目 录

基础篇

1　导论 2

1.1 数据、信息与模型 2

1.2 规律、规则与机制 3

1.3 人工智能 5

1.4 化学信息学 6

1.5 生物信息学 6

1.6 本书内容框架 7

2 化学信息学基础 10

2.1 化学信息学数据 10

2.2 有机化合物结构 11

2.3 有机化学反应与合成路线 13

2.4 化学分子的表示 14

2.5 分子的相似性与构效关系 16

2.6 化学信息学的应用 18

3 生物信息学基础 28

3.1 生物信息学数据 28

3.2 核酸与基因 29

3.3 蛋白质 30

3.4 酶 32

3.5 分子生物学技术 33

3.6 组学技术 35

3.7 生物信息数据库 37

3.8 生物信息数据的表示方法 38

4 数学基础 41

4.1 概述 41

4.2 向量 42

4.3 矩阵 43

4.4 导数与梯度 44

4.5 概率与概率分布 45

4.6 信息熵与交叉熵 47

5 算法基础 50

5.1 时空复杂度 50

5.2 动态规划算法 51

5.3 AI中的优化算法 52

5.4 生物信息学中经典的序列比对算法 54

5.5 降维算法 57

6 机器学习基础 60

6.1 机器学习概述 60

6.2 机器学习的一般流程 61

6.3 模型评估 63

6.4 机器学习经典模型 68

7 深度学习基础 72

7.1 深度学习概述 72

7.2 感知机与前馈神经网络 72

7.3 神经网络的训练 75

7.4 卷积神经网络 77

7.5 表示学习与迁移学习 80

7.6 深度学习模型的可解释性 81

7.7 深度学习框架 83

技术篇

8 序列模型 86

8.1 序列模型概述 86

8.2 RNN 86

8.3 Transformer 88

8.4 BERT 92

8.5 预训练大语言模型：GPT的发展过程 94

8.6 DeepSeek-R1 95

8.7 序列模型的应用 96

9 图模型 105

9.1 图模型概述 105

9.2 图卷积网络 106

9.3 图同构网络（GIN） 108

9.4 消息传递神经网络（MPNN） 109

9.5 预训练的图模型 111

9.6 异质图模型 113

9.7 图模型应用 114

10 多模态人工智能模型 121

10.1 概述 121

10.2 多模态特征融合技术 122

10.3 伪样本构建技术 123

10.4 应用案例 124

11 知识图谱 136

11.1 概述 136

11.2 知识图谱构建 137

11.3 知识表示与推理 138

11.4 大模型时代的知识图谱 138

11.5 知识图谱的应用 140

12 生成式模型 147

12.1 概述 147

12.2 自编码器 147

12.3 变分自编码器 148

12.4 扩散模型 149

12.5 生成式AI在药物设计中的应用 150

13 强化学习 156

13.1 概述 156

13.2 蒙特卡洛树搜索算法 157

13.3 强化学习算法 158

13.4 强化学习的应用案例 159

应用篇

14 AI辅助化学合成 164

14.1 概述 164

14.2 逆合成分析 164

14.3 反应产物预测 167

14.4 反应条件预测 169

14.5 化学自动化 170

15 AI在波谱学中的应用 176

15.1 概述 176

15.2 核磁共振谱 178

15.3 质谱 180

16 蛋白质结构与功能预测 186

16.1 概述 186

16.2 蛋白质结构预测 187

16.3 蛋白-配体复合物结构预测 188

16.4 蛋白质-蛋白质相互作用预测 189

16.5 蛋白质功能预测 192

16.6 基于语言模型的蛋白质结构与功能预测 192

16.7 蛋白质序列设计 196

17 RNA结构与功能预测 199

17.1 概述 199

17.2 RNA二级结构预测 200

17.3 RNA三级结构预测：ARES和RhoFold+ 201

17.4 蛋白质-核酸复合物结构预测 203

17.5 RNA功能预测 204

18 利用组学数据建模 210

18.1 概述 210

18.2 因果推断 211

18.3 基于转录组学数据建模 212

18.4 基于多组学数据的建模 220

19 AI辅助生物合成 225

19.1 概述 225

19.2 酶功能预测 225

19.3 酶功能设计 229

19.4 化学+生物合成路径设计 232

19.5 AI辅助生物合成案例 235

20 AI制药导论 242

20.1 制药业简史 242

20.2 药物设计简史 245

20.3 现代新药研发流程 248

20.4 AI制药 248

21 小分子药物ADMET性质预测 251

21.1 ADMET性质概述 251

21.2 小分子的理化性质 252

21.3 小分子的ADMET性质 255

21.4 ADMET数据集 258

21.5 物理信息神经网络 258

21.6 ADMET研究案例 259

22 先导化合物发现与优化 268

22.1 药物设计概述 268

22.2 基于靶点发现先导化合物 270

22.3 先导化合物优化 276

23 药物靶标预测 282

23.1 概述 282

23.2 基于组学数据预测靶标 283

23.3 基于文本数据构建药物-靶标-疾病关系 289

24 药物制剂 297

24.1 概述 297

24.2 晶型预测 297

24.3 熔点预测 300

24.4 溶解度预测 302

24.5 药物配方预测 303

25 抗体药物 307

25.1 概述 307

25.2 抗体结构预测 308

25.3 基于结构生成抗体 309

25.4 抗体性质预测与优化 310

25.5 AI辅助ADC、双抗的设计 313

26 核酸药物 317

26.1 概述 317

26.2 RNA适配体药物设计 319

26.3 mRNA疫苗设计 320

26.4 AI在核酸药物设计中的应用 322

附录　缩略语 327