过去几年里，以人工智能为代表的新技术的引入，通过利用自然语言处理、深度学习、机器学习和图像识别等对传统的计算机辅助药物设计带来显著的效率提升，并极大地增加了研发成功的可能性。
目前，我国AI药物研发主要应用在药物发现阶段，其中，靶点发现、先导化合物研究和化合物筛选、化合物合成是AI+药物研发最热门的领域，按照应用场景的发展速度来看，未来药物发现、合成或将成自动化程度最高的方向。但是AI药物研发也面临着急需要解决的问题，AI药物研发兼具信息科技和医药双重属性，需要AI的人才也需要懂药物研发的人才，需要培养一批具备交叉学科的复合型人才队伍。
分子表征及特征提取
1. 分子描述符和分子指纹
1.1 分子描述符和分子指纹概念
1.2 分子描述符类别和特点
1.3 分子指纹的类别和特点
2. 分子描述符/指纹计算软件
2.1 分子表示方法和格式
2.1.1 SMILES，SMARTS，SDF, MOL, MOL2, PDB
2.1.2 JEM Editor, Chemdoodle, ChemAxon, ChemDraw, DrugBank
2.2 RDKit简介及环境部署
2.3 RDKit中如何操作分子
2.4 RDKit中描述符的计算以及存储
2.5 OpenBabel简介及环境部署
2.6 OpenBabel操作分子和格式转换
2.7 OpenBabel中的分子描述符和指纹
2.8 ChemDes计算分子描述符和指纹
2.9 ChemDes中的格式转换和分子优化
2.10 PyBioMed 简介环境部署
2.11 PyBioMed 获取分子
2.12 PyBioMed 计算分子描述符
2.13 PyBioMed 计算分子指纹
2.14 PyBioMed 计算蛋白质描述符
2.45PyBioMed 计算核酸描述符
2.15 PyBioMed 计算相互作用描述符
结构、数据预处理
3. 结构预处理和数据预处理
3.1 PyBioMed结构预处理
3.2 ChemSAR结构预处理
3.3 KNIME 结构预处理
3.4 Excel数据预处理及注意的问题
3.5 KNIME数据预处理
3.6 Pandas环境配置以及基本操作
3.6 sklearn数据预处理
3.7 归一化与空值处理
常用人工智能药物设
4. 算法简单介绍和分类
4.1 药物设计中人工智能常用算法简介
4.2 常用算法实现软件或工具介绍
5. KNIME软件介绍
5.1 KNIME软件特色和界面
5.2 KNIME软件构建基本计算任务
5.3 KNIME软件社区支持
5.4 KNIME软件定制化插件
5.5 KNIME软件第三方支持
计算法和软件
6. 特征选择
6.1 基于sklearn的特征选择
6.1.1 相关性分析，相关性绘图
6.1.2 单变量特征选择及选择K个特征
6.1.3 递归式特征删除
6.2 基于KNIME流程的特征选择
6.2.1 相关性分析，相关性绘图
6.2.2 单变量特征选择
6.2.3 递归式特征删除
7. 模型的评价与解释
7.1 回归模型和分类模型的评价指标
7.2 应用域的评估
7.3 基于树的模型的解释
类药性和ADMET评价实践
8. ADMET介绍
8.1 ADMET概念以及意义
8.2 基于人工智能的ADMET虚拟评价方法的进展
8.3 ADMET计算资源（ADMETlab、ADMETsar等）
9. KNIME软件构建ADMET模型
9.1 KNIME软件配置相关插件
9.2 caco-2细胞渗透性数据概览
9.3 结构预处理
9.4 描述符和指纹计算
9.5 SVM模型构建以及参数调整
9.6 RF模型构架及参数调整
9.7 RNN模型构建以及简单超参数调整
10. ADMET计算软件和实操
10.1 ADMETlab（v1.0 与v2.0）计算平台使用
10.2 admetSAR计算平台使用
10.3 本地模型调用以及预测
GRK2抑制剂筛选实践
11. 噪声过滤和相似性搜索
11.1 FAFDrugs4过滤
11.2 指纹和相似性度量计算
11.3 Swiss-Similarity相似性搜索
12. 机器学习模型构建和预测
12.1 收集GRK2化合物（讲解过程）
12.2 计算合适的分子表征
12.3 算法和特征选择
12.4 模型构建和评价
12.5 应用模型筛选化合物库
13. 分子对接
13.1 蛋白质预处理
13.2 小分子预处理
13.3 可应用Swiss-Dock对接
14. ADMET评估
14.1 ADMETlab计算并评估
14.2 确定相关性质的参考范围
14.3 评估并确定Hits
