کاربرد‌های کموانفورماتیک، QSAR و یادگیری ماشین در تولید داروهای جدید ۲۰۲۳
Cheminformatics, QSAR and Machine Learning Applications for Novel Drug Development 2023

کاربرد‌های کموانفورماتیک، QSAR و یادگیری ماشین در توسعه‌ی داروهای نوین، با هدف نمایش ابزار‌های گوناگون مبتنی بر ساختار، مبتنی بر لیگاند و یادگیری ماشین که در حال حاضر در طراحی دارو مورد استفاده قرار می‌گیرند، تدوین شده است. این کتاب، موضوعات ویژه‌ای در طراحی محاسباتی دارو را به همراه ابزار‌ها و پایگاه‌های داده‌ی موجود برجسته می‌سازد. ارائه‌ی یکپارچه‌ی روش‌های کمومتریکس، کموانفورماتیک و یادگیری ماشین از نقاط قوت این کتاب است.

بخش نخست کتاب به ایجاد مبانی این حوزه اختصاص دارد. در این بخش، آخرین گرایش‌ها در مدل‌سازی محاسباتی دارو‌ها ارائه می‌شود. سایر موضوعات این بخش شامل QSAR در شیمی دارویی، روش‌های مبتنی بر ساختار، رویکرد‌های کموانفورماتیک و کمومتریکس و روش‌های یادگیری ماشین در طراحی دارو است.

بخش دوم بر روش‌ها و مطالعات موردی از جمله توصیف‌گر‌های مولکولی، شباهت مولکولی، غربالگری مبتنی بر ساختار، مدل‌سازی همولوژی در پیش‌بینی ساختار پروتئین، اتصال مولکولی، پایداری برهم‌کنش‌های گیرنده‌ی دارو، یادگیری عمیق و ماشین بردار پشتیبان در طراحی دارو تمرکز دارد.

بخش سوم کتاب به موضوعات ویژه اختصاص یافته است و شامل فصل‌هایی در زمینه‌های گوناگون از طراحی دارو‌های سبز تا سم‌شناسی محاسباتی است.

بخش پایانی به معرفی ابزار‌ها و پایگاه‌های داده‌ی موجود، از جمله پایگاه‌های داده‌ی QSAR، ابزار‌ها و پایگاه‌های داده‌ی رایگان در طراحی دارو مبتنی بر لیگاند و ساختار، و منابع یادگیری ماشین برای طراحی دارو اختصاص دارد. فصل‌های پایانی، سرور‌های وب مختلف مورد استفاده برای شناسایی کاندید‌های دارویی گوناگون را مورد بحث قرار می‌دهند.

– ارائه‌ی روش‌های کمومتریکس، کموانفورماتیک و یادگیری ماشین در یک مرجع واحد
– نمایش ابزار‌های گوناگون مبتنی بر ساختار، مبتنی بر لیگاند و یادگیری ماشین که در حال حاضر در طراحی دارو مورد استفاده قرار می‌گیرند
– برجسته‌سازی موضوعات ویژه‌ی طراحی محاسباتی دارو و ابزار‌ها و پایگاه‌های داده‌ی موجود

Cheminformatics, QSAR and Machine Learning Applications for Novel Drug Development aims at showcasing different structure-based, ligand-based, and machine learning tools currently used in drug design. It also highlights special topics of computational drug design together with the available tools and databases. The integrated presentation of chemometrics, cheminformatics, and machine learning methods under is one of the strengths of the book.The first part of the content is devoted to establishing the foundations of the area. Here recent trends in computational modeling of drugs are presented. Other topics present in this part include QSAR in medicinal chemistry, structure-based methods, chemoinformatics and chemometric approaches, and machine learning methods in drug design. The second part focuses on methods and case studies including molecular descriptors, molecular similarity, structure-based based screening, homology modeling in protein structure predictions, molecular docking, stability of drug receptor interactions, deep learning and support vector machine in drug design. The third part of the book is dedicated to special topics, including dedicated chapters on topics ranging from de design of green pharmaceuticals to computational toxicology. The final part is dedicated to present the available tools and databases, including QSAR databases, free tools and databases in ligand and structure-based drug design, and machine learning resources for drug design. The final chapters discuss different web servers used for identification of various drug candidates. – Presents chemometrics, cheminformatics and machine learning methods under a single reference – Showcases the different structure-based, ligand-based and machine learning tools currently used in drug design – Highlights special topics of computational drug design and available tools and databases