药物发现方法学是药学与其他学科交叉而产生的药学分支学科，是现代药物创新必备的工具学科。作者根据自己的亲身经历，从QSAR的历史沿革、信息技术的变迁、药物(包括传统药物)发现方法和设计方法的各个发展阶段、药物治疗理念的几次跃迁的角度，由浅入深地介绍药物发现方法学的内容、方法和应用，着重介绍了人工智能辅助药物发现与设计的底层逻辑和**进展。作者是中山大学药学院教授，既是人工智能辅助药物发现与设计(AIDD)的程序员和架构师，又是经验丰富的创新药物的设计者及药物筛选与机理研究实验室的实验者。因此，总能把读者带回到药物发现者的视野，使其关注药物发现的最终要解决的问题。

更多科学出版社服务，请扫码获取。

目录
序一
序二
前言
第1章 绪论：从SAR到QSAR 1
1.1 药物发现方法与QSAR 1
1.1.1 药物发现方法学起源 1
1.1.2 早期的QSAR方法 1
1.2 分子结构的表征 3
1.2.1 化学子结构的划分 3
1.2.2 分子结构的线性编码 6
1.2.3 分子描述符 6
1.2.4 分子结构数据的清洗 7
1.2.5 分子描述符的选择与规范化 9
1.2.6 分子描述符的组合与变换 10
1.3 QSAR方法的难题与悖论 13
1.3.1 取代基贡献的加和性 13
1.3.2 活性断崖 19
1.4 小结 22
参考文献 23
第2章 信息技术的演化 29
2.1 从CPU、GPU到TPU：硬件的演化 29
2.1.1 从真空管到大规模集成电路 29
2.1.2 冯?诺依曼体系结构 29
2.2 从LISP到Python：软件的演化 31
2.2.1 从指令驱动到过程驱动 31
2.2.2 从面向结构的程序设计到可视化程序组装 32
2.2.3 CPU、GPU与TPU 33
2.2.4 函数、神经元与冯?诺依曼计算机体系结构 34
2.3 从AI到DNN：人工智能理论与技术的演化 35
2.3.1 早期AI的重要概念和成就 35
2.3.2 AI新阶段与ANN 36
2.4 深度学习的底层逻辑 38
2.4.1 数据的结构 38
2.4.2 程序设计与计算机语言 40
2.4.3 AIDD相关的开源工具 42
2.5 DNN的原理和基本框架 44
2.5.1 神经元、神经网络与深度神经网络的基本框架 44
2.5.2 多层感知器 46
2.5.3 RNN与双向长短期记忆机制 46
2.5.4 卷积神经网络与生成对抗网络 46
2.5.5 变换器与注意力机制 50
2.6 小结 50
参考文献 53
第3章 药物发现方法的演化 56
3.1 药物发现技术简史 56
3.2 中医药发现方法学的演化 58
3.2.1 中药的四大经典 59
3.2.2 中药理论的演化 60
3.2.3 现代中药研究的模式 66
3.3 药物发现范式的演化 73
3.3.1 表型药物发现过程的演化 74
3.3.2 基于靶标的药物发现 77
3.3.3 药物发现中的分子信息学基本问题 90
3.3.4 ADMET相关的重要参数 91
3.3.5 中西药学的互惠与交融 96
3.4 小结 99
参考文献 100
第4章 药物设计方法的演化 111
4.1 药物设计的基本原理 111
4.1.1 分子生物学的中心法则 112
4.1.2 药物设计所依据的基本物理模型 116
4.2 小分子模型的演变 118
4.2.1 从化学式到拓扑结构 118
4.2.2 从拓扑结构到几何结构 119
4.2.3 从几何结构到分子构象 122
4.2.4 从化学合成到分子组装 122
4.2.5 从分子组装到分子机器 123
4.3 蛋白质模型的演变 124
4.3.1 蛋白质分子的一级结构 124
4.3.2 蛋白质分子的二级结构 129
4.3.3 蛋白质分子的三级结构 131
4.3.4 蛋白质分子的四级结构 132
4.4 从静态结构到动态结构 135
4.4.1 药物分子对靶标的调控 135
4.4.2 分子的动态识别 137
4.5 小结 140
参考文献 142
第5章 大数据与药物发现 147
5.1 药物发现领域的大数据来源 148
5.1.1 高通量科学实验产生的数据 148
5.1.2 高性能计算模拟实验产生的数据 149
5.1.3 科技文献和医药卫生服务信息化产生的数据 151
5.1.4 生物大数据带来的主要机遇与挑战 152
5.1.5 生物大数据分析的工具 156
5.2 精准医疗与大数据 157
5.2.1 常规药物治疗与精准治疗 157
5.2.2 大数据在精准医疗中的应用 160
5.2.3 与精准医学和大数据相关的伦理问题 166
5.3 大数据与虚拟药物筛选 168
5.3.1 早期的虚拟筛选 169
5.3.2 基于共识的虚拟筛选 170
5.3.3 迭代式虚拟筛选 170
5.3.4 虚拟筛选与HTS的整合 170
5.4 小结 171
参考文献 172
第6章 人工智能辅助药物发现与设计 179
6.1 AIDD概论 180
6.1.1 AI在化学与药物设计中的应用简史 181
6.1.2 AI在药物靶标发现与确认中的应用 182
6.1.3 AI在先导化合物的发现中的应用 183
6.1.4 AI在先导化合物的优化设计中的应用 183
6.1.5 AI在临床试验设计中的应用 184
6.2 AI与因果关系和统计关系 186
6.2.1 变量之间关系的类型 187
6.2.2 神经网络与信息变换 188
6.2.3 DNN与间接关系 188
6.2.4 RNN与双向关系 189
6.2.5 RNN与递归现象 191
6.2.6 分子结构信息的传递与长短期记忆机制 192
6.2.7 CNN与模式信号增强 193
6.2.8 图神经网络与图卷积网络 195
6.2.9 生成对抗网络与竞争过程的模拟 196
6.2.10 变换器与注意机制 197
6.2.11 从BERT到ChatGPT 198
6.3 AI与蛋白质三维结构的从头预测 202
6.3.1 蛋白质结构预测简史 202
6.3.2 驱动蛋白质折叠的物理因素 203
6.3.3 蛋白质同源性与基于实验数据的结构预测 203
6.3.4 同源建模的一般过程 205
6.3.5 AlphaFold2的成功经验 207
6.3.6 尚未解决的蛋白质结构预测问题 209
6.4 GPT对药物发现与设计思路的颠覆 211
6.4.1 靶标的发现和鉴定 213
6.4.2 药物分子的自动生成与虚拟药物筛选 214
6.4.3 AIDD的任务类型与算法的架构选择 217
6.5 小结 219
参考文献 222
第7章 药物治疗学与药物发现学的演化 231
7.1 化学疗法的演化 231
7.1.1 天然药物疗法 231
7.1.2 芳香疗法 234
7.1.3 化学合成药物疗法 239
7.2 生物药疗法的演化 247
7.2.1 传统的生物药 248
7.2.2 基因疗法 249
7.2.3 细胞疗法 252
7.3 个性化医疗 256
7.3.1 药物基因组学与药物遗传学 257
7.3.2 时间医学与药物疗效 258
7.4 小结 260
参考文献 261
第8章 总结与展望 266
8.1 药物发现方法学演化的里程碑事件 266
8.2 AI与药物发现方法学：挑战和机遇 269
8.2.1 数据、算法与算力、数据与程序的递归式重构 270
8.2.2 程序自我改进与学科的递归式演化 271
8.3 药物发现过程的终点与终极的科学问题 274
8.3.1 药物发现学的终点问题 276
8.3.2 与药学相关的生命科学终极问题 277
参考文献 278
春风夜雨珠江南—后记 280