书籍推荐|《Computational Methods for Rational Drug Design》574页
AIDD Learning - 书籍推荐|《Computational Methods for Rational Drug Design》574页 - AIDD Learning
https://www.aiddlearning.online/post/55
《Computational Methods for Rational Drug Design》涵盖药物设计的工具和技术，并将其应用于小分子疗法的发现，详细介绍方法论和实际应用，并探讨人工智能/机器学习等技术以及未知受体结构的药物设计所面临的挑战。本书分为23章，探讨了神经退行性疾病、癌症、多重耐药细菌感染、炎症性疾病和病毒感染等具有治疗重要性的前沿领域。
《Computational Methods for Rational Drug Design》由一位对该领域做出重大研究贡献的高素质学者编辑，探讨的主题包括：
- 用于基于结构和配体的药物设计、虚拟筛选和先导化合物发现以及 ADMET 和物理化学评估的计算机辅助方法和工具
- 计算机模拟和药效团建模、基于片段的设计、从头药物设计和骨架跳跃、基于网络的方法和药物发现
- 天然产物、肽、酶抑制剂、神经退行性疾病药物、抗炎治疗药物、多重耐药感染抗菌药物以及抗病毒和抗癌治疗药物的合理设计
- 药物设计中的 Protac 和 protide 策略、药物发现中的内在无序蛋白质 (IDP) 以及通过 ALK 受体靶向药物代谢和药代动力学进行肺癌治疗
*《Computational Methods for Rational Drug Design》***帮助读者无缝应对药物设计的挑战，是药物化学家、生物化学家、药理学家和植物化学家以及分子建模和计算药物发现专业人士的重要参考书。
作者背景
- Mithun Rudrapal：
- 拥有博士学位，是印度Vignan's Foundation for Science, Technology & Research的副教授。
- 具有丰富的药物研发经验，尤其在计算药物设计领域。
- 曾主编《CADD and Informatics in Drug Discovery》等书籍，学术影响力显著。
目标读者
- 科研人员：从事药物设计、计算化学或生物信息学的研究者。
- 学生：攻读药学、化学或生物医学相关专业的硕博士生。
- 行业专业人士：制药公司或生物技术公司的药物研发人员。
学术价值与评价
- 权威性：由知名学术出版社John Wiley & Sons出版，内容经过严格学术审核。
- 实用性：结合理论与方法，提供实际案例和可操作资源，适合作为工具书参考。
- 前瞻性：涵盖机器学习等前沿技术，反映药物设计领域的最新趋势。
目录
1 分子建模和药物设计 1Monalisa Kesh、Abhirup Ghosh 和 Diptanil Biswas
1.1 引言 1
1.2 分子模型的类型 4
1.3 药物发现中的计算方法 7
1.4 人工智能在药物设计中的潜在用途和应用 12
1.5 当前方法的局限性 14
1.6 案例研究 16
1.7 分子对接 17
1.8 结论和未来工作 19
参考文献 20
2 生物活性小分子和药物发现 25Ashish Shah、Vaishali Patel、Sathiaseelan Perumal、Riddhi Dave、Neha Zachariah、Ghanshyam Parmar 和 Jay Mukesh Chudasama
2.1 引言 25
2.2 计算方法在生物活性小分子发现中的重要性 26
2.3 生物活性小分子发现中的天然产物 30
2.4 密度泛函理论（DFT）研究在生物活性小分子发现中的作用 33
2.5 DFT在生物活性小分子中的应用34
2.6 药物研发中影响生物活性分子选择的因素 36
2.7 结论 43
参考文献 43
3 个基于小分子药物发现的新药物靶标 49Raghu Ram Achar、Ipsita Panigrahi、Aditi Singh、N. Chandana 和 Shivananju Nanjunda Swamy
3.1 引言 49
3.2 药物靶点识别 51
3.3 新型药物靶点的分类 53
3.4 小分子药物
3.5 结论 60
参考文献 65
4 基于结构和配体的药物设计的计算机辅助方法和工具 69Saurav Kumar Mishra、Sneha Roy、Tabsum Chhetri 和 John J. Georgerge
4.1 引言 69
4.2 基于结构的药物发现概念 69
4.3 基于配体的药物发现概念 77
4.4 基于结构和配体的辅助研究 84
4.5 SBDD和LBDD的进展与挑战 90
4.6 结论 90
参考文献 91
5 虚拟筛选和先导化合物发现 97Nisha Kumari Singh、Nigam Jyoti Maiti、Manshi Mishra、Shantanu Raj、Gourav Rakshit、Rahul Ghosh 和 Sharanya Roy
5.1 虚拟筛选和先导化合物发现简介 97
5.2 分子靶点和生物分子结构 99
5.3 虚拟筛选方法 99
5.4 数据库和化合物集合 99
5.5 分子对接 92
5.6 药效团建模 104
5.7 定量构效关系（QSAR） 105
5.8 虚拟筛选中的机器学习和人工智能 107
5.9 化合物至先导化合物的优化 109
5.10 案例研究和示例 112
5.11 挑战与未来方向 114
5.12 伦理与监管考虑 116
5.13 结论 116
参考文献 117
6 药物设计中的 ADMET 和理化评估 123Ulviye Acar Çevik、Ayşen Işik 和 Abdüllatif Karakaya
6.1 ADMET 123
6.2 物理化学评估 135
参考文献 144
7计算机模拟和药物设计 153Sonali S. Shinde、Sanket S. Rathod 和 Sohan S. Chitlange
7.1 引言 153
7.2 目标识别 154
7.3 计算机辅助药物设计 156
7.4 ADMET评估 160
7.5 结论 160
参考文献 161
8 药物设计中的药效团建模 167Rahul Ghosh、Sharanya Roy、Gourav Rakshit、Nisha Kumari Singh 和 Nigam Jyoti Maiti
8.1 简介 167
8.2 药效团假设生成中的基本概念 170
8.3 药效团建模的多种方法 173
8.4 药效团建模的应用 176
8.5 药效团模型开发的新趋势 180
8.6 案例研究 183
8.7 药效团建模的挑战 186
8.8 结论 187
致谢 188
参考文献 188
9 支架跳跃和从头药物设计 195Shrimanti Chakraborty、Soumi Chakraborty、Biprajit Sarkar、Rahul Ghosh、Sharanya Roy、Nisha Kumari Singh 和 Gourav Rakshit
9.1 引言 195
9.2 支架跳跃 196
9.3 从头药物设计 197
9.4 结果与讨论 211
9.5 SH（支架跳跃）和De Novo设计选择的软件工具 214
9.6 案例研究 214
9.7 结论 215
参考文献 216
10 基于片段的药物设计和药物发现 221André M. Oliveira 和 Mithun Rudrapal
10.1 引言 221
10.2 查找碎片的过程 222
10.3 FBDD策略 227
10.4 案例研究 228
10.5 结论与未来展望 230
参考文献 232
药物设计中的 11 种 AI/ML 方法 237Kevser Kübra Kırboğa
11.1 引言 237
11.2 传统药物设计方法 237
11.3 人工智能/机器学习在药物设计中的应用前景 239
11.4 伦理、可靠性和监管问题 244
11.5 未来方向 246
11.6 结论 247
参考文献 247
12 基于网络的药物发现方法 255Ghanshyam Parmar、Ashish Shah、Jay Mukesh Chudasama、Priya Kashav 和 Vanesa James
12.1 引言 255
12.2 网络药理学：实用指南 260
12.3 阿育吠陀与传统印度医学 269
12.4 草药中的网络药理学 273
12.5 结论与未来展望 277
参考文献 278
13 药物发现天然产物的合理设计 285Ankita Kashyap、Anupam Sarma、Bhrigu Kumar Das 和 Ashis Kumar Goswami
13.1 引言 285
13.2 用于新药开发的天然产物 286
13.3 药物设计中天然产物的选择标准 288
13.4 生物多样性在天然产品采购中的重要性 288
13.5 天然产物的结构解析 289
13.6用于从天然来源合理发现药物的计算机计算工具 290
13.7 天然产物的配方挑战 298
13.8 质量源于设计（QbD）方法 296
13.9 结论 297
参考文献 304
…….
下载地址：AIDD Learning - 书籍推荐|《Computational Methods for Rational Drug Design》574页 - AIDD Learning