AIDD（AI Drug Discovery & Design）：是近年来非常火热的技术应用，且已经介入到新药设计到研发的大部分环节当中，为新药发现与开发带来了极大的助力。倾向于机器对数据库信息的自我学习，可以对数据进行提取和学习，一定程度上避免了化合物设计过程中的试错路径，同时还会带来很多全新的结构，为药物发现打破常规的结构壁垒。覆盖了机器学习和深度学习，能与新药研发相结合并实质性的应用到靶点预测、高通量筛选、药物设计、药物的ADMET性质预测等；且算力方面，由早期应用于药物发现领域的决策树、随机向量机等机器学习模型，进展到深度神经网络、卷积神经网络、循环神经网络等深度学习算法。具体到新药研发环节：如靶点识别，基于决策树来预测与疾病相关的基因，有研究者发现了多种EF在信号通路和胞外定位中的调控作用，并进一步基于靶点的结构和几何特征，选取一定量蛋白的数十个结合位点以及大量的非药物结合位点，构建随机森林分类器来预测药物靶点，并有研究者进一步采样提升了随机森林算法，成功的从非药物靶点中区分了药物靶点。再如，活性筛选方面，AIDD可以对候选化合物进行筛选，从而更快的筛选出作用于特定靶点且具有较高活性的化合物
人工智能药物发现
从CADD到AIDD的介绍
1.计算机辅助药物设计(CADD)简介
1.2.分子对接与分子动力学背景介绍
1.3.人工智能药物发现(AIDD)简介
2.机器学习与深度学习在药物发现中的背景介绍
2.1药物发现与设计
2.2基于结构的药物发现与设计
2.3基于配体的药物发现与设计
工具的介绍与 安装
3.Anaconda3
3.1Pandas
3.2NumPy
3.3RDKit
3.4scikit-learn
3.5Pytorch
3.6Tensorflow
3.7DeepChem
基于配体结构的药物发现-分类任务
1.分类模型的构建与应用
1.1逻辑回归算法原理
1.2朴素贝叶斯算法原理
13k最近邻算法原理
1.4支持向量机算法原理
1.5随机森林算法原理
1.6梯度提升算法原理
1.7多层感知机算法原理
2.模型评估方法
2.1交叉验证
2.2外部验证
2.3分类模型的常用评价指标
2.4混淆矩阵
2.5准确率
2.6敏感性
2.7特异性
3.模型选择
3.1变量筛选
3.2变量重要性
3.3参数格点搜索
3.4超参数调优
分类模型的实例讲解与练习，以给定数据集为例，讲解基于支持向量机算法的毒性预测模型的构建与使用。引导学员自行实现基于其他三种算法的毒性预测模型，并用于小分子化合物的毒性预测。
基于配体结构的药物发现-（回归）
1.回归模型的构建与应用
1.1多元线性回归
1.2随机森林回归
1.3支持向量机回归
1.4极端梯度提升树回归
1.5多层感知机回归
1.6神经网络回归
2.模型评估方法
2.1交叉验证
2.2外部验证
3.回归模型的常用评价指标
3.1MSE
3.2MAE
3.3R2
4.模型选择
4.1变量筛选
4.2变量重要性
4.3参数格点搜索
4.4超参数调优
以给定数据集为例，讲解基于支持向量机算法的pIC50值预测模型的构建与使 用。引导学员自行实现基于其他三种算法的pIC50值预测模型，并用于小分子 化合物pIC50值的预测。
深度学习与药物发现
1.深度学习的发展历程
1.1深度学习在药物开发中的应用
1.2基于梯度的学习
1.3反向传播算法
1.4随机梯度下降
1.5卷积神经网络介绍
1.6图神经网络介绍
2.深度神经网络的常用框架介绍
2.1PyTorch
2.2TensorFlow
3.基于PyTorch的多层感知机算法的实例讲解与练习
以给定数据集为例，讲解基于卷积神经网络的化合物图像预测分类模型。
以给定数据集为例，讲解基于图神经网络对化合物的毒性或血脑屏障分类预测模型
分子生成模型
1.生成式对抗网络(GANs)的基本原理
1.1长短期记忆网络(LSTM)
1.2循环神经网络(RNN)
2.基于上下文的循环神经网络序列建模
3.基于字符串的小分子化合物生成模型
4.基于图数据的小分子化合物生成模型
4.1生成器
4.2判别器
实例讲解与练习，以给定数据集为例，使用 MolGAN 模型进行小分子化合物的生成练习。
https://mp.weixin.qq.com/s?__biz=MzkzMTM0NTY4MQ==&mid=2247483665&idx=1&sn=65deb8dd69506d45aaaf82ba30a9f02f&chksm=c26d256ff51aac7943888d51e68a8d6a7ee4850120de1d88abd3fff3ff1394c0a114399da1c4#rd
V/Q：2213514924
人工智能药物发现
从CADD到AIDD的介绍
1.计算机辅助药物设计(CADD)简介
1.2.分子对接与分子动力学背景介绍
1.3.人工智能药物发现(AIDD)简介
2.机器学习与深度学习在药物发现中的背景介绍
2.1药物发现与设计
2.2基于结构的药物发现与设计
2.3基于配体的药物发现与设计
工具的介绍与 安装
3.Anaconda3
3.1Pandas
3.2NumPy
3.3RDKit
3.4scikit-learn
3.5Pytorch
3.6Tensorflow
3.7DeepChem
基于配体结构的药物发现-分类任务
1.分类模型的构建与应用
1.1逻辑回归算法原理
1.2朴素贝叶斯算法原理
13k最近邻算法原理
1.4支持向量机算法原理
1.5随机森林算法原理
1.6梯度提升算法原理
1.7多层感知机算法原理
2.模型评估方法
2.1交叉验证
2.2外部验证
2.3分类模型的常用评价指标
2.4混淆矩阵
2.5准确率
2.6敏感性
2.7特异性
3.模型选择
3.1变量筛选
3.2变量重要性
3.3参数格点搜索
3.4超参数调优
分类模型的实例讲解与练习，以给定数据集为例，讲解基于支持向量机算法的毒性预测模型的构建与使用。引导学员自行实现基于其他三种算法的毒性预测模型，并用于小分子化合物的毒性预测。
基于配体结构的药物发现-（回归）
1.回归模型的构建与应用
1.1多元线性回归
1.2随机森林回归
1.3支持向量机回归
1.4极端梯度提升树回归
1.5多层感知机回归
1.6神经网络回归
2.模型评估方法
2.1交叉验证
2.2外部验证
3.回归模型的常用评价指标
3.1MSE
3.2MAE
3.3R2
4.模型选择
4.1变量筛选
4.2变量重要性
4.3参数格点搜索
4.4超参数调优
以给定数据集为例，讲解基于支持向量机算法的pIC50值预测模型的构建与使 用。引导学员自行实现基于其他三种算法的pIC50值预测模型，并用于小分子 化合物pIC50值的预测。
深度学习与药物发现
1.深度学习的发展历程
1.1深度学习在药物开发中的应用
1.2基于梯度的学习
1.3反向传播算法
1.4随机梯度下降
1.5卷积神经网络介绍
1.6图神经网络介绍
2.深度神经网络的常用框架介绍
2.1PyTorch
2.2TensorFlow
3.基于PyTorch的多层感知机算法的实例讲解与练习
以给定数据集为例，讲解基于卷积神经网络的化合物图像预测分类模型。
以给定数据集为例，讲解基于图神经网络对化合物的毒性或血脑屏障分类预测模型
分子生成模型
1.生成式对抗网络(GANs)的基本原理
1.1长短期记忆网络(LSTM)
1.2循环神经网络(RNN)
2.基于上下文的循环神经网络序列建模
3.基于字符串的小分子化合物生成模型
4.基于图数据的小分子化合物生成模型
4.1生成器
4.2判别器
实例讲解与练习，以给定数据集为例，使用 MolGAN 模型进行小分子化合物的生成练习。
https://mp.weixin.qq.com/s?__biz=MzkzMTM0NTY4MQ==&mid=2247483665&idx=1&sn=65deb8dd69506d45aaaf82ba30a9f02f&chksm=c26d256ff51aac7943888d51e68a8d6a7ee4850120de1d88abd3fff3ff1394c0a114399da1c4#rd
V/Q：2213514924
