应有
的毒副作用。本书第8章介绍了基于深度学习的药物-药
物相互作用预测，包括基于相似性、图神经网络和知识
图谱的方法。知识图谱在其他方面也有较多的应用，药
物研发依赖较多的医药和化学知识，为知识图谱在新药
研发中的应用提供了基础。本书的第9章详细介绍了基
于知识图谱的常用模型和应用。合成有机化学中重大的
挑战之一是新化学分子合成路线的设计和规划，药物化
学和药物发现中更是如此。给定一个目标分子，什么样
的一系列反应和条件可以被优化，以使材料、产物、成
本和时间最合理化，从而在实验室中产生预期目标结果
。逆向合成规划从所需的产品开始向前工作，以决定哪
些步骤应该构成合成的一部分。本书的第10章介绍了人
工智能技术在分子逆合成设计中的应用。这些新方法利
用大量数据资源构建人工智能模型，能够快速准确的预
测已被证明具有人类专家竞争力的合成路线选择。新药
研发是一项系统性的多学科融合的工作，现如今PubMed
已收录3000万篇生物医学文献，从庞大的文献资源中挖
掘相关数据是非常有价值的事情。本书的第11章介绍了
基于深度学习的生物医学命名实体识别方法，这是关系
实体特征提取和知识图谱构建的基础。人工智能技术在
新药研发中的广泛应用有效提升了新药研发的速度和效
率，我们期望随着技术的不断进步和成熟，产出更多智
能药物分子，推动整个行业的进步和发展，使更多疾病
得以治愈。在此，感谢中国石油大学（华东）的李雪、
韩佩甫、代欢欢、王干、张旭东、张莹、高畅楠、焦麟
钫、任咏琪、王璐璐对本书审校工作的贡献。感谢清华
大学出版社邓艳编辑在本书出版审校方面的支持和帮助
。人工智能技术发展迅猛，作者对许多问题并未做深入
研究，加上作者知识水平和实践经验有限，书中难免存
在不足，敬请读者批评指正。关于本书内容，如果您有
更多的宝贵意见，可关注深度奇点和DrugAI微信公众号
与我们进行互动交流，期待能够得到您的真挚反馈，在
技术道路上互勉共进。编者

《智能药物研发--新药研发中的人工智能》阐述了人工智能技术为新药研发带来的革命性变化，极大节省了人力、物力、时间和资源成本，适合以计算机、生物、化学等为主要专业的学生、老师以及研究学者使用，为其未来专业深造提供交叉学科的相关知识。