The author, a renowned expert in the field, presents a comprehensive overview of the current state of the art in machine analysis and its applications in drug discovery and development. The book begins by discussing the fundamental principles of machine learning and their application to chemical structure and biological activity, before delving into the specifics of various machine learning algorithms and their use in predicting the properties of molecules. The first chapter provides an introduction to the basics of machine learning, including supervised and unsupervised learning, and the different types of algorithms used in the field. The second chapter covers the importance of understanding the chemical structure-activity relationship, and how machine learning can be used to predict the biological activity of small molecules. The third chapter delves into the details of the most commonly used machine learning algorithms in drug discovery, including decision trees, random forests, support vector machines, and neural networks. The fourth chapter focuses on the application of machine learning to predict the activity of molecules against specific biological targets, such as enzymes, receptors, and ion channels.

Автор, известный эксперт в этой области, представляет всесторонний обзор современного состояния машинного анализа и его применения в поиске и разработке лекарств. Книга начинается с обсуждения фундаментальных принципов машинного обучения и их применения к химической структуре и биологической активности, прежде чем углубиться в специфику различных алгоритмов машинного обучения и их использования в предсказании свойств молекул. Первая глава содержит введение в основы машинного обучения, включая обучение с учителем и без учителя, а также различные типы алгоритмов, используемых в данной области. Вторая глава охватывает важность понимания взаимосвязи между химической структурой и активностью и того, как машинное обучение можно использовать для прогнозирования биологической активности малых молекул. Третья глава углубляется в детали наиболее часто используемых алгоритмов машинного обучения при обнаружении лекарств, включая деревья решений, случайные леса, машины опорных векторов и нейронные сети. Четвертая глава посвящена применению машинного обучения для прогнозирования активности молекул против определенных биологических мишеней, таких как ферменты, рецепторы и ионные каналы.

''