《智能药物研发--新药研发中的人工智能》围绕生物化学分子，介绍了新药研发过程中各阶段的人工智能技术，主要内容包括人工智能在生物分子的化学表征方法、基于分子表征的无监督预训练方法、分子性质预测、智能分子生成、药物-靶标相互作用预测、药物-药物相互作用预测、生物医药知识图谱应用、分子逆合成设计及生物医学命名实体识别等方面的应用。

宋弢，男，教授，博士生导师，副院长，国家级人才计划青年项目，山东省泰山学者，山东省青年创新团队负责人，爱思维尔高被引专家，西班牙Juan de la Cierva专家，Horizon-EU欧盟高级外籍专家。兼任澳大利亚斯威本科技大学，客座副教授、博士生导师，西班牙马德里理工大学客座研究员。 主要从事智能信息处理，生物计算等领域。发表SCI期刊论文76篇。主持国家级科研项目5项，省部级科研项目11项。研究成果获教育部自然科学奖、科技进步奖等省部级科研奖励3项。 任国际期刊International Journal of Adaptive and Innovation System主编，IEEE Trans on Nanobioscience 高级主编（Senior Editor）Cogent Engineering 副主编，国际膜计算学会（International Membrane Computing Society）秘书，多个SCI期刊编委，客座编辑和审稿人。

前 言 新药研发是一个周期长、耗费高的过程，大部分药物成功上市需要10～15年。新药研发中许多化学生物实测技术在所谓的“wet实验室”中开展，而计算方法的开发和应用有助于加速药物发现，因其不在生物体内或体外开展实验，通常被称为“in silico”。计算方法已经广泛应用了几十年，随着人工智能的兴起，特别是机器学习和深度学习技术的成熟，新药研发有了创新，基于人工智能的新药研发不仅有效缩短了药物发现的时间，而且诞生了全新的智能药物。 本书介绍了应用于新药研发领域的先进人工智能技术，涵盖了新药研发的多个阶段，总结了人工智能技术在不同阶段常用的数据集和对应的深度学习技术的发展情况。 本书第1～2章介绍了新药研发的主要过程和用到的主流的人工智能技术的类型。将人工智能技术应用到药物研发是一项多学科交叉的工作，首要挑战是用计算机语言描述和表达具有化学意义的分子结构。第3章介绍了与药物研发相关的化学分子的多种描述符，阐述了这些具有化学意义的分子是如何转换为计算机语言进行存储计算的。在本书的多个章节中，以分子的计算机描述符作为分类标准，介绍了基于多种描述符发展的人工智能技术。第4章描述了在人工智能技术中，关于分子的不同种类的计算机描述符是如何进行无监督预训练学习的。 新药发现中只有符合特定理化性质的化合物分子才能成为候选化合物，而分子结构决定分子性质，本书第5章介绍了分子性质预测模型。根据分子结构进行预测也称为基于配体的预测，最初是使用数学模型预测某些分子性质。近几十年，这一过程转向使用大规模数据源和分子描述符库，利用更现代的机器学习算法自动生成预测模型。 药物发现本身就是一个多...