基于图神经网络的药物小分子性质预测方法、装置及设备制造方法及图纸

本申请公开了一种基于图神经网络的药物小分子性质预测方法、装置及设备，涉及人工智能技术领域，可解决目前对药物小分子性质预测的效率较低、准确度不高的技术问题。其中方法包括：依据目标药物小分子的化学分子结构生成分子图结构，以及依据所述目标药物小分子的官能团中间结构生成分子子图结构；利用目标图神经网络模型确定所述分子图结构对应的第一特征向量，以及所述分子子图结构对应的第二特征向量；根据所述第一特征向量和所述第二特征向量构建第三特征向量，并将所述第三特征向量输入训练完成的性质预测模型中，得到所述目标药物小分子的性质预测结果。本申请适用于基于人工智能技术，实现对药物小分子性质的智能化预测。测。测。

【技术实现步骤摘要】
基于图神经网络的药物小分子性质预测方法、装置及设备


[0001]本申请涉及人工智能
，尤其涉及到一种基于图神经网络的药物小分子性质预测方法、装置及设备。

技术介绍

[0002]多环药物小分子是近20年来药物化学领域热点，因为多环结构在提高药理活性和选择性，完善成药性上效果显著，并且兼顾了与靶标结合的微观结构和药代动力学所需求的宏观性质。临床上的多环药物小分子大部分由12～20个原子构成的环肽或内酯，主要用于治疗感染、炎性和肿瘤等疾病，有口服和注射等剂型。多环药物小分子的性质预测，对于进一步提高药物发现中深度学习的潜力至关重要。
[0003]传统的多环药物小分子的性质预测方法使用了特征工程，即生成和使用特定问题的分子描述符，如分子指纹、源自量子化学、物理化学和微分拓扑的描述符等，进而通过使用分子描述符(包括1D/2D/3D/高维描述符，比如分子量等物理化学性质)作为输入特征，进行定量构效关系或构效关系(QSAR/QSPR)建模。
[0004]然而，这种大量使用分子描述符的建模方法的算法模型预测表现极大取决于人工制作的特征或预定义的描述符。在进行特征工程方面费时费力的同时，在这些体系结构的特征提取过程中，既未考虑也未充分使用内部结构信息，导致较复杂的多环药物小分子的性质预测准确度不高。

技术实现思路

[0005]有鉴于此，本申请提供了一种基于图神经网络的药物小分子性质预测方法、装置及设备，可用于解决目前对药物小分子性质预测的效率较低、准确度不高的技术问题。
[0006]根据本申请的一个方面，提供了一种基于图神经网络的药物小分子性质预测方法，该方法包括：
[0007]依据目标药物小分子的化学分子结构生成分子图结构，以及依据所述目标药物小分子的官能团中间结构生成分子子图结构；
[0008]利用目标图神经网络模型确定所述分子图结构对应的第一特征向量，以及所述分子子图结构对应的第二特征向量；
[0009]根据所述第一特征向量和所述第二特征向量构建第三特征向量，并将所述第三特征向量输入训练完成的性质预测模型中，得到所述目标药物小分子的性质预测结果。
[0010]根据本申请的另一个方面，提供了一种基于图神经网络的药物小分子性质预测装置，该装置包括：
[0011]生成模块，用于依据目标药物小分子的化学分子结构生成分子图结构，以及依据所述目标药物小分子的官能团中间结构生成分子子图结构；
[0012]第一确定模块，用于利用目标图神经网络模型确定所述分子图结构对应的第一特征向量，以及所述分子子图结构对应的第二特征向量；
[0013]第二确定模块，用于根据所述第一特征向量和所述第二特征向量构建第三特征向量，并将所述第三特征向量输入训练完成的性质预测模型中，得到所述目标药物小分子的性质预测结果。
[0014]根据本申请的又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于图神经网络的药物小分子性质预测方法。
[0015]根据本申请的再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于图神经网络的药物小分子性质预测方法。
[0016]借由上述技术方案，本申请提供的一种基于图神经网络的药物小分子性质预测方法、装置及设备，与目前基于描述符的药物小分子性质预测方式相比，本申请可首先生成目标药物小分子的分子图结构和分子子图结构，进而将分子图结构和分子子图结构分别输入目标图神经网络模型，分别确定得到目标药物小分子的第一特征向量以及第二特征向量；进而利用第一特征向量和第二特征向量构建第三特征向量，并将第三特征向量输入训练完成的性质预测模型中，即可确定得到目标药物小分子的性质预测结果。通过本申请中的技术方案，对于包含多环的药物分子，在考虑分子图结构的同时，还引入子图这种介于原子和分子之间的官能团结构信息，结合图神经网络模型，综合多尺度的分子表达实现多环药物小分子的性质预测，可以高效学习到关于药物分子的关键图表示信息，捕捉到不同图数据中的通用结构规律，进而赋予性质预测任务上更好的拟合能力，比传统的分子指纹、描述符等方式具有更好的预测表现，进而能够保证多环药物小分子的性质预测精准度。
[0017]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0018]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本地申请的不当限定。在附图中：
[0019]图1示出了本申请实施例提供的一种基于图神经网络的药物小分子性质预测方法的流程示意图；
[0020]图2示出了本申请实施例提供的另一种基于图神经网络的药物小分子性质预测方法的流程示意图；
[0021]图3示出了本申请实施例提供的一种基于图神经网络的药物小分子性质预测的原理示意图；
[0022]图4示出了本申请实施例提供的一种基于图神经网络的药物小分子性质预测装置的结构示意图；
[0023]图5示出了本申请实施例提供的另一种基于图神经网络的药物小分子性质预测装置的结构示意图。
具体实施方式
[0024]本申请实施例可以基于人工智能技术实现对药物小分子性质的预测。其中，人工
智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0025]人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0026]下文将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。
[0027]针对目前对药物小分子性质预测的效率较低、准确度不高的技术问题，本申请提供了一种基于图神经网络的药物小分子性质预测方法，如图1所示，该方法包括：
[0028]101、依据目标药物小分子的化学分子结构生成分子图结构，以及依据目标药物小分子的官能团中间结构生成分子子图结构。
[0029]其中，目标药物小分子为待进行性质预测分析的多环小分子；官能团中间结构为将多环小分子对应化学分子结构中的苯环，用官能团表达后得到的介于原子尺度以及分子尺度之间的结构，官能团中间结构包含化学分子结构中的原官能团以及苯环转化后的新官能团。官能团是介于原子和分子尺度之间的中间尺度，是决定有机化合物的化学性质的原子或原子团。常见官本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的药物小分子性质预测方法，其特征在于，包括：依据目标药物小分子的化学分子结构生成分子图结构，以及依据所述目标药物小分子的官能团中间结构生成分子子图结构；利用目标图神经网络模型确定所述分子图结构对应的第一特征向量，以及所述分子子图结构对应的第二特征向量；根据所述第一特征向量和所述第二特征向量构建第三特征向量，并将所述第三特征向量输入训练完成的性质预测模型中，得到所述目标药物小分子的性质预测结果。2.根据权利要求1所述的方法，其特征在于，所述依据目标药物小分子的化学分子结构生成分子图结构，以及依据所述目标药物小分子的官能团中间结构生成分子子图结构，包括：获取目标药物小分子的化学分子结构，将所述化学分子结构中的原子确定为所述分子图结构中的节点，将所述化学分子结构中的原子连接关系确定为所述分子图结构中的边，生成所述目标药物小分子的分子图结构；获取所述目标小分子的官能团中间结构，将所述官能团中间结构中的官能团确定为所述分子子图结构中的节点，将所述官能团中间结构中的官能团连接关系确定为所述分子子图结构中的边，生成所述目标药物小分子关于中间尺度的分子子图结构。3.根据权利要求1所述的方法，其特征在于，在利用目标图神经网络模型确定所述分子图结构对应的第一特征向量，以及所述分子子图结构对应的第二特征向量之前，包括：获取未标记图数据集和第一标记图数据集，所述第一标记图数据集的训练任务与预设性质预测任务不同；将所述未标记图数据集作为训练样本，通过对预设的图神经网络模型进行训练，调整所述图神经网络模型的参数，得到第一图神经网络模型；将所述第一标记图数据集作为训练样本，通过对所述第一图神经网络模型进行训练，调整所述第一图神经网络模型的参数，得到第二图神经网络模型；将所述预设性质预测任务对应的第二标记图数据集作为训练样本，通过对所述第二图神经网络模型进行训练，调整所述第二图神经网络模型的参数，得到目标图神经网络模型。4.根据权利要求1所述的方法，其特征在于，所述分子图结构中携带有邻接矩阵以及属性信息，所述属性信息包含节点初始特征向量和边初始特征向量，其中，所述节点初始特征向量和所述边初始特征向量是依据预设向量生成规则确定的；所述利用目标图神经网络模型确定所述分子图结构对应的第一特征向量，以及所述分子子图结构对应的第二特征向量，包括：将所述分子图结构、所述邻接矩阵和所述属性信息输入目标图神经网络模型，获取所述分子图结构中各个节点的节点隐向量；利用所述各...

【专利技术属性】
技术研发人员：王俊，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：