1、人工智能如何設(shè)計(jì)藥物分子藥物分子設(shè)計(jì)學(xué)的基本問(wèn)題可以歸結(jié)為：1、如果藥物分子可以視為一種分子機(jī)器，那么需要找到組成此類分子機(jī)器的關(guān)鍵部件(稱為化學(xué)基元，chemotypes);2、這類化學(xué)基元可以通過(guò)基于片段的藥物發(fā)現(xiàn)方法(Fragment-baseddrugdiscovery,FBDD)而確認(rèn)，因此，需要高效合理地將這些片段設(shè)計(jì)組裝成候選藥物分子；3、用虛擬和實(shí)體篩選的方法確證候選藥物分子的活性。這種被證明有活性且有明確的結(jié)構(gòu)-活性關(guān)系(Structure-activityrelation,SAR)的分子叫做先導(dǎo)化合物(lead)。在核磁共振和結(jié)構(gòu)生物學(xué)等實(shí)驗(yàn)方法的支持下，F(xiàn)BDD經(jīng)歷了幾十

2、年的發(fā)展已經(jīng)成熟，有許多成功的案例。但是，如何把FBDD發(fā)現(xiàn)的分子片段組裝成完整的成藥性更好的分子仍然是尚未完全解決的問(wèn)題。目前，分子片段組裝主要有片段生長(zhǎng)、片段融合、和片段聯(lián)接方法。片段聯(lián)接方法在藥物設(shè)計(jì)實(shí)踐中應(yīng)用較多，因?yàn)橛泻芏嗫蛇x擇的鏈接片段(linkers)而產(chǎn)生多樣化的分子，因此有更多的機(jī)會(huì)適配靶標(biāo)的結(jié)合口袋。然而，發(fā)現(xiàn)這些鏈接片段的技術(shù)成為基于片段的分子組裝的關(guān)鍵。理論上計(jì)算什么樣的分子片段適合做鏈接片段是困難的，因此，嘗試通過(guò)機(jī)器學(xué)習(xí)的方法，從藥物化學(xué)數(shù)據(jù)中找出適合做鏈接片段的規(guī)律。分子描述符和分子指紋1.1分子描述符和分子指紋概念1.2分子描述符類別和特點(diǎn)1.3分子指紋的類別和

3、特點(diǎn)2.分子描述符/指紋計(jì)算軟件2.1分子表示方法和格式SMILES，SMARTS，SDF,MOL,MOL2,PDBJEMEditor,Chemdoodle,ChemAxon,ChemDraw,DrugBankRDKit簡(jiǎn)介及環(huán)境部署RDKit中如何操作分子RDKit中描述符的計(jì)算以及存儲(chǔ)OpenBabel簡(jiǎn)介及環(huán)境部署OpenBabel操作分子和格式轉(zhuǎn)換OpenBabel中的分子描述符和指紋ChemDes計(jì)算分子描述符和ChemDes計(jì)算分子指紋ChemDes中的格式轉(zhuǎn)換ChemDes中的分子優(yōu)化PyBioMed簡(jiǎn)介環(huán)境部署PyBioMed獲取分子PyBioMed計(jì)算分子描述符PyBioMe

4、d計(jì)算分子指紋PyBioMed計(jì)算蛋白質(zhì)描述符2.17PyBioMed計(jì)算核酸描述符2.18PyBioMed計(jì)算相互作用描述符結(jié)構(gòu)預(yù)處理和數(shù)據(jù)預(yù)處理PyBioMed結(jié)構(gòu)預(yù)處理ChemSAR結(jié)構(gòu)預(yù)處理KNIME結(jié)構(gòu)預(yù)處理Excel數(shù)據(jù)預(yù)處理及注意的問(wèn)題KNIME數(shù)據(jù)預(yù)處理Pandas環(huán)境配置以及基本操作3.6sklearn數(shù)據(jù)預(yù)處理3.7歸一化與空值處理算法簡(jiǎn)單介紹和分類4.1藥物設(shè)計(jì)中人工智能常用算法簡(jiǎn)介4.2常用算法實(shí)現(xiàn)軟件或工具介紹5.KNIME軟件介紹KNIME軟件特色和界面KNIME軟件構(gòu)建基本計(jì)算任務(wù)KNIME軟件社區(qū)支持KNIME軟件定制化插件KNIME軟件第三方支持特征選擇6.1

5、基于sklearn的特征選擇6.1.1相關(guān)性分析，相關(guān)性繪圖6.1.2單變量特征選擇及選擇K個(gè)特征6.1.3遞歸式特征刪除6.2基于KNIME流程的特征選擇6.2.1相關(guān)性分析，相關(guān)性繪圖6.2.2單變量特征選擇6.2.3遞歸式特征刪除7.模型的評(píng)價(jià)與解釋7.1回歸模型和分類模型的評(píng)價(jià)指標(biāo)7.2應(yīng)用域的評(píng)估7.3基于樹(shù)的模型的解釋ADMET介紹ADMET概念以及意義8.2基于人工智能的ADMET虛擬評(píng)價(jià)方法的進(jìn)展8.3ADMET計(jì)算資源(ADMETIab、ADMETsar等)KNIME軟件構(gòu)建ADMET模型KNIME軟件配置相關(guān)插件caco-2細(xì)胞滲透性數(shù)據(jù)概覽9.3結(jié)構(gòu)預(yù)處理9.4描述符和指紋計(jì)算SVM模型構(gòu)建以及參數(shù)調(diào)整RF模型構(gòu)架及參數(shù)調(diào)整RNN模型構(gòu)建以及簡(jiǎn)單超參數(shù)調(diào)整ADMET計(jì)算軟件和實(shí)操ADMETIab(v1.0與v2.0)計(jì)算平臺(tái)使用admetSAR計(jì)算平臺(tái)使用10.3本地模型調(diào)用以及預(yù)測(cè)噪聲過(guò)濾和相似性搜索FAFDrugs4過(guò)濾11.2指紋和相似性度量計(jì)算Swiss-Similarity相似性搜索機(jī)器學(xué)習(xí)模型構(gòu)建和預(yù)測(cè)12.1收集GRK2化合物（講解過(guò)程）12.2計(jì)算合適的分子表征12.3算法和特征選擇12.4模型構(gòu)建和評(píng)價(jià)12.5應(yīng)用模型篩選化合物庫(kù)分