一种化学分子性质预测的方法、系统及介质技术方案

本发明专利技术为一种化学分子性质预测的方法、系统及介质，通过图卷积神经网络学习化学分子的表示，建立分子图与分子性质之间的关系模型预测分子的性质，构建多任务迁移学习框架，通过样本量较多的训练任务，训练通用参数θ,然后基于参数θ来应用到数据量较小的预测任务，该方法包括：数据集的获取以及实验数据预处理；利用图卷积神经网络学习化学分子表示，并得到分子图的图嵌入向量；搭建图卷积神经网络模型结构，利用不同预测任务目标数据集中的样本进行多任务训练得到参数θ；基于参数θ训练小样本数据预测目标，得到最终的参数θ，最后应用图卷积神经网络模型及参数θ对候选分子进行预测，从而帮助研究人员从候选分子中筛选出具有相似性质的分子。有相似性质的分子。有相似性质的分子。

【技术实现步骤摘要】
一种化学分子性质预测的方法、系统及介质


[0001]本专利技术涉及化学分子的性质预测和深度学习
，具体是一种化学分子性质预测的方法、系统及介质。

技术介绍

[0002]无论是在药物还是在材料研发的过程中，不可避免的是大量测试分子的活性、毒性等分子的相关特性，通过测试来筛选出符合预期的分子作为候选分子。但是这需要研发人员经过大量实验进行验证。这就导致了大量的人力物力的成本付出。除此之外，查阅相关文献，相似反应的经验积累、以及对反应物的化学机理的理解都可以在分子性质预测中发挥重要作用，但是这也对相关实验人员提出了非常高的专业素养。
[0003]随着深度学习技术的快速发展，以及相关方向的数据不断地积累，通过数据挖掘的方式来对未知分子的性质进行预测变为可能。很多化学专家都选择借助深度学习技术作为辅助技术，其效果在化工领域都得到验证。但分子的性质预测对数据集样本量具有非常高的要求，故而本专利技术基于图卷积神经网络构建了一个小样本分子性质预测的框架，提高分子性质预测的准确性，以辅助研发人员快速找到合适性质的分子。

技术实现思路

...

【技术保护点】

【技术特征摘要】
1.一种化学分子性质预测的方法，其特征在于，该方法包括以下步骤：获取终端收集实验数据集并对数据预处理；提取分子特征信息；获取化学分子图的图嵌入向量；搭建图卷积神经网络模型结构，利用实验数据集中的目标数据进行训练；利用目标图卷积神经网络模型对预测分子进行分子性质预测。2.根据权利要求1所述的一种化学分子性质预测的方法，其特征在于：获取实验数据集的具体步骤包括：获取终端发送指令至数据集，并读取目标数据至获取终端。3.根据权利要求2所述的一种化学分子性质预测的方法，其特征在于：数据预处理的具体步骤包括：标识单元对获取终端读取的目标数据进行标识，并输出表达式标识；转化单元依据所述目标数据的表达式标识输出分子图标识。4.根据权利要求1所述的一种化学分子性质预测的方法，其特征在于：提取分子特征信息的具体步骤包括：依据分子图标识中的邻居节点及信息采用邻居聚合算法进行连接，并输出节点向量信息；将节点向量信息进行组合，用以表示分子图。5.根据权利要求4所述的一种化学分子性质预测的方法，其特征在于：获取化学分子图的图嵌入向量的步骤包括：依据节点向量信息输出图嵌入向量。6.根据权利要求1所述的一种化学分子性质预测的方法，其特征在于，搭建图卷积神经网络模型结构，利用实验数据集中的目标数据进行训练的具体操作包括：搭建模型框架，依据该模型框架对多个目标数据进行训练任务，通过不同的目标...

【专利技术属性】
技术研发人员：柳彦宏，戴开洋，宋召青，张浩，
申请(专利权)人：烟台国工智能科技有限公司，
类型：发明
国别省市：