近年来，以人工智能为代表的新技术的引进，通过自然语言处理、深度学习、机器学习和图像识别，显著提高了传统计算机辅助药物设计的效率，大大提高了研发成功的可能性。目前，我国AI药物研发主要应用于药物发现阶段，其中靶点发现、先导化合物研究和化合物筛选、化合物合成AI 根据应用场景的发展速度，未来药物发现、合成或将成为最自动化的方向。但是AI药物研发也面临着迫切需要解决的问题，AI药物研发兼具信息科技和医药双重属性，需要AI还需要懂药物研发的人才，培养一批具有交叉学科的复合型人才队伍。
1.1 分子描述符和分子指纹概念
1.2 分子描述符的类别和特征
1.3 分子指纹的类别和特征
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如何操作分子？
2.4 RDKit中描述符的计算和存储
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分子描述符和指纹
2.8 ChemDes计算分子描述符和
2.9 ChemDes计算分子指纹
2.10 ChemDes中的格式转换
2.11 ChemDes中等分子优化
2.12 PyBioMed 介绍环境部署
2.13 PyBioMed 获取分子
2.14 PyBioMed 计算分子描述符
2.15 PyBioMed 计算分子指纹
2.16 PyBioMed 计算蛋白质描述符
2.17PyBioMed 计算核酸描述符
2.18 PyBioMed 计算相互作用描述符
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数据预处理及注意事项
3.5 KNIME数据预处理
3.6 Pandas环境配置和基本操作
3.6 sklearn数据预处理
3.7 归一化和空值处理
4.1 人工智能常用算法简介
4.2 实现软件或工具介绍的常用算法
5.1 KNIME软件特性及界面
5.2 KNIME软件构建基本计算任务
5.3 KNIME支持软件社区
5.4 KNIME定制软件插件
5.5 KNIME第三方支持软件
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 选择单变量特征，选择K个特征
6.1.3 删除递归特征
6.2 基于KNIME流程特征选择
6.2.1 相关性分析、相关性绘图
6.2.2 选择单变量特征
6.2.3 删除递归特征
7.1 回归模型和分类模型的评价指标
7.2 评估应用域
7.3 解释树的模型
8.1 ADMET概念和意义
8.2 基于人工智能ADMET进展虚拟评价方法
8.3 ADMET计算资源（ADMETlab、ADMETsar等）
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模型构建和参数调整
9.6 RF调整模型框架和参数
9.7 RNN模型构建和简单的超参数调整
10.1 ADMETlab（v1.0 与v2.0)使用计算平台
10.2 admetSAR计算平台使用
10.3 本地模型调用和预测
11.1 FAFDrugs4过滤
11.2 计算指纹和相似度
11.3 Swiss-Similarity相似性搜索
12.1 收集GRK2化合物(解释过程)
12.2 计算适当的分子表征
12.3 算法和特征选择
12.4 模型与评价
12.5 化合物库应用模型筛选
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
14.1 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.