本书着重介绍人工智能技术在医药研发领域的应用。全书按照循序渐进的方式组织内容：先介绍人工智能的基本方法和生物医药的基本概念，然后介绍人工智能在分子表示、药物分子性质预测、分子生成、配体与蛋白质结合能力预测，以及蛋白质结构预测等新药研发任务中的具体应用，并结合具体示例，介绍如何将人工智能方法应用到实际的药物研发中。 要想更好地掌握本书涵盖的内容，读者须掌握Python语言和药物学的基础知识。本书适合想了解人工智能辅助药物研发的从业人员、高等院校医工交叉学科的学生阅读，也适合对人工智能辅助医药研发感兴趣的药物研发人员、程序员阅读。

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
2.1.1 人工智能
2.1.2 机器学习的关键术语
2.2 机器学习的分类
2.2.1 按任务类型分类
2.2.2 按学习方式分类
2.3 机器学习与药物研发
2.3.1 药物设计方法
2.3.2 药物设计中常见的机器学习方法
2.3.3 预测模型的构建
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
3.6.1 选块算法
3.6.2 分解算法
3.6.3 模糊支持向量机算法
3.6.4 序贯最小优化算法
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
4.2.1 信息熵
4.2.2 信息增益
4.2.3 信息增益率
4.2.4 基尼指数
4.3 示例
第5章 集成学习
5.1 集成学习简介
5.1.1 Bagging
5.1.2 Boosting
5.2 集成方法
5.2.1 集成学习的结合策略
5.2.2 增加基学习器多样性的
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
6.1.1 k近邻算法
6.1.2 距离加权近邻算法
6.1.3 对k近邻算法的说明
6.2 k近邻算法的实现
6.2.1 准备：使用Python导入数据
6.2.2 从文本文件中解析数据
6.2.3 如何测试分类器
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
7.5.1 Logistic函数
7.5.2 Tanh函数
7.5.3 ReLU函数
7.5.4 LeakyReLU函数
7.5.5 Swish函数
7.6 用Tensorflow构建神经网络，实现激酶抑制剂分类
7.6.1 数据预处理
7.6.2 神经网络构建
7.6.3 模型训练
7.6.4 模型使用
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
8.1.1 卷积层
8.1.2 池化层
8.1.3 反池化
8.1.4 激活函数层
8.1.5 全连接层
8.2 卷积神经网络的相关计算
8.2.1 特征图
8.2.2 感受野
8.2.3 填充
8.2.4 膨胀卷积
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
9.1.1 深度学习
9.1.2 GAN
9.2 GAN的相关概念
9.2.1 梯度下降法
9.2.2 信息熵与KL散度
9.2.3 纳什均衡
9.2.4 高斯分布和高斯过程
9.3 GAN理论基础
9.3.1 什么是GAN
9.3.2 GAN的原理
9.4 GAN的训练过程
9.4.1 训练判别器D
9.4.2 训练生成器G
9.5 GAN的应用与代码示例
9.6 GAN的特点和GANZOO
9.6.1 GAN的优点
9.6.2 GAN的缺点
9.6.3 GANZOO
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
10.2.1 Anaconda介绍
10.2.2 安装Anaconda
10.2.3 终端窗口运行Python代码片段
10.2.4 PyCharm简介
10.2.5 配置PyCharm
10.2.6 在PyCharm中编写Python脚本
10.3 Python语言基本要素
10.3.1 基本数据类型
10.3.2 if语句
10.3.3 循环语句
10.3.4 函数
10.3.5 类
10.4 深度学习框架的搭建
10.4.1 TensorFlow和PyTorch简介
10.4.2 安装TensorFlow
10.4.3 安装PyTorch
10.5 参考资料
第11章 常用数据库介绍
11.1 药物数据库
11.1.1 PubChem数据库
11.1.2 DrugBank数据库
11.1.3 DGIdb
11.1.4 ChEMBL
11.1.5 ETCM
11.2 蛋白质数据库
11.2.1 UniProt数据库
11.2.2 PDB
11.2.3 NCBI数据库
11.2.4 SMART数据库
11.2.5 Pfam数据库
11.2.6 STRING
11.2.7 其他蛋白质数据库
11.3 药物-靶点数据库
11.3.1 TTD
11.3.2 BindingDB
11.3.3 其他药物-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
12.2.1 分子对接的原理
12.2.2 分子对接的分类
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
12.4.1 打分函数
12.4.2 蛋白质-配体分子对接中的机器学习
12.4.3 基于深度学习的多肽与蛋白质相互作用的预测框架
12.5 参考资料
第13章 QSAR的深度学习