根据提供的文件信息，我们可以从《2017-Tutorials in Chemoinformatics》一书中提炼出以下几个关键知识点： ### 化学信息学简介 化学信息学（Chemoinformatics）是一门结合化学、计算机科学与信息学的交叉学科，旨在通过计算机技术和算法处理化学数据，以解决化学领域的问题。它在药物发现、材料科学、环境科学等多个领域都有广泛的应用。 ### 书籍概述 《2017-Tutorials in Chemoinformatics》由Alexandre Varnek编辑，于2017年首次出版，版权属于John Wiley & Sons Ltd。该书旨在提供一系列化学信息学领域的教程，帮助读者理解和掌握这一领域的基础知识和高级技术。 ### 主要章节及内容概览 虽然具体的章节内容没有在摘要中给出，但我们可以推测本书可能包含以下几部分内容： #### 1. 化学信息学基础 - **化学数据管理**：介绍如何收集、存储和检索化学数据。 - **分子表示方法**：讨论不同类型的分子表示形式及其在化学计算中的应用。 - **化学数据库**：介绍常用的化学数据库系统及其使用方法。 #### 2. 分子建模与模拟 - **分子结构预测**：讲述如何利用计算方法预测分子结构。 - **分子动力学模拟**：解释如何通过模拟分子运动来研究其性质。 - **量子化学计算**：介绍量子化学理论在分子建模中的应用。 #### 3. 药物发现中的化学信息学应用 - **虚拟筛选**：探讨如何使用计算机辅助筛选潜在药物候选物。 - **药物设计**：讲解如何利用化学信息学工具进行新药设计。 - **ADMET预测**：介绍如何预测药物吸收、分布、代谢、排泄和毒性等属性。 #### 4. 实际案例分析 - **案例研究**：提供具体案例，展示化学信息学在解决实际问题中的应用。 - **代码示例**：给出实际编程示例，帮助读者更好地理解理论知识的应用。 #### 5. 未来发展趋势 - **新兴技术**：讨论最新的化学信息学技术和发展趋势。 - **挑战与机遇**：分析当前面临的主要挑战以及未来可能的发展方向。 ### 学习资源与工具 - **编程语言**：推荐使用Python或R等流行的编程语言进行化学信息学的编程实践。 - **软件工具**：介绍如RDKit、Open Babel等常用的化学信息学软件库。 - **在线资源**：建议访问相关论坛、博客和社交媒体群组，以获取最新资讯和技术支持。 ### 结论 《2017-Tutorials in Chemoinformatics》为希望深入了解化学信息学领域的研究人员、学生和专业人士提供了一本宝贵的参考资料。通过阅读本书，读者不仅可以学到化学信息学的基本原理和技术，还能获得大量的编程实践经验和实用工具推荐，从而在这一充满挑战和机遇的领域取得成功。

用C ++和Python编写的化学信息学和机器学习软件的集合。 注意：RDKit源代码和下载现在在github中：https://github.com/rdkit/rdkit核心算法和数据结构是用C ++编写的。 提供了包装程序以使用来自Python或Java的工具包。 此外，RDKit发行版包括一个基于PostgreSQL盒，该盒允许将分子存储在关系数据库中，并可以通过子结构和相似性搜索进行检索。

深度学习在计算机视觉、语音识别和自然语言处理三大领域中取得了巨大的成功，带动了人工智能的快速 发展。将深度学习的关键技术应用于化学信息学，能够加快实现化学信息处理的人工智能化。化合物结 构与性质的定量关系研究是化学信息学的主要任务之一，着重介绍各类深度学习框架（深层神经网络、 卷积神经网络、循环或递归神经网络）应用于化合物定量构效关系模型的研究进展，并针对深度学习在 化学信息学中的应用进行了展望。

支持ubuntu下的python C++调用，rdkit是化学信息学的一个包，用于将化学的分子式用smiles实现

从数据库和化学信息学一线开发人员的角度出发，通过实打实的案例，结合外在的系统表信息、参数信息、执行计划信息反向把 PgSQL 查询优化器的原理深入浅出、透彻地讲解明白。