课题名称 活性化合物优化改造策略数据库构建课题性质 基础研究应用课题 设计型 调研综述 理论研究开题报告内容：（包括拟研究或解决的问题、采用的研究手段及文献综述，不少于2000字）一、课题研究背景随着世界医药经济的快速发展,越来越多的活性化合物被发现,世界各国对新药研发的重视程度也日益提高，但是于此同时，由于越来越高昂的前期投入、先导化合物成药率低等原因，新药的研发成本却是在与日俱增。
评价一款药物研发成本的高低，有两个非常重要的参考因素：研发成功率以及研发时间。
根据Tufts Center对来自10家公司的106种（1442个化合物）研究性新药和生物制剂研发费用分析可以得知[1] [2] [3]：（1） 临床前过程中，化合物结构优化花费巨大，资本化后约占总研发成本的10%左右；（2） 临床前开发所需平均时间越5.5年，药物开发过程中靶点筛选与确认耗时较长；（3） 研发过程中，三四期临床试验失败会对企业造成巨大损失，大大提高了成药化合物的平均研发成本。
基于以上提到的三个事实，不难看出，一款活性化合物最终能否成药，通过怎样的改变成药，确定合理的改变的时间的长短，改变后性质的预测，对于新药研发的成本有着不容小觑的影响。
因此，为了高效地优化先导化合物结构，尽可能准确地预测结构改造后的成药性质，降低新药研发的成本，越来越多的人将目光投向了计算机技术。
近些年来，由于机器学习理论的发展和药理学数据的积累，人工智能技术已经在药物设计的多个方面崭露头角，例如虚拟筛选、活性评分、定量结构-活性关系(QSAR)分析、从头药物设计以及吸收、分布、代谢、排泄和毒性(ADME/吨)特性的计算机评价。
作为药物研发的上游阶段，如何高效地筛选先导化合物，并且有着针对性地对先导化合物进行结构优化使之成为可供进一步研究利用的药物，提高新药研发成功率，缩短药物研发时间，是药物化学家们所面临的关键问题之一，所以通过人工智能手段进行智能化先导化合物结构优化便成为了一种高效的理想的药物开发手段。
二、课题研究目的人工智能需要数据支持，而新药研发领域虽然大量的数据积累，但是却都是散乱的，计算机的可利用性较差。
例如，从1959年《Journal of Medicinal Chemistry》杂志创刊至今，至少已发表了45万种化合物作为药物的研究对象，对于这样的大数据，人工智能本可以发挥它独特的作用，但事实确是不尽如人意，如此庞大的数据并没有被计算机技术所高效利用，而人工智能技术即便在医药产业各专业领域已有较多的应用研究,但总体上还停留在初级研究阶段,在可靠性与准确性方面仍存在部分问题,离实际广泛应用尚有差距[4]。
以上是毕业论文开题文献，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
