| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 引言 | 第10-20页 |
| 1.1 深度学习 | 第10-12页 |
| 1.2 深度学习在药物设计中的应用 | 第12-15页 |
| 1.2.1 基于深度学习的靶标预测 | 第12-14页 |
| 1.2.2 基于深度学习的靶标-配体打分函数 | 第14-15页 |
| 1.3 深度学习在有机合成中的应用 | 第15-19页 |
| 1.3.1 基于深度学习的反应产物预测 | 第16-17页 |
| 1.3.2 基于深度学习的反应路线预测 | 第17-19页 |
| 1.4 本章小结 | 第19-20页 |
| 第2章 基于深度学习的ZAK小分子抑制剂的虚拟筛选 | 第20-30页 |
| 2.1 ZAK的生物学背景 | 第20-22页 |
| 2.2 ZAK现有活性化合物的研究现状 | 第22-24页 |
| 2.3 基于深度学习模型的虚拟筛选 | 第24-27页 |
| 2.3.1 深度学习预测模型的构建与优化 | 第24-26页 |
| 2.3.2 深度学习模型与分子对接相结合 | 第26-27页 |
| 2.4 实验验证结果 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于深度学习的Suzuki-Miyaura反应产率预测 | 第30-53页 |
| 3.1 课题研究背景 | 第30-32页 |
| 3.2 研究方法 | 第32-36页 |
| 3.2.1 数据的收集与描述符的计算 | 第32-34页 |
| 3.2.2 深度神经网络回归模型的构建与优化 | 第34-36页 |
| 3.3 模型预测结果 | 第36-46页 |
| 3.3.1 模型对4个建模反应组合的预测结果 | 第36-41页 |
| 3.3.2 模型对5个新反应组合的预测结果 | 第41-44页 |
| 3.3.3 模型对反应物结构改变的3个新反应组合的预测结果 | 第44-46页 |
| 3.4 讨论 | 第46-52页 |
| 3.4.1 溴代物与氯代物的反应性差别 | 第46-48页 |
| 3.4.2 氯原子取代位置不同的反应性差别 | 第48-49页 |
| 3.4.3 硼试剂的反应性差别 | 第49-50页 |
| 3.4.4 描述符重要性 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 全文总结 | 第53-55页 |
| 参考文献 | 第55-65页 |
| 致谢 | 第65-66页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第66页 |
