藥物發(fā)現(xiàn)方法學(xué)——研究范式的演化
藥物發(fā)現(xiàn)方法學(xué)是藥學(xué)與其他學(xué)科交叉而產(chǎn)生的藥學(xué)分支學(xué)科，是現(xiàn)代藥物創(chuàng)新必備的工具學(xué)科。作者根據(jù)自己的親身經(jīng)歷，從QSAR的歷史沿革、信息技術(shù)的變遷、藥物(包括傳統(tǒng)藥物)發(fā)現(xiàn)方法和設(shè)計方法的各個發(fā)展階段、藥物治療理念的幾次躍遷的角度，由淺入深地介紹藥物發(fā)現(xiàn)方法學(xué)的內(nèi)容、方法和應(yīng)用，著重介紹了人工智能輔助藥物發(fā)現(xiàn)與設(shè)計的底層邏輯和**進(jìn)展。作者是中山大學(xué)藥學(xué)院教授，既是人工智能輔助藥物發(fā)現(xiàn)與設(shè)計(AIDD)的程序員和架構(gòu)師，又是經(jīng)驗豐富的創(chuàng)新藥物的設(shè)計者及藥物篩選與機(jī)理研究實驗室的實驗者。因此，總能把讀者帶回到藥物發(fā)現(xiàn)者的視野，使其關(guān)注藥物發(fā)現(xiàn)的最終要解決的問題。
更多科學(xué)出版社服務(wù)，請掃碼獲取。
目錄
序一
序二
前言
第1章 緒論：從SAR到QSAR 1
1.1 藥物發(fā)現(xiàn)方法與QSAR 1
1.1.1 藥物發(fā)現(xiàn)方法學(xué)起源 1
1.1.2 早期的QSAR方法 1
1.2 分子結(jié)構(gòu)的表征 3
1.2.1 化學(xué)子結(jié)構(gòu)的劃分 3
1.2.2 分子結(jié)構(gòu)的線性編碼 6
1.2.3 分子描述符 6
1.2.4 分子結(jié)構(gòu)數(shù)據(jù)的清洗 7
1.2.5 分子描述符的選擇與規(guī)范化 9
1.2.6 分子描述符的組合與變換 10
1.3 QSAR方法的難題與悖論 13
1.3.1 取代基貢獻(xiàn)的加和性 13
1.3.2 活性斷崖 19
1.4 小結(jié) 22
參考文獻(xiàn) 23
第2章 信息技術(shù)的演化 29
2.1 從CPU、GPU到TPU：硬件的演化 29
2.1.1 從真空管到大規(guī)模集成電路 29
2.1.2 馮?諾依曼體系結(jié)構(gòu) 29
2.2 從LISP到Python：軟件的演化 31
2.2.1 從指令驅(qū)動到過程驅(qū)動 31
2.2.2 從面向結(jié)構(gòu)的程序設(shè)計到可視化程序組裝 32
2.2.3 CPU、GPU與TPU 33
2.2.4 函數(shù)、神經(jīng)元與馮?諾依曼計算機(jī)體系結(jié)構(gòu) 34
2.3 從AI到DNN：人工智能理論與技術(shù)的演化 35
2.3.1 早期AI的重要概念和成就 35
2.3.2 AI新階段與ANN 36
2.4 深度學(xué)習(xí)的底層邏輯 38
2.4.1 數(shù)據(jù)的結(jié)構(gòu) 38
2.4.2 程序設(shè)計與計算機(jī)語言 40
2.4.3 AIDD相關(guān)的開源工具 42
2.5 DNN的原理和基本框架 44
2.5.1 神經(jīng)元、神經(jīng)網(wǎng)絡(luò)與深度神經(jīng)網(wǎng)絡(luò)的基本框架 44
2.5.2 多層感知器 46
2.5.3 RNN與雙向長短期記憶機(jī)制 46
2.5.4 卷積神經(jīng)網(wǎng)絡(luò)與生成對抗網(wǎng)絡(luò) 46
2.5.5 變換器與注意力機(jī)制 50
2.6 小結(jié) 50
參考文獻(xiàn) 53
第3章 藥物發(fā)現(xiàn)方法的演化 56
3.1 藥物發(fā)現(xiàn)技術(shù)簡史 56
3.2 中醫(yī)藥發(fā)現(xiàn)方法學(xué)的演化 58
3.2.1 中藥的四大經(jīng)典 59
3.2.2 中藥理論的演化 60
3.2.3 現(xiàn)代中藥研究的模式 66
3.3 藥物發(fā)現(xiàn)范式的演化 73
3.3.1 表型藥物發(fā)現(xiàn)過程的演化 74
3.3.2 基于靶標(biāo)的藥物發(fā)現(xiàn) 77
3.3.3 藥物發(fā)現(xiàn)中的分子信息學(xué)基本問題 90
3.3.4 ADMET相關(guān)的重要參數(shù) 91
3.3.5 中西藥學(xué)的互惠與交融 96
3.4 小結(jié) 99
參考文獻(xiàn) 100
第4章 藥物設(shè)計方法的演化 111
4.1 藥物設(shè)計的基本原理 111
4.1.1 分子生物學(xué)的中心法則 112
4.1.2 藥物設(shè)計所依據(jù)的基本物理模型 116
4.2 小分子模型的演變 118
4.2.1 從化學(xué)式到拓?fù)浣Y(jié)構(gòu) 118
4.2.2 從拓?fù)浣Y(jié)構(gòu)到幾何結(jié)構(gòu) 119
4.2.3 從幾何結(jié)構(gòu)到分子構(gòu)象 122
4.2.4 從化學(xué)合成到分子組裝 122
4.2.5 從分子組裝到分子機(jī)器 123
4.3 蛋白質(zhì)模型的演變 124
4.3.1 蛋白質(zhì)分子的一級結(jié)構(gòu) 124
4.3.2 蛋白質(zhì)分子的二級結(jié)構(gòu) 129
4.3.3 蛋白質(zhì)分子的三級結(jié)構(gòu) 131
4.3.4 蛋白質(zhì)分子的四級結(jié)構(gòu) 132
4.4 從靜態(tài)結(jié)構(gòu)到動態(tài)結(jié)構(gòu) 135
4.4.1 藥物分子對靶標(biāo)的調(diào)控 135
4.4.2 分子的動態(tài)識別 137
4.5 小結(jié) 140
參考文獻(xiàn) 142
第5章 大數(shù)據(jù)與藥物發(fā)現(xiàn) 147
5.1 藥物發(fā)現(xiàn)領(lǐng)域的大數(shù)據(jù)來源 148
5.1.1 高通量科學(xué)實驗產(chǎn)生的數(shù)據(jù) 148
5.1.2 高性能計算模擬實驗產(chǎn)生的數(shù)據(jù) 149
5.1.3 科技文獻(xiàn)和醫(yī)藥衛(wèi)生服務(wù)信息化產(chǎn)生的數(shù)據(jù) 151
5.1.4 生物大數(shù)據(jù)帶來的主要機(jī)遇與挑戰(zhàn) 152
5.1.5 生物大數(shù)據(jù)分析的工具 156
5.2 精準(zhǔn)醫(yī)療與大數(shù)據(jù) 157
5.2.1 常規(guī)藥物治療與精準(zhǔn)治療 157
5.2.2 大數(shù)據(jù)在精準(zhǔn)醫(yī)療中的應(yīng)用 160
5.2.3 與精準(zhǔn)醫(yī)學(xué)和大數(shù)據(jù)相關(guān)的倫理問題 166
5.3 大數(shù)據(jù)與虛擬藥物篩選 168
5.3.1 早期的虛擬篩選 169
5.3.2 基于共識的虛擬篩選 170
5.3.3 迭代式虛擬篩選 170
5.3.4 虛擬篩選與HTS的整合 170
5.4 小結(jié) 171
參考文獻(xiàn) 172
第6章 人工智能輔助藥物發(fā)現(xiàn)與設(shè)計 179
6.1 AIDD概論 180
6.1.1 AI在化學(xué)與藥物設(shè)計中的應(yīng)用簡史 181
6.1.2 AI在藥物靶標(biāo)發(fā)現(xiàn)與確認(rèn)中的應(yīng)用 182
6.1.3 AI在先導(dǎo)化合物的發(fā)現(xiàn)中的應(yīng)用 183
6.1.4 AI在先導(dǎo)化合物的優(yōu)化設(shè)計中的應(yīng)用 183
6.1.5 AI在臨床試驗設(shè)計中的應(yīng)用 184
6.2 AI與因果關(guān)系和統(tǒng)計關(guān)系 186
6.2.1 變量之間關(guān)系的類型 187
6.2.2 神經(jīng)網(wǎng)絡(luò)與信息變換 188
6.2.3 DNN與間接關(guān)系 188
6.2.4 RNN與雙向關(guān)系 189
6.2.5 RNN與遞歸現(xiàn)象 191
6.2.6 分子結(jié)構(gòu)信息的傳遞與長短期記憶機(jī)制 192
6.2.7 CNN與模式信號增強(qiáng) 193
6.2.8 圖神經(jīng)網(wǎng)絡(luò)與圖卷積網(wǎng)絡(luò) 195
6.2.9 生成對抗網(wǎng)絡(luò)與競爭過程的模擬 196
6.2.10 變換器與注意機(jī)制 197
6.2.11 從BERT到ChatGPT 198
6.3 AI與蛋白質(zhì)三維結(jié)構(gòu)的從頭預(yù)測 202
6.3.1 蛋白質(zhì)結(jié)構(gòu)預(yù)測簡史 202
6.3.2 驅(qū)動蛋白質(zhì)折疊的物理因素 203
6.3.3 蛋白質(zhì)同源性與基于實驗數(shù)據(jù)的結(jié)構(gòu)預(yù)測 203
6.3.4 同源建模的一般過程 205
6.3.5 AlphaFold2的成功經(jīng)驗 207
6.3.6 尚未解決的蛋白質(zhì)結(jié)構(gòu)預(yù)測問題 209
6.4 GPT對藥物發(fā)現(xiàn)與設(shè)計思路的顛覆 211
6.4.1 靶標(biāo)的發(fā)現(xiàn)和鑒定 213
6.4.2 藥物分子的自動生成與虛擬藥物篩選 214
6.4.3 AIDD的任務(wù)類型與算法的架構(gòu)選擇 217
6.5 小結(jié) 219
參考文獻(xiàn) 222
第7章 藥物治療學(xué)與藥物發(fā)現(xiàn)學(xué)的演化 231
7.1 化學(xué)療法的演化 231
7.1.1 天然藥物療法 231
7.1.2 芳香療法 234
7.1.3 化學(xué)合成藥物療法 239
7.2 生物藥療法的演化 247
7.2.1 傳統(tǒng)的生物藥 248
7.2.2 基因療法 249
7.2.3 細(xì)胞療法 252
7.3 個性化醫(yī)療 256
7.3.1 藥物基因組學(xué)與藥物遺傳學(xué) 257
7.3.2 時間醫(yī)學(xué)與藥物療效 258
7.4 小結(jié) 260
參考文獻(xiàn) 261
第8章 總結(jié)與展望 266
8.1 藥物發(fā)現(xiàn)方法學(xué)演化的里程碑事件 266
8.2 AI與藥物發(fā)現(xiàn)方法學(xué)：挑戰(zhàn)和機(jī)遇 269
8.2.1 數(shù)據(jù)、算法與算力、數(shù)據(jù)與程序的遞歸式重構(gòu) 270
8.2.2 程序自我改進(jìn)與學(xué)科的遞歸式演化 271
8.3 藥物發(fā)現(xiàn)過程的終點(diǎn)與終極的科學(xué)問題 274
8.3.1 藥物發(fā)現(xiàn)學(xué)的終點(diǎn)問題 276
8.3.2 與藥學(xué)相關(guān)的生命科學(xué)終極問題 277
參考文獻(xiàn) 278
春風(fēng)夜雨珠江南—后記 280
書單推薦
