人工智能用于药物研发，在评估生物靶标和药物分子相互作用、优化药物设计路径等工作中发挥着越来越重要的作用，有助于加快药物研发进程、降低研发风险成本。
本书面向广大有志从事生命科学领域与药物研发领域交叉研究的科研或技术工作者。内容主要分为三部分：①人工智能算法基础；②数据基础与表征；③人工智能与药物设计。系统介绍了人工智能算法，重点介绍生物医药的关键数据资源，特别是基于人工智能的一些数据挖掘手段。以药物研发流程为主线，针对每个AI算法融入的关键步骤，首先介绍药物设计基础原理与现存挑战，进而系统性介绍AI算法在该研究方向上的进展情况。特别提供了交叉应用实例，并可免费下载程序代码。

绪论——人工智能与药物设计的发展
第一部分 人工智能算法基础
第1章 机器学习基础
1.1 监督学习
1.1.1 概念
1.1.2 分类
1.1.3 回归
1.1.4 小结
1.2 无监督学习
1.2.1 无监督学习的基本概念
1.2.2 无监督学习的基本算法
1.2.3 小结
1.3 强化学习
1.3.1 强化学习的概念
1.3.2 有模型学习和免模型学习
1.3.3 求解方法
1.3.4 强化学习算法
1.3.5 小结
1.4 模型评估与验证
1.4.1 模型评估指标介绍
1.4.2 模型验证方法介绍
1.4.3 小结
1.5 应用实例与代码
1.5.1 监督学习应用
1.5.2 无监督学习应用
参考文献
拓展阅读
第2章 深度网络结构设计基础
2.1 卷积神经网络
2.1.1 卷积神经网络的组件
2.1.2 神经网络的训练
2.1.3 基于卷积神经网络的图像分类
2.1.4 基于卷积神经网络的图像分割
2.2 循环神经网络
2.2.1 循环神经网络结构
2.2.2 双向循环神经网络
2.2.3 深度循环神经网络
2.2.4 长短期记忆网络
2.2.5 双向长短期记忆网络
2.2.6 门控循环单元
2.2.7 基于长短期记忆网络的视频分类
2.3 Transformer
2.3.1 自然语言处理中的Transformer
2.3.2 视觉任务中的Transformer
2.4 图神经网络
2.4.1 图卷积神经网络
2.4.2 图注意力网络
2.5 小结
参考文献
拓展阅读
第3章 深度生成模型
3.1 变分自编码器
3.1.1 自编码器
3.1.2 隐变量生成模型
3.1.3 变分自编码器
3.2 生成式对抗网络
3.2.1 生成式对抗网络的理论分析
3.2.2 Wasserstein生成式对抗网络
3.3 流生成模型
3.3.1 随机变量替换
3.3.2 标准化流
3.3.3 RealNVP网络
3.3.4 Glow
3.3.5 流模型在文本预训练表示上的应用
3.4 小结
参考文献
……
第二部分 数据基础与表征
第三部分 人工智能与药物设计
附录：缩略语对照表
索引